‏بازطراحی بزرگ حالت صوتی ChatGPT با GPT-Bidi-1

به گفتهٔ این گزارش، OpenAI داره آماده می‌شه که حالت صوتی ChatGPT رو با یه مدل صوتی نسل‌جدید حسابی به‌روز کنه؛ مدلی که فعلاً با اسم موقت GPT-Bidi-1 ازش یاد می‌شه. این اسم به معماری دوطرفه یا همون «BiDi» اشاره داره که شرکت از اوایل امسال روش کار می‌کنه.

نکتهٔ اصلی این معماری اینه که مدل همزمان گوش می‌ده و حرف می‌زنه. یعنی می‌تونه حرف کاربر رو وسط جمله بگیره و مسیر صحبتشو عوض کنه، به‌جای اینکه لحظه‌ای که کاربر یه چیزی مثل «مم‌هم» می‌گه خشک بشه و بمونه. نویسنده می‌گه نشونه‌های این مدل الان هم تو نسخهٔ وب و هم موبایل دیده می‌شه، که یعنی عرضهٔ عمومیش نزدیکه؛ هرچند ممکنه اسمش تا موقع رونمایی عوض بشه.

به گفتهٔ نویسنده، ماجرا اونقدر که به کیفیت صدا ربط داره، به یه شکافیه که OpenAI اجازه داده باز بمونه. مدل‌های متنیش تا نسل GPT-5.5 جلو رفتن، ولی بخش صوتی روی یه پشتهٔ صوتی قدیمی‌تر مونده و همین باعث شده مکالمهٔ صوتی یه پله عقب‌تر از چیزی باشه که همون دستیار تو حالت نوشتاری ارائه می‌ده.

نویسنده می‌گه بستن این شکاف برای شرکتی که روی «صحبت» به‌عنوان راه اصلی رسیدن آدم‌ها به هوش مصنوعی شرط بسته خیلی مهمه؛ همون شرطی که پشت سخت‌افزار صوت‌محور و ابزارهای پشتیبانی صوتیش هست. قراره GPT-Bidi-1 حول همین ساخته بشه و علاوه بر مکالمهٔ روون‌تر، یه جهش بزرگ تو استدلال (reasoning) هم داشته باشه.

شکل ظاهری این قابلیت هم داره مشخص می‌شه. به گفتهٔ نویسنده، احتمالاً کاربرها همون ساختار فعلی رو نگه می‌دارن و بین یه حالت جدید به اسم Bidi (Latest) و حالت فعلی Advanced Voice Mode جابه‌جا می‌شن، نه اینکه یهو کامل منتقل بشن. نکتهٔ جالب‌تر انتخاب سطح‌های هوشه: High، Medium و Instant، درست مثل رده‌هایی که همین الان سمت متن وجود داره و می‌ذاره کاربر بسته به کار، سرعت رو با عمق معامله کنه.

نویسنده تأکید می‌کنه که سر زمان‌بندی باید محتاط بود. اینکه این عرضه همین هفته شروع می‌شه یا دیرتر مشخص نیست، ولی مقدماتش آشکارا داره چیده می‌شه.

نکات کلیدی:

• مدل صوتی نسل‌جدید با اسم موقت GPT-Bidi-1 و معماری دوطرفه (BiDi)
• همزمان گوش می‌ده و حرف می‌زنه و می‌تونه وسط جمله مسیرشو عوض کنه
• هدف: بستن شکاف بین مدل‌های متنی پیشرفته و بخش صوتی عقب‌مونده
• سه سطح هوش High، Medium و Instant مثل سمت متن
• کاربرها احتمالاً بین Bidi (Latest) و Advanced Voice Mode جابه‌جا می‌شن
• زمان دقیق عرضه هنوز مشخص نیست