2026-08-04 · 4 min čtení
OpenAI zveřejnilo technické pozadí systému GPT Live, který umožňuje plynulý hlasový rozhovor s AI bez čekání na střídání replik. Klíčem je vlastní model pro průběžné rozpoznávání řeči a architektura s velmi nízkou latencí.
OpenAI za pouhých šest měsíců postavilo celý systém GPT Live, který pohání funkci hlasového chatu v aplikaci ChatGPT. Nyní firma zveřejnila technické detaily o tom, jak systém funguje — a proč je jiný než většina hlasových asistentů, které znáte.
Tradiční hlasový asistent funguje na principu střídání: nejprve mluvíte vy, pak AI pozná, že jste skončili, a teprve pak odpovídá. Tento přístup se technicky nazývá „turn-based" a přirozeně vytváří pauzy, které rozhovor zpomalují a znepřirozeňují.
GPT Live místo toho používá takzvaný „turnless" model — systém, který průběžně sleduje zvukový vstup a sám vyhodnocuje, zda ještě mluvíte, nebo jste skončili. Nepotřebuje pevně daný signál konce věty. Díky tomu může AI reagovat rychleji a konverzace působí přirozeněji, podobně jako telefonní hovor s člověkem.
Celý systém byl navržen s důrazem na nízkou latenci — tedy co nejkratší dobu mezi tím, kdy přestanete mluvit, a tím, kdy AI začne odpovídat. OpenAI konkrétní čísla latence v milisekundách v tiskové zprávě neuvedlo, vývoj ale trval přesně šest měsíců od návrhu po nasazení do produkce.
GPT Live je dostupný uživatelům placeného tarifu ChatGPT Plus (20 USD měsíčně) a vyšších plánů prostřednictvím mobilní aplikace ChatGPT na iOS a Androidu.
Pokud máte ChatGPT Plus, potřebujete jen mobilní aplikaci — funkce není dostupná přes webový prohlížeč.
1. Otevřete aplikaci ChatGPT na telefonu. 2. Na hlavní obrazovce klepněte na ikonu sluchátek nebo zvukových vln (v pravém dolním rohu). 3. Počkejte, až se aplikace přepne do hlasového režimu — poznáte to podle animované vlny. 4. Začněte mluvit přirozeně. Nemusíte čekat na žádný signál.
Pokud chcete funkci otestovat smysluplně, zkuste konverzaci, kde budete přerušovat nebo navazovat rychle za sebou — právě tehdy je rozdíl oproti starším hlasovým asistentům nejlépe patrný. Například:
Vysvětli mi, jak funguje inflace. Počkej — nejdřív mi řekni, co je to HDP, a pak se vrať k inflaci.
Systém by měl zvládnout takové přerušení bez zmatku, protože průběžně sleduje kontext i zvuk najednou.
GPT Live není vhodný pro všechny situace:
Pro běžného uživatele je největší změna praktická: hlasový chat s ChatGPT přestává připomínat diktování do diktafonu a začíná se blížit skutečnému rozhovoru. To je užitečné třeba tehdy, když řídíte auto a potřebujete si něco rychle ověřit, vaříte a chcete přečíst recept po krocích, nebo prostě nechcete psát na klávesnici.
Šestimísíční časový rámec od nápadu po nasazení je v kontextu vývoje AI systémů relativně krátký — naznačuje, že OpenAI zvládlo rychle integrovat vlastní model rozpoznávání řeči přímo do produkčního prostředí ChatGPT, nikoli jen naroubovat hotové řešení třetí strany.
GPT Live zatím není dostupný přes veřejné API. OpenAI v roce 2024 vydalo Realtime API postavené na modelu GPT-4o, které vývojářům umožňuje budovat vlastní hlasové aplikace — vstupní tokeny vychází na 5 USD za milion, výstupní na 20 USD za milion. Zda GPT Live sdílí stejnou infrastrukturu jako Realtime API, nebo jde o oddělený systém, OpenAI zatím neupřesnilo.
Zdroj informací: OpenAI News (https://openai.com/index/continuous-voice-interaction-with-gpt-live)