OpenAI uruchomiło GPT-Live-1 i GPT-Live-1 mini, modele głosowe działające w trybie pełnego dupleksu, czyli słuchające i mówiące jednocześnie. To pierwsza tak wyraźna próba OpenAI, żeby rozmowa z ChatGPT przestała przypominać wydawanie poleceń, a zaczęła przypominać zwykłą rozmowę telefoniczną.
Kluczowe fakty:
- OpenAI uruchomiło 8 lipca 2026 roku modele głosowe GPT-Live-1 i GPT-Live-1 mini, działające w trybie pełnego dupleksu – jednoczesnego słuchania i mówienia – dostępne globalnie na iOS, Androidzie oraz w przeglądarce.
- GPT-Live-1 mini zastępuje dotychczasowy Advanced Voice Mode jako domyślny tryb głosowy dla darmowych kont, natomiast użytkownicy płatnych planów Go, Plus i Pro otrzymują dostęp do większego modelu GPT-Live-1.
- Nowa architektura przetwarza dźwięk wejściowy i generuje głos wyjściowy jednocześnie, podejmując decyzje wielokrotnie w ciągu sekundy, co umożliwia m.in. wtrącanie pytań w trakcie odpowiedzi oraz tłumaczenie symultaniczne.
Premiera odbyła się 8 lipca 2026 roku i objęła od razu cały świat: iOS, Androida oraz przeglądarkową wersję ChatGPT.com. GPT-Live-1 mini zastępuje dotychczasowy Advanced Voice Mode jako domyślny tryb głosowy dla darmowych kont, natomiast płacący użytkownicy planów Go, Plus i Pro dostają dostęp do większego modelu GPT-Live-1.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Co się właściwie zmieniło pod maską
Stary tryb głosowy ChatGPT sklejał ze sobą trzy oddzielne modele: jeden zamieniał mowę na tekst, drugi generował odpowiedź, trzeci zamieniał tekst z powrotem na głos. Taki łańcuch działał, ale miał wadę, którą każdy użytkownik znał z własnego doświadczenia. Asystent czekał na ciszę, żeby uznać, że skończyłeś mówić, a chwila zawahania albo odgłos w tle wystarczały, żeby wszedł ci w słowo w najgorszym możliwym momencie.
GPT-Live działa inaczej. Model przetwarza dźwięk wejściowy i generuje głos wyjściowy w tym samym czasie, podejmując decyzje wielokrotnie w ciągu sekundy: mówić, słuchać dalej, zrobić pauzę, przerwać, sięgnąć po narzędzie. W praktyce oznacza to, że można wtrącić pytanie w połowie odpowiedzi, poprosić o zwolnienie tempa albo po prostu zamilknąć na chwilę, żeby zebrać myśli, a system to rozpozna zamiast uznać ciszę za koniec wypowiedzi.
Ta sama architektura otwiera drzwi do tłumaczenia symultanicznego. Podczas prezentacji OpenAI pokazało wersję demo z tłumaczeniem na hindi. Wypadła nierówno: głos miał wyraźny amerykański akcent, a intonacja brzmiała sztywno i książkowo. Firma przyznała, że nowy tryb jest zoptymalizowany pod „większość języków mówionych”, nie precyzując jednak, których dokładnie to dotyczy.
Głębsze rozumowanie na żądanie
Ciekawym rozwiązaniem jest oddzielenie warstwy rozmowy od warstwy myślenia. Kiedy pytanie wymaga wyszukiwania w sieci, złożonego rozumowania czy działań agentowych, GPT-Live przekazuje zadanie modelowi tekstowemu GPT-5.5, a sam kontynuuje rozmowę, sygnalizując na przykład „sprawdzę to za chwilę”, zamiast zawieszać się w ciszy. Produkt lead ChatGPT Voice, Atty Eleti, mówił podczas briefingu prasowego, że osobiście prowadził 30 i 40-minutowe rozmowy z asystentem podczas spacerów.
Eleti dodał, że OpenAI widzi w głosie coś więcej niż wygodny dodatek do aplikacji.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Full duplex to jedna z tych zmian, które trudno docenić z opisu, a łatwo poczuć w praktyce. Możliwość przerwania asystenta w połowie zdania brzmi jak drobiazg, dopóki nie porówna się tego z frustracją rozmowy z botem, który non stop wchodzi nam w słowo albo czeka na ciszę, jakby liczył sekundy. OpenAI otwarcie mówi, że chce zrobić z głosu główny interfejs do pracy z agentami, nie tylko do pogawędek. To ambitny plan, bo oznacza rezygnację z ekranu tam, gdzie ekran daje kontrolę i możliwość weryfikacji.
Jest tu jednak drugie dno. Firma sama przyznaje, że prowadzi teraz dłuższy monitoring pod kątem emocjonalnego przywiązania użytkowników, bo naturalność, o którą tak zabiega, to ta sama cecha, która sprzyja traktowaniu asystenta jak towarzysza rozmowy, a nie narzędzia. Widać to zresztą w całej branży: Sesame, Inflection czy inne startupy głosowe otwarcie mówią o „towarzyszach” i „przyjaciołach AI”. OpenAI deklaruje, że nie idzie w tę stronę, ale granica między asystentem naturalnym a asystentem, do którego ktoś zaczyna być przywiązany emocjonalnie, jest cienka. Wypada trzymać rękę na pulsie, zwłaszcza w kontekście nastolatków, dla których firma zapowiada dodatkowe zabezpieczenia.
„Z czasem sądzimy, że to również otworzy możliwość używania głosu jako podstawowego interfejsu do obliczeń i zarządzania coraz bardziej złożoną, długotrwałą pracą agentową. Te niesamowite przypadki użycia, które widzimy u ludzi korzystających z Codex i ChatGPT, uważamy, że głos może być przyszłym interfejsem do wszelkiego rodzaju pracy” / „Over time, we think this will also unlock the ability to use voice as a kind of primary interface to computing, and to manage increasingly complex long-running agentic work. The kind of amazing use cases that we see people using Codex and ChatGPT to accomplish, we think voice can be the future interface to all kinds of work” — powiedział Eleti.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Bezpieczeństwo i skala
OpenAI podkreśla, że mimo dążenia do naturalności nowy tryb głosowy nie ma być projektowany jako towarzysz emocjonalny. Firma zapewnia, że wbudowała zabezpieczenia dostosowujące odpowiedzi do wieku nastoletnich użytkowników oraz procedury kierujące do zasobów pomocowych, gdy rozmowa schodzi na temat samookaleczenia. Według danych zewnętrznych porównujących nowy model do poprzedniego, GPT-Live-1 dorównał lub poprawił wyniki Advanced Voice Mode w większości kategorii testowych, choć odnotowano niewielki spadek w kategorii „emocjonalnego polegania” na asystencie, którego firma nie uznała za statystycznie istotny.
Skala, na jaką trafia ta zmiana, jest ogromna. OpenAI podaje, że z funkcji głosowych i dyktowania korzysta ponad 150 milionów osób tygodniowo. To wprowadzenie nie dotyczy więc niszowej funkcji, tylko jednego z głównych sposobów, w jaki ludzie w ogóle korzystają z ChatGPT.
- GPT-Live-1 i GPT-Live-1 mini to dwa warianty modelu, różniące się rozmiarem i dostępnością w zależności od planu subskrypcji
- Model działa w architekturze full-duplex, czyli słucha i mówi jednocześnie, podejmując decyzje wielokrotnie w ciągu sekundy
- Trudniejsze zadania są delegowane do modelu tekstowego GPT-5.5 w tle, bez przerywania rozmowy
- Funkcja live translation umożliwia tłumaczenie na żywo, choć jakość różni się w zależności od języka
- Na start nie działa jeszcze rozmowa głosowa z obrazem ani udostępnianie ekranu, te funkcje pozostają w starszym Advanced Voice Mode
- API dla deweloperów ma pojawić się później, obecnie można zapisać się na listę oczekujących
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co to oznacza dla polskiego czytelnika
Głos jako interfejs to coś, co w Polsce dopiero się przyjmuje, ale rośnie szybciej, niż mogłoby się wydawać patrząc na ogólne statystyki użycia ChatGPT. Z danych Gemius i PBI wynika, że liczba polskich użytkowników ChatGPT przekroczyła w 2025 roku 10 milionów, co odpowiada mniej więcej co trzeciemu internaucie w kraju, a prognozy na 2026 rok mówią o możliwym przekroczeniu 15 milionów. To rynek, na którym nowy tryb głosowy może realnie zmienić sposób korzystania z narzędzia, zwłaszcza wśród młodszych użytkowników i mieszkańców mniejszych miejscowości, gdzie pisanie długich promptów bywa mniej wygodne niż rozmowa.
Problem w tym, że polszczyzna prawdopodobnie nie znajdzie się w pierwszej fali języków, dla których tłumaczenie na żywo i naturalna intonacja będą dopracowane najlepiej. Demo z językiem hindi pokazało, że nawet przy dużych zasobach OpenAI akcent i płynność w mniej priorytetowych językach kuleją. Dla polskich firm rozważających wdrożenie asystentów głosowych w obsłudze klienta czy sprzedaży to sygnał, żeby na razie testować możliwości na małą skalę, zanim zbuduje się na tym kluczowy proces biznesowy.
Warto też zwrócić uwagę na kontekst konkurencyjny. Rynek asystentów głosowych rośnie nie tylko za sprawą OpenAI. Sesame, startup założony przez współtwórców Oculusa, zebrał w ostatniej rundzie 250 milionów dolarów przy wycenie przekraczającej miliard dolarów, stawiając na podobną wizję głosu jako naturalnego interfejsu komputerowego, tyle że osadzoną w noszonych na co dzień okularach. Apple i Amazon również unowocześniają swoje asystentki głosowe pod kątem lepszego rozumienia kontekstu. Dla polskiego rynku oznacza to, że w najbliższych miesiącach pojawi się realny wybór między kilkoma konkurencyjnymi podejściami do rozmowy z maszyną, a nie tylko jedna opcja od OpenAI.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym artykułu TechCrunch z dnia 08.07.2026 oraz VentureBeat, a także materiałów MarkTechPost, The Verge i Reuters. Dane o liczbie polskich użytkowników ChatGPT pochodzą z raportu Press.pl na podstawie badania Mediapanel PBI/Gemius. Cytat Atty Eletiego został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym TechCrunch. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o dostępności GPT-Live w kolejnych językach i regionach.
