ประเด็นสำคัญ
OpenAI ปรับสถาปัตยกรรมเสียงของ ChatGPT ครั้งใหญ่ ให้เสียงไหลต่อเนื่องไม่สะดุด GPT-Live ทำให้ ChatGPT สามารถ “ฟังไปพูดไป” ได้ในเวลาเดียวกัน ลดการเชื่อมต่อไปกลับของเครือข่ายตอนเริ่มซেশনเสียงจาก 6 ครั้ง เหลือเพียง 1 ครั้ง แยกเส้นทางส่งเสียงความหน่วงต่ำออกจากงานวิเคราะห์และเรียกใช้เครื่องมือซึ่งทำงานแบบอะซิงโครนัส OpenAI เผยแพร่คำอธิบายเชิงเทคนิคแบบละเอียดของการยกเครื่องครั้งนี้
OpenAI ปรับโครงสร้างโครงสร้างพื้นฐานด้านเสียงที่อยู่เบื้องหลัง ChatGPT เปิดตัวสถาปัตยกรรมใหม่ชื่อ GPT-Live ที่ทำให้เสียงไหลต่อเนื่อง แม้ระบบจะกำลังใช้ศักยภาพการให้เหตุผลเชิงลึกหรือเรียกใช้เครื่องมือต่าง ๆ อยู่ โดยไม่ทำให้บทสนทนาถูกตัดจังหวะเหมือนเดิม
OpenAI อธิบายการเปลี่ยนแปลงครั้งนี้ผ่านชุดโพสต์ เมื่อวันที่ 3 สิงหาคม และเผยแพร่บล็อก ที่ลงรายละเอียดการออกแบบใหม่ตั้งแต่ฝั่งไคลเอนต์ไปจนถึงฝั่งโมเดล บริษัทระบุว่าสามารถลดจำนวนรอบการเชื่อมต่อเครือข่าย ตอนเริ่มต้นซیشنเสียงจากเดิม 6 รอบ เหลือเพียงรอบเดียว
กลไกการทำงานของ GPT-Live
GPT-Live กำหนด “เส้นทางด่วน” สำหรับจัดการสัญญาณเสียง แยกออกจากเส้นทางที่ใช้สำหรับให้เหตุผลเชิงลึก และเรียกใช้เครื่องมือภายนอก กระบวนการเชิงลึกเหล่านั้นรันแบบอะซิงโครนัส กล่าวคือดำเนินการอยู่เบื้องหลังโดยไม่ต้องหยุดหรือพักสตรีมเสียง
ผลลัพธ์คือซیشنเสียงที่เริ่มต้นได้เร็วขึ้น และสามารถรักษาบทสนทนาให้ต่อเนื่อง โดยไม่เกิดช่องว่างเหมือนที่ผู้ใช้เคยเจอเมื่อ ChatGPT ต้องประมวลผลคำขอที่ซับซ้อน
OpenAI ระบุในโพสต์ ว่าสถาปัตยกรรมใหม่นี้ถูกออกแบบมา เพื่อจัดการ “จุดเริ่มต้น” ของซیشنเสียงโดยเฉพาะ ทำให้บทสนทนารู้สึกเป็นธรรมชาติตั้งแต่ประโยคแรก และแก้ข้อจำกัดเชิงโครงสร้างของสแต็กเดิมที่ทำให้เลเยอร์เสียงต้องรอทุกครั้งที่มีขั้นตอนการให้เหตุผลเกิดขึ้น
อ่านเพิ่มเติม: Cosmos Hub พุ่ง 6% ท่ามกลางกระแสฟื้นตัวของวิทยานิพนธ์ Interchain
GPT-Live เจาะจงแก้ปัญหาดีเลย์เสียงของ ChatGPT
ตลอดช่วงมุ่งหน้าสู่ปี 2026 OpenAI เดินเกมเชิงรุกด้านความสามารถด้านเสียงของ ChatGPT ก่อนหน้านี้บริษัทเคยเผชิญเสียงวิจารณ์ว่า การตอบกลับด้วยเสียงของ ChatGPT ดูติดขัดและล่าช้า โดยเฉพาะเมื่อเจอโจทย์หลายขั้นตอน การยกเครื่องด้วย GPT-Live จึงสะท้อนการตอบสนองเชิงวิศวกรรมโดยตรงต่อจุดอ่อนนี้
การเปิดตัวครั้งนี้เกิดขึ้นต่อเนื่องจากการเปิดเผยของ OpenAI เมื่อเดือนก่อนว่า เวอร์ชันภายในของโมเดลหลักรุ่นถัดไป สามารถสร้างผลลัพธ์ด้านคณิตศาสตร์ใหม่ 10 รายการ ด้วยต้นทุนโทเคนราว 2,000 ดอลลาร์ สะท้อนการลงทุนโครงสร้างพื้นฐานครั้งใหญ่ทั่วทั้งสายผลิตภัณฑ์