OpenAI revela el nuevo ChatGPT que escucha, mira y habla – MundoDaily

Mientras Apple y Google convierten sus asistentes de voz en chatbots, OpenAI está convirtiendo su chatbot en un asistente de voz.

El lunes, la startup de inteligencia artificial de San Francisco presentó una nueva versión de su chatbot ChatGPT que puede recibir y responder a comandos de voz, imágenes y videos.

La compañía dijo que la nueva aplicación, basada en un sistema de inteligencia artificial llamado GPT-4o, hace malabarismos con audio, imágenes y video significativamente más rápido que las versiones anteriores de la tecnología. La aplicación estará disponible a partir del lunes, de forma gratuita, tanto para smartphones como para ordenadores de sobremesa.

«Estamos mirando al futuro de la interacción entre nosotros y las máquinas», dijo Mira Murati, directora de tecnología de la empresa.

La nueva aplicación es parte de un esfuerzo más amplio para combinar chatbots conversacionales como ChatGPT con asistentes de voz como Google Assistant y Siri de Apple. Mientras Google fusiona su chatbot Gemini con el Asistente de Google, Apple está preparando una nueva versión de Siri que es más conversacional.

OpenAI dijo que compartiría gradualmente la tecnología con los usuarios «durante las próximas semanas». Esta es la primera vez que ofrece ChatGPT como aplicación de escritorio.

Anteriormente, la empresa ofrecía tecnologías similares en varios productos gratuitos y de pago. Ahora los ha reunido en un único sistema que está disponible para todos sus productos.

Durante un evento transmitido por Internet, Murati y sus colegas mostraron la nueva aplicación mientras respondía a comandos de voz conversacionales, usaban video en vivo para analizar problemas matemáticos escritos en una hoja de papel y leían en voz alta historias divertidas que había creado. escrito en el acto.

La nueva aplicación no puede generar videos. Pero puede generar imágenes estáticas que representan fotogramas de un vídeo.

Con el debut de ChatGPT a finales de 2022, OpenAI ha demostrado que las máquinas pueden manejar solicitudes más como las personas. En respuesta a solicitudes de texto conversacionales, podía responder preguntas, escribir trabajos finales e incluso generar código de computadora.

ChatGPT no se regía por un conjunto de reglas. Aprendió sus habilidades analizando grandes cantidades de texto recopilado de Internet, incluidos artículos, libros y registros de chat de Wikipedia. Los expertos han elogiado la tecnología como una posible alternativa a motores de búsqueda como Google y asistentes de voz como Siri.

Las versiones más nuevas de la tecnología también aprenden de sonidos, imágenes y vídeos. Los investigadores llaman a esto «IA multimodal». Básicamente, empresas como OpenAI han comenzado a combinar chatbots con generadores de imágenes, audio y video de IA.

(El New York Times demandó a OpenAI y su socio Microsoft en diciembre, alegando infracción de derechos de autor de contenido de noticias relacionado con sistemas de inteligencia artificial).

A medida que las empresas combinan chatbots con asistentes de voz, persisten muchos obstáculos. A medida que los chatbots aprenden sus habilidades a partir de datos de Internet, son propensos a cometer errores. A veces constituyen enteramente información, un fenómeno que los investigadores de IA llaman «alucinación». Estas fallas están migrando a los asistentes de voz.

Si bien los chatbots pueden generar un lenguaje convincente, son menos hábiles para realizar acciones como programar una reunión o reservar un vuelo. Pero empresas como OpenAI están trabajando para convertirlos en “agentes de IA” que puedan realizar estas tareas de manera confiable.

OpenAI ofrecía anteriormente una versión de ChatGPT que podía aceptar comandos de voz y responder con voz. Pero era un mosaico de tres tecnologías de IA diferentes: una que convertía voz en texto, otra que generaba una respuesta de texto y otra que convertía ese texto en una voz sintética.

La nueva aplicación se basa en una única tecnología de inteligencia artificial (GPT-4o) que puede aceptar y generar texto, sonidos e imágenes. Esto significa que la tecnología es más eficiente y la empresa puede ofrecerla a los usuarios de forma gratuita, afirmó Murati.

«Antes, existía toda esta latencia resultante de tres modelos trabajando juntos», dijo Murati en una entrevista con The Times. «Quieres tener la experiencia que estamos teniendo nosotros, donde podamos tener este diálogo tan natural».