DI sukurta iliustracija.
„GPT-Live 1.1“ jau pasiekiamas kūrėjams: balsas tapo tikslesnis ir nuoseklesnis
„OpenAI“ kūrėjų bendruomenėje lapkričio 20 d. paskelbta, kad API naudotojams tapo prieinamas „GPT-Live 1.1“ balso modelis. Oficialiame pranešime akcentuojami natūralesni ir nuoseklesni akcentai, geresnis raidžių, skaičių bei kitų tikslių detalių supratimas ir patikimesnis darbas realaus laiko pokalbiuose.
Tai nėra nauja vartotojams skirta „ChatGPT“ programėlė. „GPT-Live 1.1“ yra modelis kūrėjams, kurie balso funkcijas integruoja į savo produktus: klientų aptarnavimą, registraciją, mokymosi sistemas, skambučių centrus ar balsu valdomus įrankius. Ankstesnė versija jau leido kurti abipusį pokalbį be klasikinės grandinės, kai garsas pirmiausia paverčiamas tekstu, tekstas apdorojamas, o atsakymas vėl sintezuojamas.
Kodėl raidės ir skaičiai yra sunkus testas
Natūraliai skambantis balsas gali sukurti gerą pirmą įspūdį, tačiau verslo sistemoje svarbesnis tikslumas. Telefono numeris, užsakymo kodas, vardas, data ar transporto priemonės registracijos numeris neturi būti „apytiksliai“ suprastas. Net viena klaidinga raidė gali nukreipti užklausą kitam klientui arba sugadinti visą automatizuotą procesą.
Patobulintas tokių detalių atpažinimas leidžia balsui atlikti ne tik informacinę, bet ir operacinę funkciją. Vis dėlto tai nereiškia, kad įmonė gali atsisakyti patvirtinimo. Kritinius duomenis sistema turėtų pakartoti, parodyti ekrane arba paprašyti vartotojo patvirtinti kitu kanalu. Ypač jautrioms operacijoms, pavyzdžiui, mokėjimams ar prisijungimo duomenų keitimui, balsas neturėtų būti vienintelis tapatybės įrodymas.
Ką turėtų išbandyti Lietuvos kūrėjai
Lietuvių kalbai svarbu vertinti ne vien bendrą modelio demonstraciją anglų kalba. Reikia testuoti linksnius, pavardes, gatvių pavadinimus, mišrius lietuviškų ir angliškų terminų sakinius bei skaičius, tariamus skirtingu tempu. Taip pat būtina pamatuoti vėlavimą mobiliame ryšyje ir triukšmingoje aplinkoje. Vartotojas balso pokalbį greitai nutraukia, jei sistema nuolat pertraukia, atsako per vėlai arba prašo kartoti.
Prieš diegiant produktą verta turėti aiškią žmogaus perėmimo procedūrą. Modelis turi atpažinti, kada nėra tikras, ir perduoti pokalbį operatoriui su trumpa jau surinktos informacijos santrauka. Tai padeda išvengti situacijos, kai vartotojas turi viską pasakoti iš naujo. Ankstesnį „GPT-Live“ etapą aptarėme straipsnyje apie pokalbį balsu su DI, o naujoji versija labiau orientuota į patikimą integraciją.
Realaus laiko balso modelio kokybę lemia ne vien tai, ar balsas skamba natūraliai. Kūrėjams svarbus atsako vėlavimas, gebėjimas nepertraukiant išklausyti žmogų, tiksliai suprasti vardus ir skaičius bei išlaikyti pokalbio kontekstą. Nedidelis pagerėjimas laboratoriniame teste gali būti juntamas skambučių centre, bet vis tiek nepašalinti klaidų triukšmingoje aplinkoje. Todėl diegiant „GPT-Live 1.1“ reikės bandymų su tikrais naudotojų scenarijais, o ne vien trumpa demonstracija.
Balso sąsaja kelia ir papildomų privatumo klausimų. Įmonė turi aiškiai nuspręsti, kada garsas siunčiamas apdoroti, kiek laiko saugomi įrašai ir ar darbuotojas gali peržiūrėti transkripciją. Jei asistentas rezervuoja laiką, keičia užsakymą ar pasiekia kliento paskyrą, vien sklandaus pokalbio neužtenka – reikalingas patvirtinimas prieš svarbų veiksmą. Taip pat būtina numatyti, kaip sistema perduos pokalbį žmogui, kai nėra tikra dėl atsakymo.
Lietuvių kalbai svarbiausias klausimas bus ne bendras modelio pristatymas, o praktinis tarimo ir atpažinimo tikslumas. Linksniai, pavardės, vietovardžiai ir angliški produktų pavadinimai viename sakinyje dažnai tampa silpnąja balso sistemų vieta. Lietuvos kūrėjams verta testuoti skirtingus regioninius akcentus ir prastesnę telefono liniją, o rezultatus matuoti pagal užduoties užbaigimą. Tik tada bus aišku, ar nauja versija tinkama klientų aptarnavimui, ar kol kas geriau ją naudoti mažiau rizikingoms funkcijoms.
Kūrėjams svarbiausias pokytis bus juntamas ne demonstracijoje, o ilgesniame pokalbyje. Balso sistema turi ne tik aiškiai tarti žodžius, bet ir išlaikyti kontekstą, nepertraukti žmogaus netinkamu metu, suprasti triukšmingą aplinką ir saugiai elgtis, kai užklausa dviprasmiška. Lietuvos rinkoje papildomas išbandymas – kalbos kokybė, vardų, vietovardžių ir linksnių tarimas. Prieš diegiant klientų aptarnavime verta atlikti realių skambučių bandymą, nustatyti, kada pokalbis perduodamas žmogui, ir aiškiai informuoti vartotoją, kad kalbama su DI. Vien mažesnis vėlavimas nepadaro paslaugos geros: reikės matuoti klaidingai suprastų užklausų dalį, pakartotinių skambučių skaičių ir tai, ar klientas iš tiesų gavo atsakymą.
„GPT-Live 1.1“ vertę lems ne vien balso malonumas. Įmonėms svarbiausi bus klaidų procentas, pokalbio užbaigimo rodiklis, žmogui perduotų atvejų dalis ir kaina vienai sėkmingai užduočiai. Kaip parodė „OpenAI“ sutrikimo analizė, automatizuotos sistemos turi turėti ribas ir atsarginį planą. Jei naujas modelis geriau susitvarkys su lietuviškais vardais bei numeriais, jis galėtų tapti praktišku atnaujinimu, o ne tik gražesne demonstracija.
Kaip vertinate šį straipsnį?
Prenumeruokite mūsų „YouTube“ kanalą ir mėgaukitės įdomiais vaizdo reportažais apie mokslą ir technologijas.
Trumpai, aiškiai ir be triukšmo – gaukite svarbiausias technologijų ir mokslo naujienas pirmieji.
DIENOS SKAITOMIAUSI
Ukrainai – du nauji raketiniai kateriai: britai ir norvegai skiria daugiau kaip 100 mln. svarų
2„Gemini“ pradeda valdyti „Mac“: DI pats spaudys mygtukus ir pildys formas
3Droną stabdyti be šūvio: Vokietija ir Nyderlandai užsakė „Knifefish“ sistemas
4„Smart-ID“ prašo PIN, nors niekur nesijungiate: ką daryti ir ko netvirtinti
5Duomenų centras toli, tarša – šalia: MIT įvertino paslėptą elektros kainą sveikatai
NAUJAUSI
Taip pat skaitykite
Atrinkome panašius straipsnius, kurie gali jums patikti.