AI glasovne funkcije stižu na ChatGPT i Spotify

Platforme ChatGPT i Spotify dobijaju unapređenja zasnovana na veštačkoj inteligenciji koja u stvari predstavljaju AI glasovne funkcije. Naime, popularni četbot kompanije OpenAI ChatGPT od sada će moći da prima glasovne komande, ali i upite zasnovane na slikama. Sa druge strane, platforma za slušanje muzike i podkasta Spotify koja koristi OpenAI tehnologiju moći će da prevodi podkaste na druge jezike koristeći ujedno glasove voditelja ovih emisija.

U slučaju popularnog ChatGPT bota, ažuriranja će mu omogućiti da vodi glasovne razgovore sa korisnicima aplikacije na Android i iOS operativnim sistemima, dok će unošenje slika biti moguće na svim platformama. U početku ove opcije će biti dostupne samo za one koji plaćaju Plus i Enterprise pretplatu, dok će „obični“ korisnici nešto kasnije takođe dobiti funkcije zasnovane na slikama.

Ukoliko ste jedan od ChatGPT pretplatnika, da biste omogućili nove funkcije treba da omogućite glasovne razgovore u ovoj aplikaciji. To možete uraditi odlaskom u podešavanja pa na „New Features“. Dodirom na dugme mikrofona, moći ćete da birate između pet ponuđenih glasova na kom će veštačka inteligencija razgovarati sa vama.

Kompanija OpenAI kaže da se glasovni razgovori pokreću novim modelom pretvaranja teksta u govor koji može da generiše „zvuk nalik ljudskom samo iz teksta ili nekoliko sekundi primera govora“. Ovaj startap je tako stvorio pet glasova uz pomoć profesionalnih glumaca koje je angažovao, dok na drugoj strani, kompanijski sistem za prepoznavanje govora Whisper pretvara izgovorene reči korisnika u tekst.

Shutterstock

Funkcije zasnovane na slikama su, kako deluje iz opisanog, takođe u jednu ruku zaprepašćujuće. OpenAI tvrdi da na primer, možete da pokažete četbotu fotografiju svog roštilja i pitate ga zašto ne radi ili sliku namirnica koje imate u frižideru na osnovu kojih će da vam isplanira obroke koje od njih možete spremiti. Naravno, tu su i one standardne matematičke funkcije gde možete slikati neki matematički zadatak koji bi on potom trebalo da reši.

Modeli koje OpenAI koristi za funkcije prepoznavanja slika su GPT-3.5 i GPT-4. Kako biste pokrenuli ove opcije, treba da dodirnete ikonicu za fotografiju, a pre toga dugme „plus“ na Android ili iOS aplikacijama, kako biste uslikali ili izabrali već postojeću sliku na svom uređaju. Ukoliko želite da se fokusirate na određeni deo slike, možete koristiti i alat za crnje.

Shutterstock

Na svom sajtu, OpenAI napomenuo je da je ograničio način na koji ChatGPT može da analizira i daje direktne izjave o ljudima koji se pojavljuju na slikama s obzirom na to da „bot nije uvek tačan i ovi sistemi treba da poštuju privatnost pojedinaca“.

Takođe, treba napomenuti i da je bot efikasniji u razumevanju engleskog teksta na slikama u poređenju sa ostalim svetskim jezicima. Kompanija sama priznaje da ChatGPT „loše radi“ na drugim jezicima, posebno kada su u pitanju oni koji ne korista ne-rimska pisma, pa takvima sugeriše da za sada izbegavaju novu funkciju.

AI glasovne funkcije dobija i Spotify

U međuvremenu, platforma Spotify udružila se sa OpenAI kompanijom kako bi upravo iskoristila njenu AI glasovnu tehnologiju i to u prilično zanimljivu svrhu. Ova platforma na kojoj se osim muzike nalaze i brojne podkast emisije najavila je pilot alata koji se zove Voice Translation for podcasters (Glasovno prevođenje za podkastere).

Naime, ova funkcija moći će da prevede podkastove na različite jezike koristeći glasove ljudi koji se pojavljuju u emisiji.

Spotify kaže da će alat moći da zadrži karakteristike govora originalnih govornika nakon pretvaranja njihovog glasa na druge jezike. U početku, Spotify će prevoditi samo odabrane emisije na engleskom na nekoliko izabranih jezika. Dostupne su španske verzije nekih epizoda emisije Armchair Expert and The Diary of a CEO with Steven Bartlett, a uskoro bi trebalo da budu dostupne verzije na francuskom i nemačkom.