O modo de voz no ToRun era um walkie-talkie. Tu falas, ele escuta; ele fala, o teu microfone está fechado. Não é assim que as pessoas falam, e toda a gente repara nisso em cerca de trinta segundos — o momento em que queres dizer "não, o outro" e tens de esperar que uma frase termine primeiro.
gpt-live-1 é um motor de duplex total. O microfone mantém-se aberto enquanto ele fala. Podes interrompê-lo como interromperias uma pessoa, e ele ouve-te enquanto fala, não só depois.
Por trás do mesmo contrato
É um protocolo diferente da voz em tempo real que já tínhamos — um ponto final diferente, um vocabulário de eventos diferente, sem identificadores de turno, sem marcador de fim de turno. Tudo isso é traduzido numa única fronteira para os eventos que a nossa ponte de voz já fala. Por baixo disso, nada muda: a mesma sessão, as mesmas ferramentas durante uma chamada, o mesmo acerto por minuto, as mesmas duas aplicações.
Antes de ser escrita uma única linha, uma sonda correu todo o ciclo contra o fornecedor com uma chave de desenvolvimento e registou as tramas. Esses registos são as amostras contra as quais a camada de tradução é testada — o que é testado é, portanto, o que o fornecedor realmente envia, não o que um documento diz que envia.
O eco é a razão pela qual ninguém faz isto por defeito
Um microfone aberto durante a reprodução ouve o assistente. Sem supressão, responde a si próprio, sem fim. Por isso, no iOS a sessão de áudio muda para o perfil de processamento de voz, o que anula o eco e se comporta como um alta-voz; no Android, a predefinição de captura faz o mesmo trabalho.
Isso tem um custo real, e é por isso que a decisão é tomada por modelo em vez de globalmente. A linha do catálogo leva uma marca. Um modelo com essa marca mantém o microfone aberto e ativa a anulação; qualquer outra voz na plataforma mantém a sua porta e o seu perfil de áudio mais alto, exatamente como antes. A decisão é tomada quando a sessão arranca, e retomada a partir do que o servidor realmente abriu, caso uma predefinição de nível se tenha resolvido para outra coisa.
Na web nada mudou: o microfone nunca lá esteve bloqueado, e o navegador já pede anulação de eco.
O que ainda não é
Não está no nível gratuito. Um minuto gratuito desapareceria numa única troca, e uma dotação que se esgota a meio de uma frase é pior do que uma que nunca foi oferecida.
E a primeira versão comporta-se mais como uma melhoria do que como uma transformação no telemóvel, porque ambas as aplicações mantêm ainda parte do seu próprio bloqueio até que a anulação do lado do dispositivo seja confirmada em hardware real. O motor é de duplex total; os telemóveis estão a aproximar-se.