Запис атласу: https://www.aitimeline.dev/uk/events/evt-0299/
Доступність · 13 травня 2024 р.
GPT-4o
OpenAI випустила модель, навчену на тексті, звуку й зображенні одночасно; вона відповідала голосом із затримкою близько третини секунди.
Чому це важливо
Голосова розмова з машиною вперше пішла в темпі людської — бо зникли три окремі моделі, між якими губилися інтонація й час.
Доти голосовий режим складався з розпізнавача, мовної моделі й синтезатора. Кожна ланка додавала затримку, а головне — розпізнавач віддавав лише слова, і все інше, тон, паузи, сміх, кілька голосів у кімнаті, до моделі не доходило. Єдина мережа, навчена на звуці напряму, чує це все і може відповісти інтонацією. Літера o в назві означає omni. Модель також стала безкоштовною для більшості користувачів ChatGPT, і це вперше зробило передовий рубіж доступним без оплати.
Відомості про подію
- Дата події
- 13 травня 2024 р.
- Дата на часовій осі
- Дата події
- Перевірка
- Джерела зібрано автоматично · 18 вересня 2026 р.
- Лінії
- ID
- evt-0299
Оголошення від 13 травня 2024 року.
Пов’язані події
Раніше
- Розвиває GPT-4 2023
Та сама лінія моделей, тепер навчена на тексті, звуку й зображенні разом.
- Пов’язано Whisper 2022
Конвеєр із трьох моделей замінено однією, і затримка розмови впала до людської.
- Пов’язано WaveNet 2016
Породження звуку напряму, без проміжного тексту.
Пізніше
- Пов’язано Moshi 2024посилається на цей запис
Той самий рік і та сама ідея єдиної моделі для звуку, але з відкритими вагами.
- Пов’язано GPT-5 2025посилається на цей запис
Попередня спроба зібрати все в одну модель стосувалася форматів даних, ця — способу думати.
- Розвиває gpt-realtime 2025посилається на цей запис
Та сама лінія моделей, що працюють зі звуком напряму, доведена до промислового використання.