OpenAI выпустила голосовую модель GPT-Live-1 и подала её как новое поколение для «естественного общения человека и ИИ». Но в соцсетях почти сразу разлетелся не эффектный демо-ролик, а школьная задачка, на которой модель споткнулась: она не смогла правильно посчитать буквы в слове seventeen. Для компании это особенно неловко, потому что GPT-Live-1 продвигают как более быстрый и живой режим разговора с ChatGPT.
По данным OpenAI, модель работает в full-duplex-режиме. То есть ChatGPT может слушать и говорить одновременно, вставлять короткие «угу» и «да», а сам диалог должен звучать ближе к обычной беседе. И вот тут система и попалась: тиктокер Husk, который давно проверяет голосовые функции ChatGPT на прочность, попросил ассистента сказать, сколько раз буква E встречается в слове seventeen. Ответ был «два», хотя правильный — один.
На этом неловкость не закончилась. Когда пользователь завершил разговор, модель выдала скомканное прощание, и ролик быстро ушёл по X и TikTok. Один из сотрудников OpenAI, инженер по Developer Experience Джейсон Лю, репостнул видео и добавил короткую реакцию из одного нецензурного слова. Для публичного запуска это уже выглядит скорее как антиреклама.
Husk не в первый раз ловит голосовой режим OpenAI на совсем простых сбоях. Раньше у него разошлось видео, где ChatGPT не справлялся с установкой таймера. Тогда на ролик отреагировал и глава компании Сэм Альтман. Теперь к этому набору тестов добавился еще один мемный бенчмарк: другой пользователь попросил GPT-Live-1 посчитать буквы R в strawberry, и модель тоже запуталась. Для текстовых моделей такой вопрос давно стал почти стандартной проверкой на внимательность, и многие конкуренты уже проходят ее без осечек.
Проблема, впрочем, не только в подсчете букв. Пользователи жалуются, что full-duplex делает ChatGPT слишком разговорчивым: ассистент вставляет подтверждения прямо в ходе речи собеседника, но не всегда чувствует, когда лучше промолчать. Вместо более естественного диалога часть людей получила машину, которая перебивает.
И все это произошло в момент, когда рынок голосовых ИИ-сервисов стал заметно теснее. Google продвигает Gemini Live как встроенного собеседника для Android, Amazon перезапускает Alexa+ с генеративными функциями, а Apple постепенно встраивает новые голосовые сценарии в Apple Intelligence. По оценке Markets and Markets, мировой рынок conversational AI к концу десятилетия должен превысить $40 млрд. На таком фоне даже небольшой вирусный сбой быстро превращается в аргумент в пользу конкурента.