Advanced Voice Mode rullas ut – ChatGPT får naturligare röstsamtal

Advanced Voice Mode rullas ut – ChatGPT får naturligare röstsamtal

Den 24 september 2024 började OpenAI rulla ut Advanced Voice Mode bredare till betalande ChatGPT-användare. Funktionen använde GPT-4o:s inbyggda ljudförmåga för snabbare och mer naturliga samtal med möjlighet att uppfatta delar av tempo, tonfall och känslouttryck.

Marketplace sammanfattar lanseringen i efterhand. En begränsad alfa hade redan testats av en mindre användargrupp, men septemberutrullningen var den första bredare verifierade lanseringen till Plus- och Team-användare. Tillgången varierade mellan regioner, planer och plattformar.

Advanced Voice i korthet

| Punkt | Uppgift vid utrullningen |
|---|---|
| Bredare lanseringsdatum | 24 september 2024 |
| Underliggande modell | GPT-4o:s nativa ljudförmåga |
| Första bredare målgrupp | Plus- och Team-användare |
| Samtalsform | Realtidsliknande tal med möjlighet att avbryta |
| Röster | Flera förvalda syntetiska röster |
| Daglig användning | Begränsad beroende på plan och kapacitet |
| Viktiga begränsningar | Kunde fortfarande missförstå, hallucinera och ge olämpligt säkra svar |
| Säkerhetsfrågor | Röstimitation, känslomässig påverkan och dataskydd |

Vad gjorde röstsamtalet mer naturligt?

Tidigare röstlägen använde flera steg: tal omvandlades till text, språkmodellen skapade ett svar och en separat talsyntes läste upp det. Det gav längre pauser och gjorde att information om hur något sades kunde försvinna.

Advanced Voice använde GPT-4o för att behandla ljud mer direkt. Det gjorde att samtalet kunde reagera snabbare och hantera fler nyanser.

Användaren kunde exempelvis:

• avbryta modellen mitt i ett svar
• be den ändra tempo eller uttryck
• träna uttal och språk
• diskutera en idé utan att skriva
• genomföra rollspel inför intervju eller presentation
• få muntlig hjälp under en praktisk uppgift

Det förändrade upplevelsen från uppläst chatbot till något som mer liknade en samtalspartner.

Flera nya röster

OpenAI erbjöd flera förvalda röster med olika ton och karaktär. De var syntetiska och utformade för att undvika direkt imitation av en viss offentlig person.

Röstvalet påverkade hur användaren uppfattade samma innehåll. Ett varmt och uttrycksfullt svar kunde kännas mer stöttande än identisk text på en skärm.

Det skapade samtidigt en risk för överdriven tillit. En vänlig röst är inte ett bevis på att rådet är korrekt eller att systemet förstår användarens situation på mänskligt sätt.

Språkträning blev ett tydligt användningsfall

Advanced Voice lämpade sig väl för språkövning eftersom användaren kunde föra ett spontant samtal, be om korrigeringar och upprepa uttal.

Ett strukturerat arbetssätt kunde vara:

1. välj ett vardagligt scenario
2. be ChatGPT tala på rätt svårighetsnivå
3. genomför samtalet utan att byta till svenska
4. be om tre viktigaste rättningarna efteråt
5. upprepa de feluttalade fraserna

Modellen kunde ändå lära ut ett onaturligt uttryck eller missa en dialektskillnad. Lärare och autentiska källor behövdes fortfarande för avancerad språkinlärning.

Intervjuer, försäljning och presentationer

Röstläget kunde användas för rollspel. En jobbsökare kunde träna på intervjufrågor, en säljare på invändningar och en chef på ett svårt personalsamtal.

För att övningen skulle bli användbar behövde användaren beskriva:

• målet
• motpartens roll
• svårighetsgrad
• vilka kriterier återkopplingen skulle bedöma
• vad som inte skulle antas

AI:n kunde ge variation och snabb återkoppling, men borde inte användas för att spela in eller analysera verkliga anställda utan rättsligt stöd och tydlig information.

Röstimitation och Sky-kontroversen

Röstfunktioner väckte tidigt debatt om likhet med verkliga personer. OpenAI hade tidigare pausat rösten Sky efter frågor om dess likhet med skådespelaren Scarlett Johansson, samtidigt som företaget sade att rösten hade skapats av en annan röstskådespelare.

Advanced Voice lanserades med ett begränsat urval godkända röster och tekniska skydd mot att modellen genererade andra röster än de tillåtna.

Det illustrerade en bredare rättighetsfråga: en röst kan vara starkt förknippad med en person även om orden är nya. Företag bör därför inte skapa en syntetisk kopia av en anställd, kändis eller kund utan tydligt samtycke och avtal.

Säkerhetsrisker med känslomässigt tal

Ett textfel kan se tveksamt ut. Samma fel uttalat snabbt och empatiskt kan uppfattas som mer trovärdigt.

OpenAI analyserade risker som:

• emotionellt beroende
• antropomorfisering, där användaren tillskriver systemet mänskliga egenskaper
• felaktiga medicinska råd
• bedrägeri och social manipulation
• olämplig röstimitation
• innehåll som låter auktoritativt trots osäkerhet

Användaren behövde därför påminnas om att rösten fortfarande drevs av en statistisk modell som kunde göra fel.

Dataskydd och inspelningar

Röstsamtal kan innehålla mer personinformation än en genomtänkt textfråga. Bakgrundsljud kan fånga namn, adresser, kollegor eller familjemedlemmar.

Svenska företag behövde bestämma:

• om arbetsrelaterade röstsamtal fick användas
• vilka rum och situationer som var lämpliga
• hur ljuddata och transkription hanterades
• om andra deltagare behövde informeras
• hur kontohistorik och radering fungerade
• om uppgifterna omfattades av sekretess eller GDPR

En öppen mikrofon i ett mötesrum kunde exponera betydligt mer än användaren avsåg.

Skillnaden mot vanlig diktering

| Diktering | Advanced Voice Mode |
|---|---|
| Omvandlar tal till text | För ett dynamiskt samtal |
| Följer huvudsakligen orden | Kan reagera på delar av tempo och tonfall |
| Ger normalt inget eget resonemang | Skapar svar och följdfrågor |
| Låg risk för agentlik relation | Kan upplevas som en social samtalspartner |

Advanced Voice var därför mer användbart men krävde större försiktighet än ett vanligt tangentbordsalternativ.

Begränsad användning och regional tillgång

Utrullningen skedde stegvis. Betalande användare fick dagliga gränser och funktioner kunde saknas i vissa regioner på grund av juridiska och produktmässiga krav.

OpenAI fortsatte senare att bredda röstläget till fler plattformar och kontotyper. Det historiska datumet 24 september 2024 avser den bredare utrullningen, inte dagens funktioner eller aktuella abonnemangsgränser.

Läs även vår artikel om GPT-4o:s ursprungliga lansering den 13 maj 2024.

Vad svenska användare kunde göra säkrare

Några praktiska regler var:

1. använd inte röstläget för akuta medicinska beslut
2. undvik att läsa upp lösenord, personnummer och företagshemligheter
3. informera andra innan deras röster kan fångas
4. kontrollera viktiga råd i skriftliga originalkällor
5. avsluta sessionen när mikrofonen inte behövs
6. granska konto- och historikinställningar

För barn och ungdomar behövdes särskild uppmärksamhet på relationen till en socialt uttrycksfull AI. Marketplace har senare beskrivit ChatGPT for Teens och OpenAI:s särskilda ungdomsskydd.

Vanliga frågor

När lanserades Advanced Voice Mode brett?

OpenAI började en bredare utrullning till Plus- och Team-användare den 24 september 2024.

Kunde man avbryta ChatGPT medan det talade?

Ja. Möjligheten att avbryta och fortsätta mer naturligt var en central förbättring.

Förstod ChatGPT känslor?

Modellen kunde reagera på delar av tonfall och taltempo, men den hade inte mänsklig känslomässig förståelse.

Var röstsamtalen obegränsade?

Nej. Användningen var begränsad beroende på plan, efterfrågan och utrullningsfas.

Kunde modellen imitera vilken röst som helst?

OpenAI begränsade systemet till godkända förvalda röster och införde skydd mot obehörig röstgenerering.

Var alla länder inkluderade?

Nej. Tillgången varierade mellan regioner och utökades stegvis.

Sammanfattning

Advanced Voice Mode började rullas ut bredare den 24 september 2024 och gjorde ChatGPTs röstsamtal snabbare, mer avbrytbara och mer uttrycksfulla. Funktionen blev särskilt användbar för språkträning, rollspel och handsfree-arbete.

Samtidigt ökade risken för överdriven tillit, röstmissbruk och oavsiktlig insamling av personuppgifter. En naturlig röst gjorde inte AI:n mer sann eller mer mänsklig, vilket gjorde källkontroll och tydliga integritetsregler fortsatt nödvändiga.

Faktaunderlag: OpenAI:s modell- och ChatGPT-release notes för Advanced Voice, med bredare utrullning den 24 september 2024. Artikeln är en historisk sammanfattning publicerad i efterhand.