Пробив в AI секторът: ChatGPT скоро ще може да “вижда, чува и говори”
На 25 септември OpenAI, компанията основател на чатбота ChatGPT разкри, че идните актуализации на модела ще вкарат новаторски функционалности, които ще разрешат на потребителите да взаимодействат с него посредством изображения и гласово различаване.
Това усъвършенстване има за цел да предложи по-персонализирано преживяване, като разреши на потребителите да употребяват гласови команди. OpenAI акцентира , че тази функционалност разчита на модел за превръщане на текст в тирада, който може да генерира тон от минимални мостри на тирада, основани от професионални гласови артисти. Освен това тя употребява опциите на тяхната система за различаване на тирада с отворен код, известна като Whisper.
Очаква се включването на гласови функционалности да разшири обсега на практическите приложения, като да вземем за пример подкрепяне на действия като четене на приказки за лека нощ, сформиране на предписания, сформиране на речи, декламиране на лирика, разяснение на общи изречения или даже разрешаване на разногласия на масата за вечеря.
OpenAI също по този начин разкри, че скоро потребителите ще имат опция да изпращат изображения на ChatGPT или да избират избрани области в изображенията, с цел да бъдат интерпретирани и да получат отговор.
Отчитайки евентуалните опасности, OpenAI призна опцията за машинация. Вследствие на това тя ще ограничи гласовите функционалности до своята платформа за гласови чатове.
OpenAI също по този начин призна загрижеността за неприкосновеността на персоналния живот, обвързвана с разпознаването на изображения. За да се оправят с това, те са лимитирали способността на ChatGPT да прави дефинитивни изказвания за лица в изображения.
Макар да признаха, че ChatGPT не всеки път може да дава изцяло точни описания, те подчертаха, че способността му да предлага общи описания на изображенията се е оказала потребна, базирайки се на предходното си съдействие с Be My Eyes – приложение, предопределено за подкрепяне на слепи и слабовиждащи лица.
