Το κείμενο (text) είναι μόνο η αρχή για την OpenAI. Η εταιρεία εκτιμά ότι στο άμεσο μέλλον η φωνή θα αποτελέσει την κύρια διεπαφή (interface) για την αλληλεπίδραση με τους υπολογιστές, ιδίως για τη διαχείριση πολύπλοκων εργασιών (agentic work).
Σε αντίθεση με την προηγούμενη γενιά που χρησιμοποιούσε τρία διαφορετικά μοντέλα (ένα για την απομαγνητοφώνηση, ένα για την παραγωγή απάντησης και ένα για τη σύνθεση φωνής), τα νέα conversational models προσφέρουν μια native, ενιαία εμπειρία.
Αυτό πρακτικά σημαίνει ότι ο βοηθός του ChatGPT μπορεί πλέον να σωπαίνει, να ακούει προσεκτικά το context (πλαίσιο) της συζήτησης και να επεξεργάζεται τις πληροφορίες προτού κληθεί να απαντήσει. Ήδη, σε εσωτερικές δοκιμές, τα στελέχη της εταιρείας αναφέρουν αδιάλειπτες συνομιλίες διάρκειας 30 έως 40 λεπτών, αποδεικνύοντας τις αντοχές του συστήματος σε καθημερινά σενάρια χρήσης (π.χ. κατά τη διάρκεια ενός περιπάτου).
Οπτικές απαντήσεις και ο ανταγωνισμός που φουντώνει
Μια κρίσιμη καινοτομία είναι η ικανότητα του νέου voice mode, μέσω της πρόσβασής του σε νεότερα μοντέλα, να παρουσιάζει πληροφορίες και σε οπτική μορφή, καθιστώντας την εμπειρία διαδραστική (interactive).
Η κίνηση αυτή της OpenAI δεν γίνεται σε κενό αέρος. Οι ανταγωνιστές κινούνται επιθετικά:
- Η Apple και η Amazon αναβαθμίζουν συνεχώς τη Siri και την Alexa για να χειρίζονται καλύτερα το context των συζητήσεων.
Startups του οικοσυστήματος σηκώνουν σημαντικά κεφάλαια για αντίστοιχες λύσεις. Η Monogram άντλησε πρόσφατα 40 εκατ. δολάρια (Seed funding από DST και Lux Capital) εστιάζοντας σε οπτικές (visual) αποκρίσεις, ενώ η Sesame (από τον συνιδρυτή της Oculus, Brendan Iribe) λανσάρει assistants με έμφαση στη φυσικότητα της φωνής.
Παράλληλα, φουντώνουν οι φήμες που θέλουν την OpenAI να ετοιμάζει την είσοδό της στο hardware (AI earbuds) μέσα στη χρονιά, αν και η εταιρεία απέφυγε να σχολιάσει το θέμα.
Δεν είναι “AI Companion” – Προκλήσεις και Ασφάλεια
Παρά το άλμα στη φυσικότητα, η OpenAI ξεκαθάρισε ότι στόχος της δεν είναι να δημιουργήσει έναν «ψηφιακό σύντροφο» (AI companion). Για τον λόγο αυτό, έχουν ενσωματωθεί ισχυρές δικλείδες ασφαλείας, ειδικά παραμετροποιημένες για να προσφέρουν κατάλληλες απαντήσεις σε εφήβους και να διαχειρίζονται με ευαισθησία (και παραπομπή σε πηγές βοήθειας) θέματα όπως ο αυτοτραυματισμός.
Φυσικά, η τεχνολογία έχει ακόμα «παιδικές ασθένειες». Κατά τη διάρκεια της παρουσίασης, δοκιμάστηκε η λειτουργία ζωντανής μετάφρασης στα Χίντι. Το αποτέλεσμα, σύμφωνα με τους παρευρισκόμενους, περιείχε βαριά αμερικανική προφορά και ένα αφύσικο, σχεδόν «ξύλινο» (bookish) τόνο.
Η OpenAI αρκέστηκε να δηλώσει πως το σύστημα βελτιστοποιείται για τις «περισσότερο ομιλούμενες γλώσσες», αφήνοντας περιθώρια για μελλοντικά updates που θα εξομαλύνουν την πολυπολιτισμική του απόδοση.
