OpenAI ha dado un paso gigante en la evolución de la inteligencia artificial con las nuevas capacidades de voz e imagen en ChatGPT.

[adsenseyu1]

Estas funciones ofrecen una interfaz más intuitiva, permitiéndote mantener conversaciones de voz o mostrar a ChatGPT de qué estás hablando. Esta innovación promete cambiar la forma en que interactuamos con la IA.

La era de la voz: chatgpt habla de vuelta

Imagina poder conversar con tu asistente de voz, como si estuvieras hablando con un amigo. Ahora es posible gracias a ChatGPT. Puedes utilizar la voz para mantener conversaciones de ida y vuelta con tu asistente, ya sea para pedir una historia antes de dormir para tus hijos o resolver un debate en la mesa durante la cena.

Cómo comenzar con la voz

Para empezar con esta emocionante función, simplemente dirígete a Configuración → Nuevas Funcionalidades en la aplicación móvil y activa las conversaciones de voz. Luego, pulsa el botón de auriculares en la esquina superior derecha de la pantalla principal y elige tu voz preferida de entre cinco opciones disponibles.

La capacidad de voz se basa en un nuevo modelo de texto a voz que puede generar audio similar al humano a partir de texto y unos pocos segundos de muestra de voz. Trabajamos con actores de voz profesionales para crear cada una de las voces. Además, utilizamos Whisper, nuestro sistema de reconocimiento de voz de código abierto, para transcribir tus palabras habladas en texto.

Habla con ChatGPT y escucha su respuesta

Este avance tecnológico abre un mundo de posibilidades, desde asistentes de voz más naturales hasta aplicaciones de accesibilidad más poderosas.

Conversaciones visuales: habla sobre imágenes

Pero eso no es todo. ChatGPT también puede trabajar con imágenes. Ahora puedes mostrar una o varias imágenes a ChatGPT para obtener ayuda en una variedad de situaciones, como solucionar problemas con tu parrilla, planificar una comida basada en lo que tienes en tu refrigerador o analizar datos complejos en el trabajo.

Cómo iniciar una conversación visual

Para comenzar, toca el botón de fotos para capturar o seleccionar una imagen. Si estás en iOS o Android, toca el botón de más primero. También puedes discutir varias imágenes o usar nuestra herramienta de dibujo para guiar a tu asistente.

La capacidad de comprender imágenes se basa en modelos multimodales GPT-3.5 y GPT-4. Estos modelos aplican su capacidad de razonamiento lingüístico a una amplia gama de imágenes, como fotografías, capturas de pantalla y documentos que contienen texto e imágenes.

Despliegue gradual para mayor seguridad

OpenAI se compromete a construir la IA general artificial (AGI) de manera segura y beneficiosa. Creemos en poner a disposición nuestras herramientas de manera gradual, lo que nos permite realizar mejoras y refinar las mitigaciones de riesgos con el tiempo, al tiempo que preparamos a todos para sistemas más potentes en el futuro. Esta estrategia es aún más importante con modelos avanzados que involucran voz e imágenes.

La voz y la imagen: nuevos desafíos y oportunidades

Las capacidades de voz presentan nuevos riesgos, como la posibilidad de que actores maliciosos se hagan pasar por figuras públicas o cometan fraudes. Por esta razón, estamos utilizando esta tecnología específicamente para impulsar casos de uso como el chat de voz, en colaboración con actores de voz con los que hemos trabajado directamente.

En cuanto a las imágenes, presentan desafíos adicionales, desde ilusiones visuales hasta la interpretación de imágenes en dominios de alto riesgo. Antes de un despliegue más amplio, sometimos el modelo a pruebas con equipos de seguridad (red teamers) para evaluar riesgos en dominios como el extremismo y la competencia científica, además de contar con un grupo diverso de probadores alfa.

Haciendo que la visión sea útil y segura

La visión es una herramienta que puede mejorar tu vida cotidiana, especialmente cuando puede ver lo que tú ves. Este enfoque se ha desarrollado en colaboración con Be My Eyes, una aplicación móvil gratuita para personas ciegas o con baja visión, para comprender usos y limitaciones. Los usuarios nos han dicho que encuentran valioso poder mantener conversaciones generales sobre imágenes que contienen personas en segundo plano, como cuando alguien aparece en la televisión mientras intentas configurar el control remoto.

Transparencia sobre las limitaciones del modelo

Es importante que los usuarios entiendan las limitaciones del modelo. Por ejemplo, el modelo es eficiente para transcribir texto en inglés, pero tiene un desempeño deficiente en algunos otros idiomas, especialmente aquellos con escritura no romana. Recomendamos a nuestros usuarios no usar ChatGPT para estos casos.

Expansión del acceso

Las capacidades de voz e imagen se están implementando primero para usuarios Plus y Enterprise en las próximas dos semanas. Estamos emocionados de llevar estas capacidades a otros grupos de usuarios, incluidos los desarrolladores, en un futuro cercano.

Con estas nuevas funciones, ChatGPT está en camino de convertirse en una herramienta aún más poderosa y versátil para usuarios de todo el mundo. ¡Descubre el futuro de la interacción con la IA con ChatGPT!