OpenAI начала развёртывание расширенного голосового режима для GPT-4o — функции, которую анонсировали в мае 2024 года на презентации Spring Update. Сейчас доступ к ней получают пользователи ChatGPT Plus и Team в приложениях на iOS и Android. В отличие от прежнего голосового интерфейса, новая версия работает не как конвейер «речь → текст → ответ → речь», а как сквозной аудиодиалог с задержкой менее 300 миллисекунд. Это ключевое изменение: модель обрабатывает аудиопоток напрямую, без промежуточной транскрипции, что позволяет улавливать интонацию, темп, паузы и фоновые шумы.
Как работает сквозной аудиоканал
Главное техническое новшество — отказ от цепочки преобразований. Раньше голосовой ввод превращался в текст, затем GPT-4 генерировал текстовый ответ, который синтезировался в речь. Теперь GPT-4o получает аудиосигнал напрямую и выводит аудио без промежуточных этапов. Это радикально снижает задержку: с 1–2 секунд до менее 300 мс. Пользователь может перебить ассистента в любой момент, и тот скорректирует ответ на лету. Система поддерживает пять голосов с разной эмоциональной окраской: от нейтрального до восторженного или шёпота.
Два режима работы: автоматический и ручной
Режим доступен в двух вариантах, каждый со своими сценариями использования. В автоматическом режиме ИИ сам определяет, когда начинать и заканчивать реплику, анализируя паузы и интонацию. Это удобно для естественного диалога, но может давать сбои при фоновом шуме. Ручной режим требует нажатия кнопки для своей очереди — он предпочтителен в общественных местах или при плохом соединении. В сообществе OpenAI уже появились отчёты: модель может имитировать акценты, менять тон по просьбе и даже петь. Однако компания предупреждает, что оптимальная длина реплики — до 30 секунд; длительные монологи могут привести к потере контекста.
Сравнение старого и нового голосового режима
Для наглядности приведём ключевые отличия в таблице:
| Параметр | Старый голосовой режим (GPT-4) | Новый голосовой режим (GPT-4o) |
|---|---|---|
| Обработка речи | Речь → текст → ответ → синтез | Сквозной аудиоканал |
| Задержка | 1–2 секунды | Менее 300 мс |
| Эмоции | Отсутствуют | Поддерживаются (5 тональностей) |
| Прерывание | Невозможно | Разрешено в любой момент |
| Функция «подумать вслух» | Нет | Есть (модель может размышлять с паузами) |
Эта таблица показывает, что нововведение — не просто косметическое улучшение, а фундаментальный сдвиг в архитектуре. Однако переход не лишён недостатков.
Ограничения, которые стоит знать
Несмотря на впечатляющую демонстрацию, у режима есть несколько заметных ограничений. Во-первых, он пока не поддерживает видеоанализ в реальном времени — камера работает только для статичных снимков. Во-вторых, голосовой режим не работает в веб-версии ChatGPT и доступен исключительно в мобильных приложениях. В-третьих, OpenAI ввела фильтры: модель отказывается имитировать голоса конкретных людей и не может генерировать звуки за пределами речи. На форумах разработчиков отмечено, что в некоторых сценариях — например, при быстром диалоге на неродном языке — модель может «зависать» или повторять последние слова собеседника. Компания называет это ожидаемым поведением на этапе бета-теста.
Кому это пригодится на практике
Практическая ценность новой функции раскрывается в нескольких сценариях. Переводчики и преподаватели языков получают инструмент для отработки произношения с обратной связью по интонации. Разработчики голосовых интерфейсов могут тестировать диалоговые сценарии без дополнительных TTS-движков. Для пользователей с нарушениями зрения возможность голосового управления с естественным диалогом снижает когнитивную нагрузку. Кроме того, режим полезен для быстрых заметок — можно продиктовать мысль, не отвлекаясь на набор текста.
Как проверить наличие обновления
Функция развёртывается постепенно. Если у вас активная подписка ChatGPT Plus или Team, обновите приложение до последней версии в App Store или Google Play. Затем откройте настройки и выберите пункт «Advanced Voice Mode» (или «Расширенный голосовой режим» в русскоязычной локализации). После активации в интерфейсе появится новая волновая иконка, заменяющая старую кнопку микрофона. На данный момент режим работает только на английском языке. Поддержка других языков, включая русский, заявлена как «в разработке» без конкретных сроков.
Что дальше и как помочь улучшить
OpenAI продолжает собирать обратную связь через каналы community.openai.com. Ожидается, что следующие обновления коснутся работы с несколькими языками, улучшенного распознавания фонового шума и расширения списка доступных голосов. Разработчики сторонних приложений пока не получили API-доступа к сквозному аудиоканалу — он остаётся эксклюзивной функцией официального клиента ChatGPT. Если вы тестируете новый режим, полезно фиксировать нестандартное поведение и отправлять отчёты в официальный трекер — это напрямую влияет на приоритет исправлений. На данный момент это одна из самых значительных эволюций голосовых интерфейсов среди коммерческих LLM, но окончательные выводы можно будет делать только после стабильного релиза и независимого тестирования.