OpenAI ha annunciato il lancio di GPT-Live, un insieme di nuovi modelli vocali che ridisegna in modo fondamentale come si parla con ChatGPT. La società ha sostituito la sua avanzata modalità vocale con una struttura progettata per ascoltare e parlare simultaneamente, avvicinandosi sempre di più alla naturale fluidità di una conversazione tra persone.
I nuovi modelli GPT-Live
I due modelli rilasciati oggi sono GPT-Live-1 e GPT-Live-1 mini, disponibili globalmente da oggi su iOS, Android e ChatGPT.com. GPT-Live-1 diventa il modello vocale predefinito per gli utenti paganti delle fasce Go, Plus e Pro, mentre GPT-Live-1 mini è destinato agli utenti gratuiti. OpenAI ha anche dichiarato di voler portare i modelli sull'API e ha invitato gli sviluppatori a iscriversi per ulteriori notizie.
Questo rilascio costituisce la terza generazione della tecnologia vocale di ChatGPT in circa due anni. È il più chiaro sforzo di OpenAI per trasformare il proprio chatbot in qualcosa che sembra meno una query di ricerca e sempre più un conversatore reale.
La rivoluzione del full-duplex nella voce AI
Il principale avanzamento tecnico introdotto da GPT-Live è ciò che OpenAI denomina "architettura full-duplex”. In telecomunicazioni, full-duplex significa che due parti possono parlare e ascoltare allo stesso tempo. Applicato ad un sistema AI, ciò rende il modello in grado di processare l'audio in arrivo mentre genera una risposta vocale in tempo reale — non più necessario attendere un periodo di silenzio per capire quando l'utente ha finito una frase.
“Invece di elaborare un messaggio dopo l'altro, GPT-Live elabora in modo continuo l'input mentre genera l'output”, ha spiegato in un post sul blog di ricerca OpenAI. “Il modello è quindi in grado di prendere decisioni sull'interazione molte volte al secondo: parlare, continuare ad ascoltare, interrompere, interrompere con forza o utilizzare un'unità esterna.”
Che differenza fa in pratica?
In concreto, questa tecnologia permette ad un assistente vocale di inserire conferme conversazionali, come “mhmm”, “sì”, “ci sono” — mentre l’utente sta ancora parlando, cogliere una pausa naturale senza anticipare, e gestire interruzioni rapide senza sviare l’intera conversazione.
Il vecchio Advanced Voice Mode, lanciato agli utenti paganti a settembre 2024, elaborava e generava audio in un unico modello ma operava comunque su scambi di turno rigidi. OpenAI ha riconosciuto esplicitamente che “in quanto il rilevamento del turno è basato sul silenzio, anche una breve pausa o del rumore di fondo potrebbe essere scambiato per la fine del turno — causando al modello di interrompere in momenti innaturali.”
Questa fragilità generava un prodotto che, benché impressionante nei demo, poteva essere frustrante da utilizzare in contesti reali. Alcuni utenti descrivevano l'esperienza, come ha fatto un ricercatore su X poco dopo il lancio, come “un turn-taking come se si usasse un walkie-talkie.” GPT-Live è pensato per porre fine a questa era.
Divisione architetturale di voce e intelligenza
GPT-Live introduce una seconda modifica strutturale potenzialmente più rilevante per l’adozione nelle aziende: separare la voce e l’intelligenza in due strati distinti.
Quando un utente chiede una domanda semplice, GPT-Live lo gestisce direttamente. Ma quando la richiesta richiede una ricerca su internet, un ragionamento più approfondito o compiti complessi, GPT-Live delega il lavoro a un modello avanzato in esecuzione in background — all’esordio era GPT-5.5, il modello linguistico rilasciato da OpenAI nel mese di Aprile — mantenendo comunque la conversazione con l’utente in modo fluido.
“Mentre lavora, GPT-Live può continuare a parlare con voi e mantenere il ritmo della conversazione,” spiega OpenAI. “Al rilascio dei nuovi modelli avanzati, continueremo ad aggiornare il modello usato da GPT-Live.”
Il significato dell’architettura separata
Questa delega è una scommessa architetturale significativa. Invece di costruire un modello monolitico che tenta di essere sia fluido in conversazione sia profondo in intelligenza, OpenAI ha diviso il problema in due parti: un modello vocale ottimizzato per interazioni in tempo reale, e un motore di ragionamento separato che può essere aggiornato man mano che migliora la tecnologia.
Un approccio modulare del genere permette ad OpenAI di migliorare l'intelligenza assistente vocale senza rieducare il modello stessa. Le implicazioni per il lavoro aziendale e lo sviluppo sono significative. Un'agente vocale costruito su questa architettura può mantenere una conversazione naturale con un cliente mentre cerca in database, esegue ricerche di rete o completa operazioni di più passaggi — operazioni che prima avrebbero significato un silenzio prolungato in attesa del risultato.
Le generazioni di ChatGPT vocali, da meccanico a fluido
Per apprezzare quanto è cresciuta la tecnologia voce AI negli anni, è utile tracciare le tre generazioni che hanno portato a GPT-Live.
1. ChatGPT Voice
Originale ChatGPT Voice, lanciato nel 2023, utilizzava un'architettura a cascata — un modello di riconoscimento vocale (Whisper) trascriveva quanto diceva l’utente, un modello linguistico (GPT-4) generava una risposta in testo, e un modello testo-vocale convertiva il tutto in audio. Ogni passaggio aggiungeva latenza e potenzialmente perdeva informazioni.
2. Advanced Voice Mode
L'Advanced Voice Mode, iniziato nel luglio 2024 con i paganti e ampliato a settembre dello stesso anno, univa in un unico modello la gestione audio, migliorando l'accuratezza e il flusso conversazionale. L'esperienza fu lanciata in web nel novembre 2024, ma non risolse completamente il problema della rigidità a turni — un limite che OpenAI riconosceva esplicitamente.
3. GPT-Live
GPT-Live non solo risolve questi problemi, ma introduce inoltre la possibilità di un ascolto e risposta fluidi, con il potenziale di delegare al secondo piano compiti complessi.
La controversia di Scarlett Johansson
Il lancio di Advanced Voice Mode seguì da poco un incidente che ha pesantemente colpito l'immagine di OpenAI. All'inizio del rilascio di GPT-4o a Maggio 2024, un'esperienza vocale denominata “Sky” suscitò immediata opposizione per la sua somiglianza con la voce di Scarlett