OpenAI baru saja meluncurkan GPT-Live, dua model suara yang mengubah cara orang berinteraksi dengan ChatGPT. Melalui peluncuran ini, OpenAI menggantikan Mode Suara Canggih yang ada dengan arsitektur yang memungkinkan model untuk mendengarkan dan berbicara secara simultan, mirip percakapan manusia yang sesungguhnya.
- Mengapa suara penuh-dupleks mengubah segalanya dalam berbicara dengan AI
- Bagaimana OpenAI memisahkan interaksi suara dari lapisan kecerdasan
- Tiga generasi suara ChatGPT, dari sistem kaku menjadi aliran kontinu
- Kontroversi Scarlett Johansson masih membayangi ambisi suara OpenAI
- Apa yang akan dialami 150 juta pengguna suara setiap minggu
- Pengujian keamanan spesifik suara menunjukkan risiko yang masih ada
- Google, ByteDance, dan Nvidia sudah berkompetisi dalam race penuh-dupleks
- Akhir dari kotak obrolan mungkin lebih dekat dari yang diperkirakan
Dua model ini, GPT-Live-1 dan GPT-Live-1 mini, mulai tersedia secara global melalui iOS, Android, dan ChatGPT.com. GPT-Live-1 menjadi model suara default bagi pengguna ChatGPT berbayar di level Go, Plus, dan Pro, sementara GPT-Live-1 mini ditujukan untuk pengguna gratis. OpenAI juga mengumumkan bahwa mereka akan menghadirkan model ini ke dalam API, sehingga para pengembang dapat mendaftar untuk mendapatkan pemberitahuan.
Pebaruan ini menandai generasi ketiga dari teknologi suara ChatGPT dalam waktu sekitar dua tahun dan merupakan langkah nyata OpenAI untuk membuat chatbot-nya terasa lebih seperti berbicara dengan teman sejawat, bukan seperti mengajukan pertanyaan ke mesin pencari.
Mengapa suara penuh-dupleks mengubah segalanya dalam berbicara dengan AI
Keunggulan teknis dari GPT-Live adalah yang disebut OpenAI sebagai “arsitektur penuh-dupleks.” Dalam telekomunikasi, sistem penuh-dupleks memungkinkan kedua pihak dalam panggilan telepon untuk berbicara dan mendengarkan secara bersamaan. Dalam konteks AI, ini berarti model ini terus memproses audio yang masuk sambil menghasilkan respons lisan — tidak perlu lagi menunggu jeda diam untuk memahami kapan pengguna telah menyelesaikan pikiran mereka.
“Alih-alih memproses serangkaian pesan terpisah, GPT-Live terus memproses input sambil menghasilkan output,” tulis OpenAI di blog penelitian mereka. “Oleh karena itu, model ini dapat mengambil keputusan interaksi berkali-kali dalam satu detik: apakah harus berbicara, terus mendengarkan, berhenti, menyela, atau menggunakan alat.”
Dalam praktiknya, ini menghasilkan asisten suara yang dapat menyisipkan pengakuan percakapan seperti “mhmm,” “iya,” atau “mengerti” saat Anda masih bicara, menangkap jeda alami tanpa menyela, dan menangani interupsi cepat tanpa mengganggu alur percakapan.
Mode Suara Canggih yang diluncurkan sebelumnya masih menggunakan pertukaran bergantian yang kaku, di mana suara hanya diproses satu per satu. OpenAI mengakui bahwa pendekatan ini menyebabkan respons yang agresif dan kadang terputus jika mendengar jeda atau kebisingan di latar belakang. GPT-Live dirancang untuk mengakhiri era tersebut.
Bagaimana OpenAI memisahkan interaksi suara dari lapisan kecerdasan
GPT-Live juga memperkenalkan perubahan struktural lain yang dapat mempermudah adopsi di kalangan perusahaan: memisahkan lapisan interaksi suara dari lapisan pemrosesan kecerdasan.
Saat pengguna mengajukan pertanyaan sederhana, GPT-Live menangani langsung. Namun, jika pertanyaan tersebut memerlukan pencarian web atau pemikiran yang lebih mendalam, GPT-Live akan mendelegasikannya ke model frontier yang berjalan di latar belakang, seperti GPT-5.5, sambil tetap berbicara dengan pengguna secara bersamaan.
“Selama proses tersebut, GPT-Live dapat terus berbicara dengan Anda dan mempertahankan alur percakapan,” demikian penjelasan OpenAI. “Seiring peluncuran model frontier baru, kami akan terus memperbarui model yang digunakan oleh GPT-Live.”
Model delegasi ini menjadi taruhan arsitektural yang berarti. Alih-alih membangun satu model suara monolitik yang berusaha menjadi canggih dalam percakapan dan kecerdasan secara bersamaan, OpenAI memisahkan masalah ini menjadi dua: model berbasis suara yang dioptimalkan untuk interaksi waktu nyata, dan mesin pemrosesan terpisah yang dapat diganti ketika kemampuan teknologi meningkat.
Tiga generasi suara ChatGPT, dari sistem kaku menjadi aliran kontinu
Untuk memahami sejauh mana AI suara telah berkembang, mari kita lihat tiga generasi yang membawa kita ke GPT-Live.
ChatGPT Voice yang asli diluncurkan pada 2023 menggunakan sistem bertingkat di mana model pengenalan suara (Whisper) mentranskripsikan ucapan Anda, model bahasa besar (GPT-4) menghasilkan tanggapan teks, dan model text-to-speech mengubah respons tersebut menjadi audio. Setiap transfer informasi menambah latensi dan berisiko menyebabkan kehilangan informasi.
Seperti yang dicatat OpenAI, “kompleksitas ini memiliki biaya: informasi bisa hilang di antara model, dan respons terkesan lambat dan terputus-putus.” Metode bertingkat ini adalah standar industri, dengan keterbatasan yang sudah didokumentasikan. Sistem lama ini membutuhkan hampir dua detik untuk memberikan respons pertama.
Mode Suara Canggih yang diluncurkan pada Juli 2024 merangkum semua langkah ini menjadi satu model yang memproses audio secara langsung. Peluncuran ini menghadirkan suara baru seperti Arbor, Maple, Sol, Spruce, dan Vale dengan pengelolaan aksen yang lebih baik dan percakapan yang lebih halus.
Kontroversi Scarlett Johansson masih membayangi ambisi suara OpenAI
Mode Suara Canggih hadir setelah salah satu krisis terbesar yang dihadapi OpenAI. Pada peluncuran GPT-4o, perusahaan ini memperkenalkan suara “Sky” yang terdengar sangat mirip dengan Scarlett Johansson, yang sebelumnya menolak tawaran OpenAI untuk menyuarakan sistem tersebut dan terkejut saat suara itu diluncurkan.
OpenAI menarik suara tersebut dan meminta maaf, namun insiden ini menarik perhatian publik dan menimbulkan kekhawatiran lebih luas terkait pemanfaatan suara dan citra tanpa izin.
GPT-Live tampaknya dirancang untuk mengatasi kontroversi tersebut. OpenAI menyatakan bahwa mereka telah “mengolah ulang sembilan suara berbeda dalam ChatGPT untuk GPT-Live” dengan fokus pada percakapan, bukan peniruan suara seseorang.
Apa yang akan dialami 150 juta pengguna suara setiap minggu
OpenAI mengungkapkan bahwa lebih dari 150 juta orang berbicara kepada ChatGPT menggunakan fitur suara setiap minggu. Pengalaman suara ini telah tumbuh menjadi produk substantif, digunakan untuk latihan bahasa, mendongeng, percakapan dalam perjalanan, dan bantuan sehari-hari tanpa tangan.
GPT-Live menghadirkan kartu visual yang kaya saat percakapan suara, seperti ramalan cuaca, data saham, dan peta, yang memungkinkan pengguna melihat tanpa mengganggu alur bicara.
Pengguna kini bisa memilih antara tiga tingkatan pemikiran untuk jawaban: Instan untuk respons cepat, Sedang untuk pemikiran moderat, dan Tinggi untuk pekerjaan yang lebih kompleks. Jika pengguna butuh waktu untuk berpikir, “ChatGPT Voice kini menunggu alih-alih langsung menyela.” Dan ketika ada kebisingan latar, ChatGPT lebih baik dalam fokus pada suara pengguna.
Pengujian keamanan spesifik suara menunjukkan risiko yang masih ada
Kartu sistem GPT-Live mengungkapkan strategi keamanan yang dibangun di sekitar risiko interaksi suara waktu nyata, di mana kecepatan dan kedekatan percakapan menciptakan bahaya yang tidak ada pada chat berbasis teks.
OpenAI memperluas evaluasi keamanan untuk mencakup tes yang bersifat audio, menggunakan sampel suara pengguna asli dan prompt yang dihasilkan secara sintetis untuk kasus ekstrem di berbagai kategori.
Pada evaluasi sintetis ini, GPT-Live-1 menunjukkan peningkatan substansial. Misalnya, pada perilaku tidak sah, skor keselamatannya meningkat dari 0,63 menjadi 0,97. Hal yang sama juga terjadi pada penghindaran diri, naik dari 0,72 menjadi 0,98. Skor ujaran kebencian mencapai 1,00, naik dari 0,87.
OpenAI menyatakan bahwa mereka membangun perlindungan waktu nyata yang dapat mengintervensi saat model berbicara, untuk membimbing ke respons yang lebih aman atau mengakhiri percakapan suara dalam situasi berisiko tinggi.
Google, ByteDance, dan Nvidia sudah berkompetisi dalam race penuh-dupleks
Saat OpenAI memperhalus pengamanannya, pesaing lainnya juga telah meluncurkan sistem penuh-dupleks mereka. Google telah merilis Gemini Live yang mendukung percakapan penuh-dupleks, sementara ByteDance meluncurkan Seeduplex, yang mengklaim sebagai AI bicara penuh-dupleks berskala produksi untuk aplikasi Doubao.
Pesaing semakin menunjukkan bahwa interaksi suara penuh-dupleks kini menjadi standar untuk produk AI konsumen. Keuntungan OpenAI terletak pada skala basis pengguna yang sudah ada, integrasi dengan kemampuan reasoning GPT-5.5, dan luasnya ekosistem ChatGPT.
Akhir dari kotak obrolan mungkin lebih dekat dari yang diperkirakan
GPT-Live pada dasarnya adalah taruhan terbesar OpenAI pada suara sebagai antarmuka utama untuk AI, bukan sekadar fitur tambahan di chatbot berbasis teks, tetapi sebagai lapisan interaksi yang dibangun untuk mempermudah hubungan antara pengguna dan model AI.
“Seiring waktu, kami percaya penelitian ini akan membuka kemampuan untuk menggunakan suara dalam pekerjaan yang semakin kompleks,” tulis OpenAI. Ambisi ini adalah perwujudan dari arsitektur penuh-dupleks dan delegasi.
Dua tahun lalu, berbicara dengan ChatGPT terasa seperti mendikte ke mikrofon dan menunggu respons yang terputus-putus. Sekarang, interaksi ini telah berkembang menuju percakapan yang hampir nyata — meski belum sempurna, namun jelas lebih baik. GPT-Live membawa kita lebih dekat ke pengalaman yang sebenarnya.
