تحول در هوش مصنوعی صوتی؛ OpenAI مدل GPT-Live-۱ را در API عرضه کرد

/در , , , /توسط

شرکت OpenAI با عرضه مدل صوتی GPT-Live-1 در پلتفرم API خود، گام بزرگی برای تغییر تجربه دستیارهای صوتی برداشته است. این فناوری جدید به توسعه‌دهندگان اجازه می‌دهد قابلیت مکالمه کاملاً طبیعی، هم‌زمان و تمام‌دوطرفه (Full Duplex) را به برنامه‌ها و سیستم‌های کاری خود اضافه کنند. مدل جدید برخلاف نسل‌های گذشته، توانایی شنیدن و صحبت کردن هم‌زمان، درک قطعی مکالمه و مدیریت جریان گفت‌وگو را در حین اجرای کارهای پیچیده دارد.

پایان عصر معماری‌های خطی؛ پردازش هم‌زمان صدا

در ساختارهای قدیمی، پردازش صوتی شامل سه مرحله جداگانه بود: تبدیل گفتار به متن، استدلال هوش مصنوعی و در نهایت تبدیل متن به گفتار. این زنجیره باعث ایجاد تاخیر زیاد و قطعی‌های ناخوشایند در جریان کلام می‌شد.

مدل GPT-Live-1 با پردازش یکپارچه و هم‌زمان ورودی و خروجی صوتی، این مشکل را حل کرده است. ابزارها و ویژگی‌های کلیدی این مدل عبارت‌اند از:

  • کنترل کامل لحن و سرعت: تنظیم سبک صحبت کردن از طریق دستورهای پایه (System Prompt).

  • قابلیت‌های پیشرفته صوتی: شامل رونوشت هم‌زمان (ASR)، تشخیص حروف و اعداد، تقویت کلمات کلیدی و مدیریت طبیعی نوبت صحبت.

  • پشتیبانی از مدل‌های کمکی: امکان اتصال هم‌زمان به مدل‌های قدرتمند استدلال مانند GPT-6 Astra یا Codex در پس‌زمینه.

GPT-Live-1

کاربرد در خدمات مشتریان و پشتیبانی تلفنی

طراحی این مدل به‌گونه‌ای است که در محیط‌های شلوغ یا هنگام سکوت، عملکرد هوشمندانه‌ای دارد و میان حرف کاربر نمی‌پرد. این ویژگی، GPT-Live-1 را به گزینه‌ای عالی برای اتوماسیون مرکز تماس، رزرو تلفنی و پاسخ‌گویی به مشتریان تبدیل می‌کند.

نتایج اولیه؛ کاهش ۸۰ درصدی کدهای پیچیده و وقفه‌ها

بازخوردهای اولیه نشان‌دهنده جهش بزرگ این مدل در بهینه‌سازی سیستم‌هاست:

  • کاهش قطعی مکالمه: پلتفرم آموزش زبان Speak گزارش داده که این مدل تا ۸۰ درصد وقفه‌های بی‌موقع در صحبت را کاهش داده است.

  • برتری در بنچمارک‌ها: جهش ۳۰ درصدی در آزمون Full Duplex Bench و کسب رتبه نخست در ارزیابی Tau3.

  • کاهش حجم کد: یکی از شرکت‌های حوزه سلامت اعلام کرده با مهاجرت به این مدل، نزدیک به ۲۳ هزار خط کد پیچیده مربوط به مدیریت مکالمه لحظه‌ای را حذف کرده است.

قیمت‌گذاری و تنوع صداها

استفاده از مدل GPT-Live-1 در API با قیمت ۰٫۰۵ دلار به ازای هر دقیقه ارائه می‌شود. این سرویس در زمان عرضه دارای ۱۲ صدای متنوع با لهجه‌ها و گویش‌های گوناگون است. توسعه‌دهندگان برای دسترسی به صداهای اختصاصی یا سفارشی‌سازی‌شده می‌توانند با بخش فروش اوپن‌ای‌آی در ارتباط باشند.

زبان برنامه‌نویسی جدید Triton معرفی شد

/در , , , , , , /توسط
به گفته شرکت تحقیقاتی هوش مصنوعی OpenAI، برنامه‌نویسی واحدهای پردازش گرافیک در شرکت Nvidia بسیار دشوار است و به طور ویژه با زبان برنامه‌نویسی اختصاصی Nvidia موسوم به CUDA انجام می‌شود.
 
این استارت‌آپ فعال در حوزه هوش مصنوعی که دفتر مرکزی آن در سانفرانسیسکو واقع شده با پشتیبانی مایکروسافت و شرکت سرمایه‌گذاری Khosla Ventures نسخه 1.0 زبان برنامه‌نویسی جدید را در این بخش معرفی کرد.
 
این زبان برنامه‌نویسی جدید که با نام Triton شناخته می‌شود برای کاهش بار مذکور در جریان کدگذاری‌ها ساخته شده هم اکنون با انتشار یک مطلب وبلاگی اعلام شد که کدهای منبع آن در پلتفرم GitHub ارائه شده است.
 
شرکت OpenAI ادعا می‌کند که زبان برنامه‌نویسی Triton می‌تواند سهولت استفاده از کدگذاری در CUDA را برای برخی از وظایف شبکه عصبی در قلب اشکال یادگیری ماشینی و هوش مصنوعی مانند ماتریس به همراه داشته باشد.
 
«فیلیپ تیلت» از محققان مرکز OpenAI که مدیریت پروژه توسعه این زبان برنامه‌نویسی را هم برعهده داشت در این خصوص گفت: «هدف ما این است که جایگزین مناسب برای زبان CUDA ارائه دهیم و از آن در فرآیند یادگیری عمیق استفاده کنیم».
 

Copilot ، ابزار هوش مصنوعی گیت‌هاب و OpenAI رونمایی شد

/در , , , , , , /توسط
copilot.jpg
 
شرکت‌های گیت‌هاب و OpenAI از ابزاری جدید مبتنی بر هوش مصنوعی به نام Copilot رونمای کردند که می‌تواند به اپلیکیشن ویژوال استودیو کد ادیتور اضافه شود و در کدنویسی به کاربر کامل کند.
 
گیت‌هاب اعلام کرد که ابزار Copilot قادر به ارائه عملکردی فراتر از ارائه کدهای از پیش‌ تعریف‌شده به آن است. بدین معنی که می‌تواند کدی را که پیشتر نوشته‌ شده را تجزیه و تحلیل کرده و یک کد جدید مطابق با آن را ایجاد کند.
 
نمونه‌هایی که در وب‌سایت این پروژه ثبت شده، نشان می‌دهد که این ابزار قادر است به صورت خودکار، کدهایی را برای ایمپورت (وارد) کردن توییت‌ها، ترسیم نقشه‌های پراکندگی و به دست آوردن رتبه در Goodreads را بنویسد.
به گفته نت فریمن، مدیرعامل گیت‌هاب، ابزار Copilot با زبان‌های برنامه‌نویسی پایتون، جاوا اسکریپ، تایپ اسکریپ، رابی (Ruby) و Go سازگار است. گیت‌ها از این دستاورد به عنوان تحولی بزرگ در برنامه‌نویسی دو نفره یاد می‌کند. جایی که دو کدنویس روی یک پروژه کار می‌کنند و اشکالات یکدیگر را اصلاح کنند و فرآیند توسعه را سرعت ببخشند. در اینجا، ابزار Copilot نقش کدنویس دوم را ایفا و به صورت مجازی همراهی می‌کند.
 
توسعه این ابزار، اولین پروژه بزرگ حاصل از سرمایه‌گذاری یک میلیارد دلاری مایکروسافت در شرکت OpenAI که اکنون تحت مدیریت سم آلتمن فعالیت دارد، محسوب می‌شود. ابزار Copilot  مبتنی بر پلتفرمی‌جدید تحت عنوان OpenAI Codex ساخته شده است.