OpenAI เปิดตัว GPT-Live และ GPT-Live-1 mini: โมเดลเสียง Full-Duplex ที่ผสานพลังการใช้เหตุผลจาก GPT-5.5

วันนี้ OpenAI ได้เปิดตัว GPT-Live โมเดลเสียงรุ่นล่าสุดที่จะเข้ามาขับเคลื่อนประสบการณ์การใช้งาน ChatGPT Voice โดยมีเป้าหมายเพื่อสร้างการสนทนากับ AI ที่เป็นธรรมชาติและตอบโต้ได้แบบ Real-time ซึ่งเริ่มปล่อยออกมา 2 เวอร์ชันแรกคือ:

GPT-Live-1 และ

GPT-Live-1 mini โดยขณะนี้ผู้ใช้งาน ChatGPT ทั่วโลกสามารถเริ่มใช้งานได้ทันที

TL;DR

GPT-Live คือตระกูลโมเดลเสียงแบบ Full-duplex ที่สามารถฟังและพูดได้ในเวลาเดียวกัน
มีระบบส่งต่องาน (Delegation) ด้านการค้นหาและการใช้เหตุผลไปยัง GPT-5.5 ขณะที่ยังดำเนินบทสนทนาต่อไปได้
จากการทดสอบกับมนุษย์ GPT-Live-1 และ mini ได้รับคะแนนความพึงพอใจสูงกว่า Advanced Voice Mode อย่างมาก
เปิดให้ผู้ใช้ ChatGPT ทั่วโลกใช้งานแล้ววันนี้ ส่วนเวอร์ชัน API มีแผนจะตามมาในเร็วๆ นี้
ฟีเจอร์วิดีโอ การแชร์หน้าจอ และความเท่าเทียมด้านพหุภาษา (Multilingual Parity) ยังไม่พร้อมใช้งานในช่วงเปิดตัว

GPT-Live คืออะไร?

GPT-Live ถูกสร้างขึ้นบน สถาปัตยกรรมแบบ Full-duplex ซึ่งหมายความว่าโมเดลสามารถฟังและพูดได้พร้อมกัน ในระหว่างสนทนา โมเดลสามารถส่งสัญญาณตอบรับสั้นๆ เช่น ‘mhmm’ หรือ ‘yeah’ ได้ทันที สามารถโต้ตอบรับส่งได้อย่างรวดเร็ว หรือนิ่งเงียบในขณะที่คุณกำลังใช้ความคิด สำหรับคำถามที่ต้องใช้การค้นหาข้อมูลจากเว็บ การใช้เหตุผลที่ลึกซึ้ง หรือภารกิจที่ซับซ้อน GPT-Live จะทำการส่งต่องาน (Delegate) ไปยังโมเดลระดับแนวหน้า (Frontier Model) อย่าง GPT-5.5 ที่ทำงานอยู่เบื้องหลัง และนำผลลัพธ์กลับมาแจ้งในการสนทนาเมื่อพร้อม โดยที่ GPT-Live จะยังคงรักษาความต่อเนื่องของบทสนทนาไว้ได้ตลอดเวลา

ทำไมระบบเสียงแบบ Cascaded และ Turn-Based จึงยังไม่ดีพอ

ระบบเสียงรุ่นก่อนๆ แม้จะพยายามทำให้เป็นธรรมชาติแต่ยังมีข้อจำกัด โดย ระบบเสียงแบบ Cascaded จะเชื่อมต่อโมเดล 3 ตัวแยกกัน (Speech-to-text -> LLM -> Text-to-speech) ซึ่งทำให้ข้อมูลบางส่วนสูญหายระหว่างการส่งต่อ และส่งผลให้การตอบสนองล่าช้าดูไม่เป็นธรรมชาติ

ส่วน โมเดลเสียงแบบ Turn-based เช่น ChatGPT Advanced Voice Mode แม้จะประมวลผลเสียงภายในโมเดลเดียวช่วยให้ลื่นไหลขึ้น แต่ยังคงทำงานเป็นรอบๆ โดยรอให้ผู้ใช้หยุดพูดก่อน ระบบตรวจจับการพูด (Turn detection) ที่อิงตามความเงียบมักจะทำงานผิดพลาด หากผู้ใช้หยุดคิดเพียงครู่เดียวหรือมีเสียงรบกวน ระบบอาจเข้าใจผิดว่าพูดจบแล้วและแทรกขัดจังหวะทันที

มิติการวัด	Cascaded (ChatGPT Voice เดิม)	Turn-based (Advanced Voice Mode)	Full-duplex (GPT-Live)
ระบบประมวลผล	STT → LLM → TTS (3 โมเดล)	โมเดลเดี่ยวจัดการเรื่องเสียง	โมเดลเดี่ยว, ประมวลผลต่อเนื่อง
การจัดการจังหวะการพูด	แยกเป็นรอบๆ	แยกเป็นรอบๆ ตามความเงียบ	ต่อเนื่อง, ตัดสินใจหลายครั้งต่อวินาที
ฟังขณะพูด	ไม่ได้	ไม่ได้	ได้
การตอบรับ (“mhmm”)	ไม่มี	ไม่มี	มี
ความรู้สึกด้านความล่าช้า	ช้า, ดูฝืน, หยุดนาน	เร็วขึ้น แต่ยังดูแข็ง	เร็ว, เป็นธรรมชาติ, แสดงอารมณ์ได้
การจัดการการขัดจังหวะ	ไม่รองรับ	มักทำงานพลาดเมื่อมีเสียงรบกวน	หยุดและดำเนินต่อได้อย่างเป็นธรรมชาติ
งานที่ลึกซึ้งยิ่งขึ้น	ทำภายใน LLM	ทำภายในโมเดล	ส่งต่อไปยัง GPT-5.5 ในเบื้องหลัง

การเปลี่ยนแปลงทางสถาปัตยกรรม 2 ด้านหลัก

GPT-Live ก้าวข้ามข้อจำกัดเดิมด้วยนวัตกรรม 2 ประการ:

การปฏิสัมพันธ์ต่อเนื่องด้วย Full-duplex: โมเดลประมวลผลข้อมูลขาเข้าพร้อมกับสร้างคำตอบไปในเวลาเดียวกัน สามารถตัดสินใจเรื่องการปฏิสัมพันธ์ได้หลายครั้งต่อวินาที ไม่ว่าจะเป็นการเลือกพูด ฟังต่อ หยุด ขัดจังหวะ หรือเรียกใช้เครื่องมือภายนอก ช่วยให้จังหวะการสนทนาสมจริงและรองรับการแปลภาษาแบบสด (Live Translation)
ระบบส่งต่องานเพื่อการประมวลผลอัจฉริยะ: OpenAI แยกส่วนการสนทนาออกจากงานใช้เหตุผลที่หนักหน่วง เมื่อพบงานที่ต้องค้นหาข้อมูลหรือใช้ตรรกะระดับสูง GPT-Live จะส่งงานให้โมเดลอย่าง GPT-5.5 จัดการเบื้องหลัง ทำให้บทสนทนายังคงลื่นไหลไม่สะดุด และยังเอื้อให้สามารถอัปเกรดโมเดลเบื้องหลังเป็นรุ่นที่ใหม่กว่าได้ทันทีในอนาคต

ผลการประเมินจาก OpenAI

OpenAI ได้ใช้วิธีประเมินโดยมนุษย์ในด้านความพึงพอใจและความลื่นไหล ผลปรากฏว่า GPT-Live-1 และ GPT-Live-1 mini ได้รับความนิยมสูงกว่า Advanced Voice Mode อย่างเห็นได้ชัด ทั้งในด้านจังหวะการสลับกันพูด การจัดการเมื่อโดนขัดจังหวะ และความรู้สึกที่เป็นธรรมชาติ

ในการทดสอบมาตรฐาน (Benchmarks) GPT-Live-1 ให้ผลลัพธ์ที่ยอดเยี่ยม:

GPQA: โดดเด่นด้านการใช้เหตุผลทางวิทยาศาสตร์ระดับผู้เชี่ยวชาญ
BrowseComp: พัฒนาขึ้นอย่างมากในการค้นหาเว็บเชิงเอเยนต์ (Agentic Web Browsing)
τ³-Voice Telecom: ทำผลงานได้ดีเยี่ยมในภารกิจสนับสนุนทางเทคนิคแบบหลายขั้นตอน

ทีมงาน OpenAI ระบุว่า GPT-Live-1 (Instant) และ GPT-Live-1 mini จะทำงานร่วมกับ GPT-5.5 Instant ในเบื้องหลัง ส่วนรุ่น Medium และ High จะใช้ GPT-5.5 Thinking ที่เน้นการใช้เหตุผลในระดับที่ลึกขึ้นตามลำดับ

GPT-Live: เครื่องมือสืบค้นด้วยเสียงแบบ Full-Duplex

ตัวอย่างกรณีการใช้งาน

ผู้ช่วยแบบไร้สัมผัส: ถามสูตรอาหารหรือเส้นทางขณะทำกิจกรรมอื่น
ฝึกภาษา: สนทนาโต้ตอบพร้อมรับคำแนะนำด้านไวยากรณ์อย่างเป็นกันเอง
การแปลสด: แปลบทสนทนาได้ทันทีด้วยจังหวะเวลาแบบ Full-duplex
ค้นคว้าข้อมูลระหว่างเดินทาง: ถามคำถามยากๆ เพื่อให้ GPT-5.5 ค้นหาข้อมูลให้ในขณะที่คุณยังคุยอยู่
งานสนับสนุนลูกค้า: รองรับการแก้ปัญหาที่ซับซ้อนและต้องคุยโต้ตอบหลายขั้นตอน
Visual Data: แสดงการ์ดข้อมูลพยากรณ์อากาศ หุ้น หรือผลกีฬาประกอบการสนทนา

แนวคิดการทำงานของ Full-Duplex Loop เนื่องจากขณะนี้ยังไม่เปิดใช้งาน API นี่คือแบบจำลองขั้นตอนการตัดสินใจในรูปแบบ Python เพื่อให้เห็นภาพการทำงานของสถาปัตยกรรมนี้:

"""Illustrative simulation of the GPT-Live full-duplex decision loop.
Teaching model of the described architecture, NOT the real API."""
import random
random.seed(7)  # reproducible output
class BackgroundModel:                      # stands in for GPT-5.5
    def run(self, query):
        return f"answer to '{query}'"
class GPTLive:
    def __init__(self, background):
        self.background = background
        self.pending = None                 # a delegated task, if one is running
    def decide(self, user_speaking, needs_deep_work):
        # A real model makes this choice many times per second.
        if self.pending is not None:
            return "await_delegate"
        if needs_deep_work:
            return "delegate"
        if user_speaking:
            return random.choice(["listen", "backchannel"])
        return "speak"
    def step(self, frame):
        action = self.decide(frame["user_speaking"], frame["needs_deep_work"])
        if action == "delegate":
            self.pending = frame["query"]                 # hand off, keep talking
            return 'speak      -> "one sec, still with you"'
        if action == "await_delegate":
            result = self.background.run(self.pending)     # background result
            self.pending = None
            return f'speak      -> "{result}"'
        if action == "backchannel":
            return 'backchannel-> "mhmm" (while user talks)'
        if action == "listen":
            return "listen     -> (quiet, attending)"
        return "speak      -> (normal reply)"
# A short scripted stream of audio frames the loop consumes in order.
stream = [
    {"user_speaking": True,  "needs_deep_work": False, "query": None},
    {"user_speaking": True,  "needs_deep_work": False, "query": None},
    {"user_speaking": False, "needs_deep_work": True,  "query": "weather at 6pm"},
    {"user_speaking": False, "needs_deep_work": False, "query": None},  # result returns
    {"user_speaking": False, "needs_deep_work": False, "query": None},
]
live = GPTLive(BackgroundModel())
for i, frame in enumerate(stream):
    print(f"frame {i}: {live.step(frame)}")

เมื่อรันโค้ด ผลลัพธ์จะแสดงลูปการตัดสินใจในแต่ละเฟรมดังนี้:

frame 0: backchannel-> "mhmm" (while user talks)
frame 1: listen     -> (quiet, attending)
frame 2: speak      -> "one sec, still with you"
frame 3: speak      -> "answer to 'weather at 6pm'"
frame 4: speak      -> (normal reply)

ความเปลี่ยนแปลงใน ChatGPT Voice

ปัจจุบันมีผู้ใช้ ChatGPT Voice และระบบสั่งการด้วยเสียงมากกว่า 150 ล้านคนต่อสัปดาห์ การอัปเกรดเป็น GPT-Live ช่วยให้การคุยรองรับการขัดจังหวะ มีการตอบรับด้วยสัญญาณเสียง ‘mhmm’ หรือ ‘got it’ ที่ดูเป็นธรรมชาติขึ้น พร้อมปรับปรุงเสียงใหม่ทั้ง 9 เสียง ผู้ใช้สามารถเลือกระดับการประมวลผลได้ทั้ง Instant, Medium หรือ High นอกจากนี้ ระบบยังลดการแทรกระหว่างหยุดพูดช้าลงและกรองเสียงรบกวนได้ดีขึ้น พร้อมทั้งแสดงผลข้อมูลในรูปแบบการ์ดภาพสำหรับพยากรณ์อากาศและหุ้นได้แล้ว