OpenAI เพิ่งเปิดตัว GPT-Live โมเดลเสียงรุ่นใหม่ที่ออกแบบให้ฟังและพูดได้พร้อมกัน และตอนนี้ทำงานอยู่เบื้องหลัง ChatGPT Voice โหมดที่ให้เราคุยกับ ChatGPT ด้วยเสียงแทนการพิมพ์

สิ่งที่รู้สึกได้ทันทีคือจังหวะการคุยที่เป็นธรรมชาติขึ้น ระหว่างที่เรากำลังพูด GPT-Live ส่งเสียงตอบรับอย่าง "อืมม" หรือ "โอเค" ได้ เหมือนคนที่ตั้งใจฟัง ถ้าเราหยุดคิดกลางประโยค มันจะรอ ไม่รีบพูดแทรก และถ้าเราอยากขัดขึ้นมาเพื่อถามอะไรเพิ่ม ก็ขัดได้เลยโดยไม่ต้องรอให้มันพูดจบ

ตัวเลขที่ทำให้เรื่องนี้น่าสนใจคือ มีคนใช้ฟีเจอร์เสียงและการพิมพ์ด้วยเสียงของ ChatGPT มากกว่า 150 ล้านคนต่อสัปดาห์ และ GPT-Live ก็เริ่มเปิดให้ผู้ใช้ทั่วโลกใช้งานแล้ววันนี้ ทั้งบน iOS, Android และ ChatGPT.com

ทำไมโหมดเสียงเดิมถึงฟังดูแข็งๆ

เบื้องหลังโหมดเสียงยุคแรกของ ChatGPT คือการต่อโมเดลสามตัวเข้าด้วยกันในแต่ละครั้งที่คุย ตัวแรกแปลงเสียงพูดเป็นข้อความ (speech-to-text) ตัวกลางเป็นโมเดลภาษาที่คิดคำตอบ แล้วตัวสุดท้ายแปลงข้อความกลับเป็นเสียง (text-to-speech) ปัญหาคือข้อมูลบางอย่างหายไประหว่างการส่งต่อจากโมเดลหนึ่งไปอีกโมเดลหนึ่ง และกว่าจะได้คำตอบก็ช้าและฟังดูไม่เป็นธรรมชาติ

ต่อมา OpenAI ย้ายมาใช้โมเดลเสียงแบบรับส่งทีละรอบ (turn-based) อย่างที่เห็นใน Advanced Voice Mode โหมดเสียงขั้นสูงเดิมที่สร้างบน GPT-4o (โมเดลรุ่นก่อน) คราวนี้โมเดลตัวเดียวรับเสียงเข้าและสร้างเสียงออกได้เลย จึงเร็วขึ้นและลื่นขึ้น แต่ยังทำงานเป็นรอบๆ อยู่ดี คือมันต้องรอให้เราพูดจบก่อนถึงจะตอบ

ปัญหาคือเมื่อใช้ความเงียบเป็นสัญญาณว่าเราพูดจบ โมเดลจะเดาผิดได้ง่าย เพราะถ้าเราหยุดเพื่อคิดกลางประโยค หรือมีเสียงรบกวนรอบข้าง โมเดลอาจเข้าใจว่าเราพูดจบแล้วรีบพูดแทรกในจังหวะที่ไม่ควร บทสนทนาเลยสะดุดโดยไม่จำเป็น

ฟังและพูดพร้อมกัน คือหัวใจของ GPT-Live

GPT-Live เปลี่ยนวิธีทำงานตรงนี้ด้วยสถาปัตยกรรมแบบสองทางพร้อมกัน (full-duplex) แปลว่ามันประมวลผลเสียงที่รับเข้ามาอย่างต่อเนื่องไปพร้อมๆ กับที่กำลังสร้างเสียงพูดออกไป ไม่ต้องรอให้จบเป็นรอบๆ อีกต่อไป

ผลคือ GPT-Live ตัดสินใจได้หลายครั้งต่อวินาทีว่าตอนนี้ควรพูด ควรฟังต่อ ควรหยุด ควรพูดแทรก หรือควรเรียกใช้เครื่องมือบางอย่าง เหมือนคนที่จับจังหวะบทสนทนาได้

ความสามารถด้านการฟังก็ดีขึ้นชัดเจน ถ้าเราหยุดเพื่อคิด มันจะรอแทนที่จะพูดแทรก ถ้าเราบอกให้เงียบแล้วฟังเฉยๆ มันก็ทำได้ และมันกรองเสียงรบกวนอย่างเสียงรถหรือเสียงคนคุยกันข้างๆ ได้ดีขึ้น แทนที่จะไขว้เขวไปกับเสียงพวกนั้น

ระหว่างคุย ChatGPT Voice ยังแสดงการ์ดภาพประกอบขึ้นมาได้ด้วย เช่น สภาพอากาศ ราคาหุ้น ผลกีฬา หรือแผนที่ และยังค้นเว็บ ใช้ความจำ ส่งรูป และอัปโหลดไฟล์ได้เหมือนเดิม

เก่งขึ้นได้โดยไม่ทำให้บทสนทนาสะดุด

คำถามที่ตามมาคือ ถ้า GPT-Live ต้องคุยให้ลื่นตลอดเวลา แล้วงานที่ต้องใช้เหตุผลหนัก ๆ จะทำได้ดีแค่ไหน OpenAI แก้ด้วยการแยกงานออกเป็นสองส่วน ส่วนที่คุยกับเราตลอดเวลาจะเน้นงานเบาและตอบเร็ว ส่วนงานที่ต้องคิดซับซ้อนจะส่งต่อให้โมเดลอีกตัวทำ

เวลาเจองานหนักอย่างการค้นข้อมูลบนเว็บ การวิเคราะห์ที่ซับซ้อน หรืองานแบบ agent ที่ต้องทำหลายขั้นตอนเอง GPT-Live จะส่งงานนั้นไปให้โมเดลเรือธงรุ่นล่าสุดของ OpenAI ทำอยู่เบื้องหลัง (ตอนเปิดตัวคือ GPT-5.5) ระหว่างที่รอผลลัพธ์ มันก็คุยกับเราต่อไปเรื่อย ๆ ไม่ปล่อยให้เงียบ พอโมเดลเบื้องหลังทำเสร็จ ก็เอาคำตอบมาต่อได้เลย และเมื่อ OpenAI ออกโมเดลเรือธงรุ่นใหม่ในอนาคต โมเดลเบื้องหลังตัวนี้ก็จะอัปเดตตามไปด้วย

ใน ChatGPT Voice ยังเลือกระดับการคิดได้สามระดับ คือ Instant ที่ตอบไว, Medium และ High ที่ยอมใช้เวลาคิดนานขึ้นเพื่อให้ได้คำตอบที่ลงลึกกว่า

ฝั่งผลทดสอบ GPT-Live-1 ทำคะแนนเหนือกว่า Advanced Voice Mode ในหลายด้าน ทั้ง GPQA (การให้เหตุผลทางวิทยาศาสตร์ระดับผู้เชี่ยวชาญ ครอบคลุมชีววิทยา เคมี ฟิสิกส์), BrowseComp (การค้นหาข้อมูลบนเว็บที่หาได้ยาก) และแบบทดสอบภายในที่จำลองงานบริการลูกค้าสายโทรคมนาคมแบบคุยหลายรอบ ที่น่าสนใจคือ เมื่อได้คุยจริงกับคนนาน 5-10 นาที ผู้ร่วมทดสอบเห็นว่าทั้ง GPT-Live-1 และ GPT-Live-1 mini ดีกว่าอย่างชัดเจน ทั้งเรื่องการสลับกันพูด การพูดแทรก ความลื่นไหล และความเป็นธรรมชาติ

ได้ใช้จริงวันนี้ กับสิ่งที่ยังทำไม่ได้

ตอนนี้ GPT-Live ออกมาสองเวอร์ชัน GPT-Live-1 เป็นตัวหลักที่แรงกว่า ตั้งเป็นค่าเริ่มต้นให้ผู้ใช้แพลน Go, Plus และ Pro ส่วน GPT-Live-1 mini เป็นตัวเล็กที่เบากว่า ตั้งเป็นค่าเริ่มต้นให้ผู้ใช้ฟรี จุดดีคือไม่ต้องเลือกเอง ระบบจัดให้ตามแพลนที่ใช้อยู่

การเริ่มใช้ก็ง่ายมาก เปิดแอป ChatGPT แล้วแตะที่โหมดเสียง เท่านี้ก็ได้คุยกับ GPT-Live แล้ว เพราะมันกลายเป็นโมเดลเริ่มต้นของ ChatGPT Voice ไปเรียบร้อย OpenAI ยังปรับเสียงทั้งเก้าแบบที่มีให้เลือกใหม่ ให้ฟังดีขึ้นสำหรับ GPT-Live โดยเฉพาะ

ด้านความปลอดภัย GPT-Live ผ่านการฝึกมาเฉพาะสำหรับเสียง มีระบบป้องกันที่ทำงานได้ระหว่างคุย เช่น ให้คำตอบที่ปลอดภัยกว่า แนะนำแหล่งขอความช่วยเหลือ หรือหยุดบทสนทนาเมื่อเสี่ยงสูง มีการป้องกันเพิ่มเติมสำหรับผู้ใช้วัยรุ่น เพื่อให้การโต้ตอบเหมาะกับวัย ผู้ปกครองอนุญาตหรือปิดการใช้เสียงได้ผ่าน Parental Controls และที่สำคัญ GPT-Live สร้างมาเพื่อการสนทนาเท่านั้น ไม่ได้สร้างมาเพื่อเลียนเสียงคน มันใช้ชุดเสียงที่กำหนดไว้ตายตัว พร้อมระบบป้องกันไม่ให้เลียนเสียงคนจริง

ปีที่ผ่านมา AI ด้านเสียงส่วนใหญ่พัฒนาไปในทิศทางเดียวกัน คือทำให้ตอบเก่งขึ้นและเสียงเป็นธรรมชาติขึ้น แต่ GPT-Live วางโจทย์ไว้ตรงจุดที่ยากกว่า ไม่ใช่แค่คำตอบ เพราะบทสนทนาที่ดีไม่ได้วัดกันที่ว่าตอบเก่งแค่ไหน แต่วัดกันที่จังหวะ การรู้ว่าเมื่อไรควรพูด และเมื่อไรควรเงียบ

---

ที่มา: บทความ Introducing GPT-Live จาก OpenAI