ChatGPT Advanced Voice นั้นยอดเยี่ยม—แต่ฉันรู้สึกถูกโกง

สรุป

• GPT-4o ไม่เป็นไปตามคำมั่นสัญญาที่ยิ่งใหญ่ เนื่องจากขาดความสามารถในการมองเห็นและการใช้งานจริงที่จำกัด
• เสียงขั้นสูงที่ใช้ GPT-4o เป็นฐาน ให้เสียงเหมือนมนุษย์ แต่ไม่มีคุณสมบัติการร้องเพลงและมีข้อบกพร่อง
• แม้ว่าจะไม่ใช่สิ่งที่สัญญาไว้ แต่ ChatGPT Advanced Voice ก็มีเสียงที่เป็นเอกลักษณ์และมีศักยภาพในการเล่าเรื่องและการเรียนรู้ภาษาขั้นพื้นฐาน

ข้อเสนอล่าสุดของ OpenAI ให้คำมั่นสัญญาว่าจะได้รับประสบการณ์ที่เหมือนไซไฟ แต่ความเป็นจริงกลับขาดการโฆษณาเกินจริง เราได้รับสัญญาว่าจะเป็นผู้ช่วย AI ที่สามารถมองเห็นโลกและพูดได้เหมือนมนุษย์ แต่กลับมีแชทบอตตาบอดที่พูดว่า “ขอโทษ ฉันทำแบบนั้นไม่ได้” ด้วยเสียงแสดงอารมณ์ใหม่ 9 เสียง

คำสัญญาที่เราทำกับ GPT-4o

เมื่อ OpenAI เปิดตัว GPT-4o ในเดือนพฤษภาคม 2024 รู้สึกเหมือนว่าเราอยู่บนจุดสูงสุดของการปฏิวัติเทคโนโลยีครั้งใหญ่ครั้งต่อไปในการโต้ตอบระหว่างมนุษย์กับคอมพิวเตอร์ มันเป็นเรื่องไซไฟที่เป็นจริงโดยเราเห็นผู้ช่วย AI ที่สามารถโต้ตอบเหมือนมนุษย์ได้จริงๆ เหมือนในภาพยนตร์เรื่อง Her

นี่คือคำเตือนของทุกสิ่งที่ได้รับการสาธิต:

• การสนทนาด้วยเสียงแบบเรียลไทม์
• ความสามารถในการขัดจังหวะและเปลี่ยนเส้นทางการสนทนาอย่างเป็นธรรมชาติ
• เสียงที่เหมือนจริงพร้อมช่วงอารมณ์ที่กว้างขวาง
• ความสามารถในการเล่าเรื่องและการร้องเพลงที่น่าทึ่ง
• ปรับปรุงความสามารถหลายภาษาและการแปล
• ปรับปรุงประสิทธิภาพในภาษาที่ไม่ใช่ภาษาอังกฤษ

• ความสามารถในการมองเห็น:

  • แก้โจทย์คณิตศาสตร์ที่เขียนบนกระดาษ
  • การอ่านสีหน้าและทำความเข้าใจสภาพแวดล้อม
• ฉลาดกว่า GPT-4 Turbo รุ่นเรือธง OpenAI ก่อน GPT-4o

เมื่อครบชุดแล้ว GPT-4o ให้ความรู้สึกเหมือนได้เปลี่ยนกระบวนทัศน์วิธีที่เราใช้และโต้ตอบกับคอมพิวเตอร์ของเรา การสาธิตนั้นน่าตื่นเต้นมาก และจิตใจของฉันก็แข่งกับความเป็นไปได้ที่ไร้ขีดจำกัด

ตัวอย่างเช่น ในที่สุดฉันก็สามารถยกเลิกการสมัครสมาชิก Calm และใช้ ChatGPT เพื่อเล่านิทานก่อนนอนให้ฉันฟังได้ ฉันสามารถใช้เป็นเทรนเนอร์ส่วนตัวได้ โดยวางไว้บนโต๊ะเพื่อติดตามจำนวนครั้งและท่าทางของฉัน มันสามารถร้องเพลงของฉันในขณะที่ฉันสร้างเพลงด้วย Udio

ไม่จำเป็นต้องพูดว่าฉันรู้สึกตื่นเต้นมาก นี่คืออนาคตที่ฉันรอคอย!

...แต่คำสัญญายังมาไม่ถึง

กรอไปข้างหน้าหนึ่งสัปดาห์หลังจากการประกาศครั้งใหญ่ และในที่สุดฉันก็ได้ครอบครอง GPT-4o OpenAI ระบุว่าพวกเขาจะค่อยๆ เปิดตัวทุกสิ่งที่พวกเขาสาธิต ดังนั้น GPT-4o นี้จึงเป็นแบบข้อความเท่านั้น สามารถยอมรับข้อความและรูปภาพเป็นการป้อนข้อมูลและตอบกลับเป็นข้อความ

มันฉลาดกว่ารุ่นก่อนๆ แต่ไม่ใช่ผู้ช่วยไซไฟที่เราสัญญาไว้ เพื่อเพิ่มการดูถูกการบาดเจ็บ เม็ดมะยมที่ "ฉลาดกว่า" ของมันถูกคว้าอย่างรวดเร็วในอีกหนึ่งเดือนต่อมาโดย Claude 3.5 Sonnet ซึ่งมีประสิทธิภาพเหนือกว่า GPT-4o ทั้งในด้านการเขียนโค้ดและงานสร้างสรรค์!

ในที่สุด ในเดือนกรกฎาคม Advanced Voice ก็เริ่มเปิดตัวในเวอร์ชันอัลฟ่าแก่ผู้ใช้เพียงไม่กี่ราย แต่ขอย้ำอีกครั้งว่ามันเป็นเพียงเสียง—ไม่มีความสามารถในการมองเห็น แน่นอนว่ามันดีกว่าโหมด Standard Voice แบบเก่า ซึ่งคุณต้องรอเป็นเวลานานกว่าจะตอบสนอง แต่มันก็ไม่ได้แปลกใหม่เสียทีเดียว

เดือนกันยายนปี 2024 มีการเปิดตัวเวอร์ชันสุดท้ายในวงกว้างขึ้น และฉันก็ทำได้ แม้ว่าเราจะเรียกสิ่งนี้ว่าขั้นสุดท้าย ได้จริงๆ ในเมื่อมันยังคงไม่เป็นไปตามสัญญาเริ่มต้นหรือไม่

ประสบการณ์ของฉันกับ ChatGPT Advanced Voice และทำไมฉันถึงรู้สึกถูกโกง

ขอให้ชัดเจน—ฟีเจอร์ Advanced Voice ที่เปิดตัวเต็มรูปแบบนั้นน่าประทับใจ คุณภาพเสียงเป็นเสียง AI ที่เหมือนมนุษย์มากที่สุดในตลาดอย่างปฏิเสธไม่ได้ การสนทนาให้ความรู้สึกเป็นธรรมชาติอย่างน่าขนลุก เหมือนกำลังพูดคุยกับบุคคลอื่น

น่าเสียดายที่มันไม่มีประโยชน์ในทางปฏิบัติ ยังไม่มีความสามารถในการมองเห็น ซึ่งจำกัดสิ่งที่คุณสามารถทำได้อย่างมาก และฉันก็เข้าใจแล้ว คุณลักษณะนี้เรียกว่าเสียงขั้นสูง ดังนั้นฉันจึงไม่ควรหวังว่ามันจะสามารถเห็นสิ่งต่าง ๆ ได้ อย่างไรก็ตาม มันไม่สามารถเห็นภาพที่คุณอัปโหลดไปยังแชทได้ แม้แต่ Standard Voice ก็ทำได้!

นอกจากนี้ เสียงก็ไม่ได้ขั้นสูงมากนัก มันยังคงใช้ GPT-4o เป็นสมอง ซึ่งหน้ามันไม่ใช่เครื่องมือที่คมชัดที่สุดในโรง AI อีกต่อไป แอดวานซ์วอยซ์ก็ไม่ยอมร้องเพลงเช่นกัน รู้สึกว่า OpenAI ไม่มีความตั้งใจที่จะเพิ่มการร้องเพลงเป็นคุณสมบัติแม้ว่าจะแสดงให้เห็นในการสาธิตแล้วก็ตาม นี่คือวิธีการตอบสนองเมื่อถูกถาม

ฉันสามารถสร้างเนื้อหาดนตรีด้วยการสนทนาด้วยเสียงได้หรือไม่?

ไม่ เพื่อเคารพสิทธิ์ของผู้สร้าง เราได้วางมาตรการบรรเทาผลกระทบหลายประการ รวมถึงตัวกรองใหม่ เพื่อป้องกันไม่ให้การสนทนาด้วยเสียงตอบสนองต่อเนื้อหาดนตรี รวมถึงการร้องเพลง

แม้ว่าข้อจำกัดนี้อาจเกิดจากปัญหาทางกฎหมายที่อาจเกิดขึ้น แต่ก็ไร้สาระที่ผู้ช่วยของฉันคนนี้จะไม่ร้องเพลง "สุขสันต์วันเกิด! ” อย่างน้อย OpenAI ก็สามารถอนุญาตให้มันร้องเพลงในสาธารณสมบัติได้ ดูเหมือนว่าฉันติดอยู่กับ Google Assistant เพื่ออวยพรวันเกิด!

มาถึงเรื่องการปรับเสียง—ดีมาก! ขอย้ำอีกครั้งว่ามันดีกว่าสิ่งอื่นใดในตลาด แต่ก็ไม่ได้พิเศษอะไร ฉันพยายามทำให้มันพูดเหมือน Marvel's Venom และมันก็ถูกหรือพลาด บางครั้งมันก็บอกว่า "แน่นอน" และพยายามทำเสียงเหมือนเขา แต่ไม่เคยได้เสียงที่ถูกต้องเลย ในบางครั้ง มันจะบอกฉันว่าไม่สามารถเลียนแบบตัวละครหรือคนดังที่เฉพาะเจาะจงได้

ฉันคิดว่าพอใช้ได้ ดังนั้นฉันจึงลองขอเสียงกลั้วคอพร้อมกับเสียงร้องที่ดังมากเพื่อดูว่าได้ผลหรือไม่ แต่ก็ยังฟังดูไม่ถูกต้อง ฉันยังพยายามลองใช้พารามิเตอร์เสียงร้องต่างๆ เพื่อดูว่าสามารถจับเสียงได้หรือไม่ แต่นั่นเป็นการทดลองที่ล้มเหลว แม้ว่าจะมีความยืดหยุ่นในระดับสูง แต่คุณไม่สามารถยืดออกได้มากพอที่จะได้เสียงร้องที่มีเอกลักษณ์เฉพาะตัวเหล่านั้น

นอกจากนี้คุณต้องแม่นยำมากกับภาษาที่คุณใช้ จะไม่ใช้คำขอของคุณเพื่อเลียนแบบหรือแอบอ้างเป็นบุคคลที่รู้จัก แต่ถ้าคุณขอให้พยายามพูดเหมือนใครบางคน มันก็จะพยายามปรับเสียงของมัน

หากข้อจำกัดเหล่านี้ยังไม่เพียงพอ คุณต้องจัดการกับจุดบกพร่องด้วย บางครั้ง Advanced Voice ใช้เวลาโหลดเป็นเวลานาน ทำให้ฉันต้องออกและลองเชื่อมต่ออีกครั้ง นอกจากนี้ การเล่าเรื่องหรือการพูดคนเดียวที่ยาวๆ ก็ไม่เหมาะกับการเล่าเรื่องด้วย หลังจากนั้นประมาณหนึ่งนาที มันก็จะหยุดพูดเว้นแต่คุณจะบอกให้พูดต่อซ้ำๆ มากสำหรับแผนการของฉันที่จะใช้มันเป็นนักเล่าเรื่องก่อนนอน!

ยังมีซับเงินอยู่

โชคดีที่มันไม่ได้แย่ไปเสียหมด! คุณจะได้รับตัวเลือกเสียงใหม่มากมาย โดยแต่ละตัวมีบุคลิกและช่วงการปรับเสียงของตัวเอง ปัจจุบันเสียงที่ฉันร้องคือ Maple, Arbor และ Vale แม้ว่าฉันจะไม่สามารถทำให้มันฟังดูเหมือน Venom ได้ แต่ฉันก็สามารถจัดการให้ Arbor ฟังดูเหมือนแอนตี้ฮีโร่ได้ ซึ่งมันเจ๋งมาก

การคิดออกมาดังๆ ยังดีอีกด้วย! การมีคู่สนทนาที่พร้อมอยู่ตลอดเวลา แม้ว่าจะไม่ได้เฉียบคมที่สุด แต่ก็ค่อนข้างดี มันเหมือนกับมีกระโหลกของเชอร์ล็อคเพื่อสะท้อนความคิดออกไป

แม้ว่าเสียงขั้นสูงจะไม่ใช่สิ่งที่ GPT-4o ได้รับการสาธิต แต่ก็ยังมีประสิทธิภาพและอาจมีประโยชน์ในบางสถานการณ์ ฉันเห็นว่าผู้อื่นอาจใช้ข้อมูลนี้เพื่อการเล่าเรื่องขั้นพื้นฐานสำหรับเด็ก การเรียนรู้ภาษา หรือการแปลอย่างรวดเร็วได้อย่างไร นี่เป็นกรณีการใช้งานที่ถูกต้องตามกฎหมาย และใครก็ตามที่กำลังมองหามันจะไม่รู้สึกผิดหวัง

ในท้ายที่สุด ChatGPT Advanced Voice ถือเป็นก้าวไปข้างหน้า แต่ก็เป็นก้าวที่เล็กกว่าที่เราสัญญาไว้มาก เป็นการเตือนใจว่าในโลกของ AI เราควรทำตามคำสัญญาอันยิ่งใหญ่เสมอ หวังว่าการอัปเดตในอนาคตจะนำเราเข้าใกล้ผู้ช่วยไซไฟที่เราทุกคนใฝ่ฝันมากขึ้น