OpenAI prezentuje model głosowy GPT-Live-1, który nie przerywa użytkownikom

OpenAI udostępnia model głosowy GPT-Live-1, który potrafi jednocześnie słuchać i mówić

OpenAI uruchomiło 8 lipca 2026 r. modele GPT-Live-1 i jego lżejszy odpowiednik GPT-Live-1 mini, zastępując dotychczasowy tryb Advanced Voice Mode w ChatGPT architekturą określaną jako pełnodupleksowa, która pozwala asystentowi słuchać i mówić jednocześnie, zamiast czekać, aż użytkownik skończy mówić. The Verge, TechCrunch, ZDNet, Times of India i CNBC wszystkie podały informację o premierze tego samego dnia, powołując się na briefing prasowy OpenAI zorganizowany przed wdrożeniem.

Według The Verge i TechCrunch kierownik ds. badań w OpenAI Kundan Kumar nazwał GPT-Live-1 „najinteligentniejszym modelem głosowym” firmy do tej pory, a szef produktu Atty Eleti opisał technologię jako model, który potrafi „przetwarzać strumień danych wejściowych i jednocześnie nieprzerwanie generować strumień danych wyjściowych”. W relacji The Verge Eleti użył podczas briefingu sformułowania „To jest model pełnodupleksowy”; TechCrunch podał to samo wyjaśnienie. OpenAI przedstawiło tę zmianę jako przejście od zestawiania komponentów — modelu zamiany mowy na tekst, dużego modelu językowego i modelu zamiany tekstu na mowę — do jednego modelu strumieniowego.

Co dokładnie otrzymują użytkownicy

Użytkownicy płatnych planów Go, Plus i Pro otrzymają domyślnie pełny GPT-Live-1, podały Times of India i The Verge, natomiast użytkownicy darmowi otrzymają GPT-Live-1 mini. Oba modele są dostępne na iOS, Androidzie i ChatGPT.com. Według TechCrunch Eleti powiedział, że osobiście prowadził z nową funkcją głosową 30–40-minutowe rozmowy w trakcie spacerów. OpenAI podało, że model może reagować krótkimi wtrąceniami, takimi jak „mhmm” czy „tak”, robić pauzę, gdy użytkownik się zastanawia, i pozwalać na naturalne przerywanie mu. ZDNet napisał, że model powinien sprawić, iż ChatGPT Voice będzie „bardziej przypominał prawdziwą rozmowę”.

W przypadku trudniejszych zapytań GPT-Live-1 przekazuje je modelom tekstowym OpenAI — w tym GPT-5.5 — w celu wyszukiwania, rozumowania lub działania agentowego, przy czym rozmowa toczy się dalej, podały wszystkie cztery redakcje. The Verge dodał, że zmodernizowany model może uzupełniać głosowe odpowiedzi dotyczące pogody, giełdy i sportu o treści wizualne generowane przez AI. Times of India zaznaczył, że na razie uruchomienie nie obsługuje rozmów głosowych z wideo ani udostępnianiem ekranu — funkcje, które OpenAI zapowiedziało w przyszłej aktualizacji.

Wbudowane zabezpieczenia i demo tłumaczenia na żywo

The Verge i TechCrunch zwróciły uwagę na nowe funkcje bezpieczeństwa, wskazując, że GPT-Live-1 został wytrenowany tak, aby w rozmowach o samookaleczeniu oferować „zweryfikowane przez ekspertów wsparcie w postaci linii kryzysowych”, aby udzielać „odpowiednich do wieku” odpowiedzi nastolatkom oraz aby unikać naśladowania głosu prawdziwej osoby. OpenAI aktualnie broni się w serii pozwów zarzucających, że ChatGPT napędzał urojenia i szkodził zdrowiu psychicznemu użytkowników, napisał The Verge; artykuł bezpośrednio powiązał ten kontekst z nowymi zabezpieczeniami. Times of India podało, że system lepiej ignoruje też hałas w tle.

TechCrunch poinformował, że demo tłumaczenia na hindi podczas briefingu „miało silny amerykański akcent, a hindi, w którym mówiło, brzmiało nienaturalnie i miało nieco książkowy ton”. OpenAI powiedziało TechCrunchowi, że nowy tryb jest „zoptymalizowany pod kątem najczęściej używanych języków”, ale nie sprecyzowało podczas briefingu, o jakie języki chodzi.

Kontekst: jak premiera GPT-Live wpisuje się w lipcowe zawirowania modelowe

Premiera wpada w wyjątkowo intensywny okres dla amerykańskich laboratoriów AI. CNBC podał, że tego samego dnia, w którym OpenAI zaprezentowało GPT-Live, ogłosiło również publiczne udostępnienie modeli GPT-5.6 Sol, Terra i Luna — około dwa tygodnie po ograniczeniu pierwotnego wdrożenia do „małej grupy zaufanych partnerów” na prośbę rządu USA. Prezes Sam Altman napisał na X późnym wtorkiem „Happy building”, podał CNBC. Blog OpenAI opisał GPT-5.6 Sol jako „najpotężniejszy model do tej pory”, silniejszy w kodowaniu, biologii i cyberbezpieczeństwie.

Dzieje się to w kontekście rozporządzenia wykonawczego administracji Trumpa podpisanego w czerwcu, w którym zwraca się do deweloperów o dobrowolne udostępnianie najnowocześniejszych modeli rządowi do oceny przedpremierowej i daje agencjom 60 dni na opracowanie procesu oceny, podał CNBC. OpenAI powiedziało w czerwcu, że „współpracuje z rządem” nad tymi ramami. Modele Claude Fable 5 i Mythos 5 firmy Anthropic zostały wycofane na zalecenie rządu wcześniej w tym cyklu, a następnie częściowo przywrócone, a Departament Handlu zniósł 30 czerwca ograniczenia eksportowe na oba z nich, według trackera modeli ZDNet. OpenAI cytowane we własnym komunikacji: „Nie uważamy, aby tego rodzaju proces rządowego dostępu powinien stać się długoterminowym standardem”.

Gdzie linie relacji się pokrywają — a gdzie się rozchodzą

W pięciu redakcjach, które przejrzano, opis techniczny jest spójny: GPT-Live-1 jest pełnodupleksowy, zastępuje trzystopniowy potok i kieruje cięższe rozumowanie do GPT-5.5. The Verge i TechCrunch przytoczyły wypowiedzi szefa produktu OpenAI Atty’ego Eletiego z briefingu prasowego; ZDNet nie cytował bezpośrednio przedstawicieli firmy, ale parafrazował notatki z wydania OpenAI.

Redakcje różnią się akcentem, a nie treścią. TechCrunch wysuwa na pierwszy plan krajobraz konkurencji, wymieniając Apple, Amazon oraz startupy takie jak Sesame (założone przez współtwórcę Oculusa Brendana Iribe’a i Ankita Kumara) i Monogram (runda seedowa 40 mln USD od DST i Lux Capital) jako rywali goniących bardziej ekspresyjne asystenty. The Verge skupia się bardziej na wątku „zamykania się” — czyli na tym, że model jest zaprojektowany tak, aby rzadziej ci przerywać. ZDNet ujmuje GPT-Live-1 jako ulepszenie doświadczenia użytkownika, pozwalające czytelnikom porównywać go z niedawno wdrożonym Apple Siri AI.

Jedna luka faktyczna: tracker modeli ZDNet dla GPT-Live-1 został dodany do szerszego artykułu obejmującego także zmiany w dostępie do modeli Anthropic Sonnet 5 i Claude Fable 5, więc szczegóły dotyczące GPT-Live-1 są krótsze i mniej bogate w cytaty niż dedykowane materiały TechCrunch i The Verge. Relacja Reutersa istnieje (adres URL pojawia się w liście źródeł), ale w momencie pisania była niedostępna; czytelnicy powinni spodziewać się, że Reuters doda niezależne potwierdzenie danych OpenAI, gdy będzie dostępna.

Dlaczego to ma większe znaczenie niż rutynowa premiera modelu

Wyodrębniają się trzy konkretne kwestie. Po pierwsze, skala: TechCrunch, powołując się na OpenAI, podał, że „ponad 150 milionów ludzi” rozmawia już z ChatGPT przez Voice i Dictation. To sprawia, że regresje — i ulepszenia — trybu głosowego są widoczne dla znacznie większej bazy użytkowników niż zmiany w trybie czysto tekstowym. Po drugie, pozycjonowanie konkurencyjne: asystenci głosowi Apple, Amazon i kilku startupów gonią ten sam cel — „brzmieć jak człowiek” — a GPT-Live-1 to kontruderzenie OpenAI na funkcję, z której promuje się Siri AI. Po trzecie, ekspozycja prawna: The Verge wskazał na toczące się pozwy OpenAI dotyczące rzekomych szkód dla zdrowia psychicznego, a zabezpieczenia wprowadzone w GPT-Live-1 są po części czytane jako przygotowanie do otoczenia prawnego, a nie wyłącznie jako historia o jakości modelu.

Sformułowanie ZDNet — „węższa aktualizacja niż zupełnie nowy, wysoce kompetentny model ogólnego przeznaczenia” — oddaje odczyt analityków. Jakość głosu to nie to samo co surowa inteligencja, a nowy model wciąż musi opierać się na GPT-5.5 w poważniejszych zadaniach.

Porównania i skala

Wcześniejszy tryb Advanced Voice Mode OpenAI opierał się na trzech modelach pracujących sekwencyjnie; GPT-Live-1 zwija to w jeden pełnodupleksowy system. TechCrunch podał benchmark 30–40-minutowej ciągłej rozmowy od Eletiego, który stanowi użyteczny punkt odniesienia dla „skali”: wcześniejsze sesje głosowe ChatGPT zwykle załamywały się dużo wcześniej, częściowo z powodu opóźnień dodawanych przez etapy zamiany mowy na tekst i tekstu na mowę. W porównaniu z konkurentami Apple, Amazon i Sesame publicznie pracują nad tym samym problemem dupleksowej naprzemienności; ruch OpenAI nie zmienia lidera, ale przybliża do siebie całą stawkę. Strategia głosowa Anthropic nie została omówiona w żadnym z cytowanych doniesień z tego dnia i pozostaje tu niepotwierdzona.

Kto wygrywa, kto traci

Wygrani: płacący subskrybenci ChatGPT w planach Go, Plus i Pro, którzy otrzymają GPT-Live-1 jako pierwsi; użytkownicy telefonów chcący prowadzić dłuższe sesje bez użycia rąk; oraz pozycjonowanie OpenAI względem Apple i Amazon w obszarze głosu. Przegrani, a przynajmniej punkty nacisku: mniejsze startupy z zakresu voice AI, których wyróżnienie właśnie się zawęziło; zespoły ds. bezpieczeństwa i zaufania OpenAI, które muszą teraz bronić modelu wchodzącego w bardziej intymną interakcję z użytkownikami w czasie, gdy firma mierzy się z pozwami dotyczącymi zdrowia psychicznego; oraz rządy oceniające, jak powinien wyglądać przegląd przedpremierowy modeli głosowych, ponieważ interakcje głosowe tworzą potencjalnie inny profil ryzyka niż tekstowe.

Co obserwować dalej

Konkretne kamienie milowe do śledzenia: zapowiedziane przez OpenAI dodanie wideo i udostępniania ekranu do GPT-Live (Times of India podał, że jest planowane w przyszłej aktualizacji); ewentualne wprowadzenie na rynek słuchawek AI marki OpenAI w 2026 r., o czym TechCrunch wspomniał, że było raportowane, ale niepotwierdzone podczas briefingu; zegar 60-dniowego procesu oceny uruchomiony czerwcowym rozporządzeniem wykonawczym administracji Trumpa; oraz przebieg pozwów, do których odwołał się The Verge. Warto też obserwować, czy zmiany w dostępie do Sonnet 5, Claude Fable 5 i publiczne udostępnienie GPT-5.6 będą dalej podtrzymywać wzorzec „premiera modelu co kilka dni”, co samo w sobie zmieni to, jak doniosła staje się każda pojedyncza premiera modelu. Gdy będzie dostępna, depesza Reutersa powinna stanowić punkt odniesienia do krzyżowej weryfikacji cytowanych tu amerykańskich doniesień technologicznych.