OpenAI का वॉय्स AI अब आपके बोलने का इंतज़ार नहीं करता — $0.05 प्रति मिनट

बाजार में उपलब्ध हर वॉइस AI आपको बोलने से पहले इंतज़ार करने को कहता है। लेकिन OpenAI का GPT-Live-1 ऐसा नहीं करता। यह मॉडल, जो OpenAI के API के ज़रिए उपलब्ध है, एक साथ सुनता और बोलता है — बीच में टोकना, ठहराव, और एक-दूसरे की बात पर बोलना, ठीक वैसे ही संभालता है जैसे कोई इंसान कॉल पर करता है।

वॉइस लेयर की कीमत $0.05 प्रति मिनट है — 30 मिनट की बातचीत के लिए $1.50, या 1,000 मिनट की बातचीत के लिए $50। डेवलपर्स एक रीज़निंग बैकएंड के लिए अलग से भुगतान करते हैं: OpenAI का अपना GPT-6 Astra या कोई भी संगत मॉडल जो टूल कॉल और बिज़नेस लॉजिक को संभालता है। वॉइस लेयर बातचीत की यांत्रिकी का प्रबंधन करती है; रीज़निंग लेयर तय करती है कि AI वास्तव में क्या कहता और करता है।

इस पृथक्करण का व्यावहारिक अर्थ: एक ग्राहक सेवा बॉट बीच में यह सुन सकता है “रुको, मुझे असल में दूसरा विकल्प चाहिए” और उस पर प्रतिक्रिया दे सकता है, बजाय एक पूर्व-निर्मित उत्तर को पूरा करने के। एक भाषा शिक्षक किसी छात्र को किसी शब्द पर अटकते हुए पकड़ सकता है, बिना उसके समाप्त करने की प्रतीक्षा किए। एक बुकिंग सिस्टम उस वास्तविक दुनिया की कॉल को संभाल सकता है जहाँ लोग खुद को दोहराते हैं, अपना मन बदलते हैं, और एक-दूसरे की बात पर बोलते हैं।

Full Duplex Bench पर — एक मूल्यांकन जो विशेष रूप से एक साथ दिशा वॉइस हैंडलिंग का परीक्षण करने के लिए डिज़ाइन किया गया है — GPT-Live-1 अपने पूर्ववर्ती GPT-Realtime-2.1 से 30 प्रतिशत अंक अधिक स्कोर करता है। जब इसे GPT-6 Astra के साथ रीज़निंग बैकएंड के रूप में जोड़ा जाता है, तो यह Tau3 को पार कर जाता है, जो ग्राहक सेवा बेंचमार्क है जो बातचीत में ब्रेक के बिना जटिल, बहु-चरणीय प्रश्नों का परीक्षण करता है।

दो-लेयर आर्किटेक्चर एक जानबूझकर डिज़ाइन विकल्प को दर्शाता है। भाषण समय और तर्क को अलग-अलग बिल किया जाता है क्योंकि वे अलग-अलग पैमाने पर काम करते हैं: एक स्टार्टअप जो एक हल्का ट्यूटरिंग ऐप बना रहा है, एक एंटरप्राइज़ की तुलना में दोनों लेयर पर कम भुगतान करता है जो GPT-6 Astra पर हज़ारों एक साथ ग्राहक सेवा कॉल चलाता है। न्यूनतम मूल्य $0.05 प्रति मिनट है वॉइस के लिए, चाहे इसके पीछे कुछ भी चले।

GPT-Live-1 जो नहीं बदलता वह उत्तरों की गुणवत्ता है। वॉइस लेयर यह तय करती है कि AI कब और कैसे बोलता है — न कि वह क्या जानता है। एक सही समय पर दिया गया बुरा उत्तर फिर भी बुरा ही होता है। ग्राहक सेवा एप्लिकेशन बनाने वाले डेवलपर्स को दोनों लेयर का अलग-अलग मूल्यांकन करना होगा, और रीज़निंग बैकएंड वॉइस लेयर से अधिक बिल जोड़ सकता है। OpenAI ने यह भी डेटा प्रकाशित नहीं किया है कि कम बैंडविड्थ वातावरण या शोरगुल वाली फोन लाइनों पर फुल-डुप्लेक्स आर्किटेक्चर कैसा प्रदर्शन करता है, जहाँ निरंतर ऑडियो इनपुट बनाए रखना कठिन होता है।

GPT-Live-1 अब OpenAI के API में उपलब्ध है। कंपनी ने इस मॉडल पर आधारित कोई उपभोक्ता-सामना उत्पाद घोषित नहीं किया है, हालाँकि उसने संकेत दिया है कि ChatGPT के वॉइस मोड के भविष्य के संस्करण उसी अंतर्निहित आर्किटेक्चर का उपयोग कर सकते हैं। $0.05-प्रति-मिनट की दर लॉन्च के समय लागू होती है; OpenAI ने मूल्य परिवर्तन की समय-सीमा या वॉइस लेयर के साथ उपयोग के लिए अनुमोदित तृतीय-पक्ष रीज़निंग मॉडलों की सूची प्रकाशित नहीं की है।

टैग: OpenAI, API, GPT-Live-1, voice AI, ऑडियो full-duplex