Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

GPT-Live: A hang, amely egyszerre hallgat és beszél

6. lecke 12 közül Frissítve 2026. november 5. Középhaladó
Ezen az oldalon
  1. A hang három generációja
  2. Intelligencia a háttérben
  3. Elérhetőség az induláskor
  4. Mit változtat ez a te felhasználási eseteidben?
  5. Rajtad a sor
  6. Főbb megállapítások

Állapot: 2026. november 5. A GPT-Live 1 szeptember 10. óta érhető el az API-ban, percenként 0,05 dolláros hangmunkamenet-díjazással. Október 16-án (10. lecke) két francia hang, a Brise és a Sillage is csatlakozott. A ChatGPT-ben a Live opció most a GPT-Live-1.1 és a GPT-Live-1.1 Quip modelleken fut. Szeptember 9. óta a hang mód képes nehéz kérdéseket átruházni a GPT-5.6-ra vagy a GPT-6 Astrára.

  1. július 8-án az OpenAI bemutatta a GPT-Live-ot, a hangmodellek új generációját, amely ma már a ChatGPT Voice motorját is hajtja. Ez nem csupán frissítése a meglévő rendszernek; alapvető architektúrális váltást jelent. Hogy megértsd, mit hoz ez az új rendszer, érdemes áttekinteni a korábbi architektúrákat.

A hang három generációja

A ChatGPT Voice első verziója három modellt láncolt össze: egyet a beszéd szöveggé alakítására, egy nagy nyelvi modellt a válasz generálására, és egy szöveg-beszéd motort a hang szintetizálására. Ez a kaszkád lehetővé tette, hogy először beszélj egy fejlett modellel, de minden lépésben információ veszett el, amitől a válaszok lassúak és akadozók lettek.

A későbbi Fejlett Hang Mód (Advanced Voice Mode) már egyetlen modellen belül dolgozta fel és generálta a hangot, csökkentve a késleltetést. Ugyanakkor továbbra is körönként működött: a modell megvárta, míg befejezed a beszédet, mielőtt válaszolt volna. Mivel a kör végét csenddel detektálta, egy rövid szünet vagy háttérzaj is félrevezethette a modellt, és rossz pillanatban megszakíthatta a folyamatot.

A GPT-Live teljes duplex (full-duplex) architektúrát használ: folyamatosan feldolgozza, amit hall, miközben beszél, és másodpercenként többször is eldönti, hogy beszéljen-e, hallgasson, szüneteljen, megszakítsa önmagát, vagy eszközt hívjon meg. A gyakorlatban képes jelezni, hogy követi a gondolatmenetedet („mhmm“, „igen“) anélkül, hogy félbeszakítana, kezelni tudja a gyors váltásokat, vagy csendben maradhat, amíg te gondolkodsz.

A hang három generációja Három oszlop. Kaszkád: átírás, nyelvi modell, majd szöveg-beszéd; lassú válaszok és információvesztés. Körönkénti: egyetlen hangmodell, gördülékenyebb, de megvárja a kör végét, és félreértelmezi a szüneteket. Teljes duplex, GPT-Live: egyszerre hallgat és beszél, a nehéz munkát erősebb modellre ruházva. A KASZKÁDTÓL A TELJES DUPLEXIG A hang három generációja Kaszkád Elv Három modell láncban Korlát Lassú, veszteség a láncszemek között Körönkénti Elv Egyszerű hangmodell Korlát Megvárja a kör végét Teljes duplex Elv Egyszerre hallgat és beszél Előny Átruházza a nehéz munkát
Az „Introducing GPT-Live“ bejelentés alapján (OpenAI, 2026. július 8.).

Intelligencia a háttérben

A GPT-Live nem egyedül oldja meg a nehéz feladatokat. Amikor egy kérdés webes keresést, mély következtetést vagy összetett műveletet igényel, átruházza a munkát egy erősebb modellre, és amint az eredmény elkészül, visszahozza azt a beszélgetésbe. Eközben folytatja veled a társalgást; a beszélgetés nem fagy le. Induláskor ez a háttérmodell a GPT-5.5 volt, és az OpenAI kijelentette, hogy az új modellek megjelenésével azokat is integrálni fogja. Szeptember 9. óta a ChatGPT Voice támaszkodhat a GPT-5.6-ra vagy a GPT-6 Astrára is.

Elérhetőség az induláskor

Elem2026. július 8-i állapot
ModellekGPT-Live-1 a fizetős csomagokhoz, GPT-Live-1 mini az Ingyenes csomaghoz
ChatGPTBevezetve a chatgpt.com oldalon és az iOS/Android alkalmazásokban a támogatott régiókban
Üzleti, Vállalati és Oktatási munkaterületekInduláskor nem elérhető
Videó és képernyőmegosztásNem támogatott; a Fejlett Hang Módon keresztül továbbra is elérhető maradt
APIKésőbbi időpontra bejelentve, regisztrációs űrlappal

Július 31-én az OpenAI SynthID vízjelet vezetett be a GPT-Live-val generált támogatott hangtartalmakhoz, mind a ChatGPT-ben, mind az API-ban, egy származás-ellenőrző eszközzel kiegészítve.

Mit változtat ez a te felhasználási eseteidben?

Oktatás, hangalapú ügyfélszolgálat vagy kézmentes asszisztencia esetén a teljes duplex mód megszünteti a hangasszisztensek fő fájdalompontját: a merev körönkénti váltakozást. Egy tréner, aki hanggal szimulál interjút, most már vissza tudja állítani a valódi beszélgetés ritmusát, beleértve a félbeszakításokat, az utánkövető kérdéseket és a csendeket is. Ezeket a beállításokat ma a Beállítások > Hang menüpont alatt találod, amely három lehetőséget kínál: Live, Fejlett mód és Standard mód. A videós és képernyőmegosztási funkciók mobilon továbbra is a Fejlett módot igénylik.

Rajtad a sor

Teszteld a folyamatos beszélgetést. A ChatGPT Voice-ban, a Live opció bekapcsolásával, próbáld ki ezt a három forgatókönyvet: szakítsd félbe a választ mondat közben, tarts hosszú szünetet gondolkodás céljából, és tegyél fel egy webes keresést igénylő kérdést, miközben folytatod a beszédet, ahogy a modell végrehajtja a feladatot. Figyeld meg, hogyan reagál a beszélgetés minden esetben, majd ismételd meg a tesztet a Fejlett módot használva az összehasonlítás érdekében.

Hivatalos források: Introducing GPT-Live (OpenAI, 2026. július 8.) · ChatGPT kiadási jegyzetek · ChatGPT Voice (OpenAI Súgóközpont) · GPT-Live 1 (OpenAI API Dokumentáció)

Főbb megállapítások

  • A GPT-Live teljes duplex: egyszerre hallgat és beszél, anélkül, hogy megvárná, míg befejezed a kört
  • A nehéz kérdéseket átruházza egy erősebb modellre, és eközben folytatja a beszélgetést
  • Induláskor: GPT-Live-1 a fizetős csomagokhoz, GPT-Live-1 mini az Ingyeneshez, videó és professzionális munkaterületek nélkül
  • Az API 2026. szeptember 10-én nyílt meg; a ChatGPT-ben a Live módot a Beállítások > Hang menüpont alatt konfigurálhatod