Yapay zekâ kesiminde uzun müddettir metin odaklı yarış yaşanıyordu. Artık ise sahne büsbütün sese geçiyor. OpenAI, geliştiriciler için duyurduğu üç yeni ses modeliyle birlikte “konuşan uygulamalar” periyodunu bir adım ileri taşımaya başlamış durumda.
İçerikten Görseller
‹ ›
Şirketin yeni modelleri artık yalnızca konuşmuyor; düşünüyor, çeviri yapıyor, bağlamı takip ediyor ve gerçek vakitli aksiyon alabiliyor. Yeni sistemler ortasında en dikkat çekeni ise GPT-Realtime-2. OpenAI bunu “GPT-5 düzeyinde akıl yürütme yeteneğine sahip birinci ses modeli” olarak tanımlıyor.
İçerikten Görseller
‹ ›
Yapay zekâ artık yalnızca karşılık vermeyecek
Bugüne kadar birçok sesli asistan süratli karşılık vermeye odaklanıyordu fakat gerçek hayatta işler biraz daha karmaşık. Beşerler konuşurken fikir değiştiriyor, cümleyi yarıda kesiyor, farklı bahislere atlıyor ya da birebir anda birkaç şey istiyor.
OpenAI’ın yeni modelleri tam da bu kaosa nazaran tasarlanmış durumda. Şirketin verdiği örneklerden biri epey dikkat alımlı. Bir kullanıcı emlak uygulamasına “Bütçeme uygun konutları bul, ağır trafikli sokaklardan uzak olsun ve cumartesi için cins ayarla” diyebiliyor. Sistem ise bunu anlayıp farklı araçları tıpkı anda kullanarak süreçleri gerçekleştirebiliyor. Yani olay artık “hava nasıl?” düzeyini önemli biçimde aşmış durumda.
Gerçek vakitli çeviri devri başlıyor
Duyurulan modellerden biri olan GPT-Realtime-Translate, canlı konuşmaları anlık olarak çevirebiliyor. Üstelik sistem 70’ten fazla lisanı anlayıp bunları 13 farklı lisana çevirebiliyor.
Bu kulağa kolay gelebilir lakin değerli nokta şu ki çeviri, konuşmanın temposunu bozmadan yapılıyor. İnsan doğal formda konuşurken sistem yetişmeye çalışmıyor, nitekim sohbetin içine dâhil oluyor.
Toplantı notlarını siz daha konuşurken yazacak
Üçüncü model olan GPT-Realtime-Whisper ise gerçek vakitli konuşma metne dönüştürme teknolojisine odaklanıyor. Hasılı biri konuşurken sistem tıpkı anda yazıya döküyor. Bu özellik bilhassa toplantılar, canlı yayınlar, dersler ve müşteri hizmetleri üzere alanlarda büyük fark yaratabilir.
En değişik tarafı ise sadece altyazı üretmesi değil. Sistem birebir anda özet çıkarabiliyor, not tutabiliyor ve konuşmanın bağlamını takip edebiliyor. Yani gelecekte “toplantı notlarını kim alacak?” sorusunun yanıtı büyük ihtimalle kimse olmayacak.
GPT-Realtime-2 neler yapabiliyor?
OpenAI’ın en savlı modeli olan GPT-Realtime-2, klasik sesli asistanlardan daha farklı çalışıyor. Model:
- Aynı anda birden fazla araç kullanabiliyor
- Kullanıcı konuşurken süreçleri sürdürebiliyor
- Hataları daha doğal biçimde yönetebiliyor
- Uzun konuşmalarda bağlamı kaybetmiyor
- Tonlamasını duruma nazaran değiştirebiliyor
Örneğin sistem bir sorun çözerken “Bir saniye denetim ediyorum” üzere doğal geçiş cümleleri kurabiliyor. Küçük üzere görünen bu ayrıntı, konuşmanın robotik hissettirmemesini sağlıyor. OpenAI ayrıyeten modelin bağlam kapasitesini 32K’dan 128K’ya çıkardığını açıkladı. Bu da daha uzun ve karmaşık konuşmaların takip edilebilmesi manasına geliyor.
Kısacası yakın gelecekte uygulamalarla konuşmak, uygulamalara yazmaktan daha yaygın hâle gelebilir ve görünen o ki başta OpenAI olmak üzere şirketler bu geleceğe şimdiden hazırlanıyor.
Webtekno
https://www.webtekno.com/openai-gpt-realtime-2-gpt-realtime-translate-gpt-realtime-whisper-duyurdu-h216604.html
