Tryb głosowy w ToRun był krótkofalówką. Ty mówisz, on słucha; on mówi, twój mikrofon jest zamknięty. Ludzie tak nie rozmawiają, i każdy to zauważa w około trzydzieści sekund — moment, gdy chcesz powiedzieć "nie, ten drugi" i musisz najpierw poczekać, aż zdanie się skończy.
gpt-live-1 to silnik pełnego dupleksu. Mikrofon pozostaje otwarty, gdy mówi. Możesz mu przerwać, tak jak przerywasz osobie, a on słyszy cię, gdy mówi, nie tylko po.
Za tym samym kontraktem
To inny protokół niż głos czasu rzeczywistego, który już mieliśmy — inny punkt końcowy, inne słownictwo zdarzeń, brak identyfikatorów tur, brak znacznika końca tury. Wszystko to jest tłumaczone na jednej granicy na zdarzenia, którymi już mówi nasz most głosowy. Poniżej tego nic się nie zmienia: ta sama sesja, te same narzędzia podczas rozmowy, to samo rozliczenie za minutę, te same dwie aplikacje.
Zanim napisano choćby jeden wiersz, sonda przepuściła całą pętlę przez dostawcę z kluczem deweloperskim i nagrała klatki. Te nagrania są fixture'ami, wobec których testowana jest warstwa tłumaczenia — testowane jest więc to, co dostawca naprawdę wysyła, nie to, co dokument twierdzi, że wysyła.
Echo to powód, dla którego nikt nie robi tego domyślnie
Otwarty mikrofon podczas odtwarzania słyszy asystenta. Bez tłumienia odpowiada sam sobie, bez końca. Dlatego na iOS sesja audio przełącza się na profil przetwarzania głosu, ten, który anuluje echo i zachowuje się jak głośnomówiące; na Androidzie ustawienie wstępne przechwytywania robi tę samą pracę.
Ma to realny koszt, dlatego decyzja jest podejmowana per model, a nie globalnie. Wiersz katalogu niesie flagę. Model z tą flagą trzyma mikrofon otwarty i włącza anulowanie; każdy inny głos na platformie zachowuje swoją bramkę i głośniejszy profil audio, dokładnie jak wcześniej. Decyzja jest podejmowana przy starcie sesji i podejmowana ponownie na podstawie tego, co serwer naprawdę otworzył, na wypadek gdyby domyślne ustawienie poziomu rozwiązało się na coś innego.
W sieci nic się nie zmieniło: mikrofon nigdy tam nie był zablokowany, a przeglądarka już prosi o anulowanie echa.
Czym jeszcze nie jest
Nie jest w darmowym poziomie. Darmowa minuta zniknęłaby w jednej wymianie, a przydział, który kończy się w połowie zdania, jest gorszy niż nigdy nieoferowany.
A pierwsza wersja zachowuje się bardziej jak ulepszenie niż przełom na mobile, ponieważ obie aplikacje nadal zachowują część własnej blokady, dopóki tłumienie po stronie urządzenia nie zostanie potwierdzone na prawdziwym sprzęcie. Silnik jest pełnym dupleksem; telefony nadrabiają.