В ближайшие недели в ChatGPT появятся новые функции, которые сделают взаимодействие с чат-ботом более интуитивным. Среди них — анонсированные ранее функции распознавания речи и изображений. Новые функции не только сделают ассистента более универсальным, но и позволят изменить динамику человеко-машинного взаимодействия.
Голосовые функции ChatGPT — это не просто функция преобразования текста в речь. Теперь пользователи могут вести с помощником диалог. Эта возможность реализована с помощью новой модели преобразования текста в речь, использующей Whisper, систему распознавания речи с открытым исходным кодом OpenAI. Для создания различных голосов OpenAI сотрудничал с профессиональными актерами, что дает пользователям возможность выбрать наиболее предпочтительный голос.
Еще одним интересным обновлением является возможность понимания изображений. Теперь пользователи могут делать снимки объектов или сцен и обсуждать их с ChatGPT. Эти модели, основанные на мультимодальных GPT-3.5 и GPT-4, применяют языковые рассуждения к широкому спектру изображений, таких как фотографии, скриншоты и документы, содержащие как текст, так и изображения.
Возможности применения этой технологии достаточно широки. Например, дома можно сфотографировать содержимое холодильника и кладовой и получить рекомендации по рецептам, либо сфотографировать какую-либо достопримечательность и узнать больше о ее истории или культурном значении.
OpenAI идет не в одиночку. Например, компания Spotify использует новую голосовую технологию для перевода подкастов на несколько языков с сохранением оригинального голоса автора. Первыми с новыми возможностями смогут познакомиться пользователи Plus и Enterprise, а вскоре планируется распространить их на разработчиков и другие группы пользователей.
В эпоху стремительного развития технологий новые возможности ChatGPT обещают стать более интуитивными и интересными. Время покажет, как эти новшества повлияют на наше взаимодействие с цифровыми помощниками, но ясно одно: будущее разговорного ИИ становится намного интереснее.
