Der Sprachmodus in ToRun war ein Walkie-Talkie. Du sprichst, es hört zu; es spricht, dein Mikrofon ist geschlossen. So sprechen Menschen nicht, und jeder bemerkt es innerhalb von etwa dreißig Sekunden — der Moment, in dem du „nein, das andere“ sagen willst und erst warten musst, bis ein Satz zu Ende ist.
gpt-live-1 ist eine Vollduplex-Engine. Das Mikrofon bleibt offen, während sie spricht. Du kannst sie unterbrechen, wie du eine Person unterbrichst, und sie hört dich, während sie spricht, nicht erst danach.
Hinter demselben Vertrag
Es ist ein anderes Protokoll als die Echtzeit-Sprache, die wir bereits hatten — ein anderer Endpunkt, ein anderes Vokabular an Ereignissen, keine Turn-Kennungen, kein Ende-der-Runde-Marker. All das wird an einer einzigen Grenze in die Ereignisse übersetzt, die unsere Sprach-Brücke bereits spricht. Alles darunter bleibt unverändert: dieselbe Sitzung, dieselben Werkzeuge während eines Anrufs, dieselbe Abrechnung pro Minute, dieselben zwei Apps.
Bevor auch nur eine Zeile geschrieben wurde, lief eine Sonde die gesamte Schleife gegen den Anbieter mit einem Entwicklerschlüssel und zeichnete die Frames auf. Diese Aufzeichnungen sind die Fixtures, gegen die die Übersetzungsschicht getestet wird — geprüft wird also, was der Anbieter tatsächlich sendet, nicht was ein Dokument behauptet zu senden.
Echo ist der Grund, warum das niemand standardmäßig macht
Ein offenes Mikrofon während der Wiedergabe hört die Assistenz. Ohne Unterdrückung antwortet sie sich selbst, endlos. Deshalb wechselt die Audiositzung auf iOS zum Sprachverarbeitungsprofil, das Echo unterdrückt und sich wie eine Freisprechanlage verhält; auf Android erledigt die Aufnahmevoreinstellung dieselbe Aufgabe.
Das hat echte Kosten, und deshalb wird das pro Modell entschieden statt global. Die Katalogzeile trägt ein Kennzeichen. Ein Modell mit diesem Kennzeichen hält das Mikrofon offen und schaltet die Unterdrückung ein; jede andere Stimme auf der Plattform behält ihr Tor und ihr lauteres Audioprofil, genau wie zuvor. Die Entscheidung wird getroffen, wenn die Sitzung startet, und erneut getroffen aus dem, was der Server tatsächlich geöffnet hat — falls eine Stufenvorgabe sich zu etwas anderem aufgelöst hat.
Im Web hat sich nichts geändert: Das Mikrofon wurde dort nie gesperrt, und der Browser fragt bereits nach Echounterdrückung.
Was es noch nicht ist
Es ist nicht in der kostenlosen Stufe. Eine kostenlose Minute wäre in einem einzigen Austausch aufgebraucht, und ein Kontingent, das mitten im Satz ausgeht, ist schlimmer als eines, das nie angeboten wurde.
Und die erste Version verhält sich auf dem Handy eher wie eine Verbesserung als wie eine Umwälzung, denn beide Apps behalten noch einen Teil ihrer eigenen Sperrung, bis die geräteseitige Unterdrückung auf echter Hardware bestätigt ist. Die Engine ist Vollduplex; die Telefone holen auf.