وائس ایجنٹس کے لیے GPT-Live-1 API کے بارے میں ہمارے ابتدائی تاثرات

OpenAI نے دو روز پہلے اپنا نیا فل ڈوپلیکس وائس ماڈل GPT-Live-1 API میں جاری کیا۔ ہم پروڈکشن میں AI فون ایجنٹس بناتے اور چلاتے ہیں، اس لیے ہم نے اسے ایک حقیقی فون نمبر پر لگایا اور اسے کال کی۔ بہت زیادہ۔

ہم نے اسے اپنے ایک انشورنس صارف کے تقریباً 13,000 ٹوکن والے گرم لیڈ کی اہلیت جانچنے کے اسکرپٹ کے ساتھ آزمایا، جس میں لفظ بہ لفظ لازمی جملے، سخت دوبارہ پڑھنے کے اصول، اور شاخ دار فالو اپ شامل تھے۔ ایک طویل دن کے دوران، ہم نے ایک درجن حقیقی فون کالز، تقریباً 25 نقلی انٹرویوز، اور غیر منظم ٹیسٹس کا ایک بیچ چلایا۔

یہ ہمارے ابتدائی تاثرات ہیں، جن کے ساتھ ٹرانسکرپٹس اور آڈیو بھی شامل ہیں۔ مزید گہری تحریر جلد آ رہی ہے۔

ٹرانسکرپٹس ہماری ٹیسٹ کالز سے ہیں، جنہیں GPT-Live نے نقل کیا ہے۔ ہم نے نام اور شناخت ظاہر کرنے والی عبارت تبدیل کی ہے، تبادلے مختصر کیے ہیں، اور تقسیم شدہ ٹکڑوں کو یکجا کیا ہے۔ کال کے آغاز سے سیکنڈز میں درج ٹائم اسٹیمپس اصل ریکارڈنگز سے لیے گئے ہیں۔

قدرتی پن غیر معمولی ہے

GPT-Live-1 سب سے زیادہ قدرتی آواز والا گفتگو کرنے والا ہے جسے ہم نے فون لائن پر آزمایا ہے۔ یہ واقعی ایک بڑی پیش رفت ہے۔

یہ الگ ٹرانسکرپشن اور سنتھیسز مراحل کے بغیر، ایک مسلسل آڈیو اسٹریم پر سنتا اور بولتا ہے۔ گفتگو کی زیادہ تر میکانکس بس درست کام کرتی ہیں۔ کال کرنے والوں نے بات ختم کرنے کے تقریباً 1.3 سیکنڈ بعد اس کی پہلی آڈیو سنی (میڈین)، یا فون لیگ کے بغیر تقریباً 0.7 سیکنڈ میں۔ ہم نے کوئی وائس ایکٹیویٹی ڈیٹیکشن یا ٹرن ٹیکنگ لاجک شامل نہیں کی۔ یہ مداخلتوں کو خوش اسلوبی سے سنبھالتا ہے، قدرتی بیک چینلز ("ہمم") بناتا ہے، اور تیز، انسانی انداز کی رفتار سے بولتا ہے۔

جب اسے پڑھنے کے لیے جملوں کے بجائے مقاصد دیے جائیں، تو یہ سوالات کو گفتگو کے مطابق ڈھالتا ہے اور تصحیحات کو آسانی سے قبول کرتا ہے:

تصحیحات، مداخلتوں، یا کال کرنے والوں کے کال کے دوران جواب بدلنے کے باوجود اس نے کبھی اپنا توازن نہیں کھویا۔ اگر قدرتی پن ہی پوری ذمہ داری ہوتا، تو یہ تحریر یہیں ختم ہو جاتی۔ بدقسمتی سے، معاملہ صرف اتنا نہیں ہے۔

یہ ہدایات پر قابلِ اعتماد طریقے سے عمل نہیں کرتا

GPT-Live-1 اسکرپٹڈ فون کال کے لیے اہم رویوں سے متعلق ہدایات پر قابلِ اعتماد طریقے سے عمل نہیں کرتا۔

ایک سے زیادہ بار، اس نے واضح "ہاں" کا جواب ایسے دیا جیسے جواب "نہیں" ہو، سوال دوبارہ پوچھ لیا یا یوں آگے بڑھ گیا جیسے کال کرنے والے نے انکار کر دیا ہو۔

سب سے مستقل ناکامی ہدایات کو حد سے زیادہ لفظی طور پر لینا تھی۔ ہمارے prompt میں کہا گیا تھا: اگر کال کرنے والا کہے کہ فائل میں درج رہائشی حیثیت غلط ہے، تو پوچھیں کہ آیا وہ مالک ہیں، کرائے پر رہتے ہیں، یا اپنے والدین کے ساتھ رہتے ہیں۔ ایک کال کرنے والے نے کہا، "نہیں، اب میں اس کا مالک ہوں،" جو پہلے ہی اس سوال کا جواب ہے۔ پھر بھی ماڈل نے پوری فہرست پڑھ دی:

ابتدائی کچھ عجیب پن ہمارے prompt کی غلطی تھی، مگر جس prompt قسم کو بھی ہم نے آزمایا، لفظی پن برقرار رہا۔ جس جواب کی ہم نے صراحت سے وضاحت نہیں کی تھی، اسے معقول انداز کے بجائے میکانکی طور پر سنبھالا گیا۔

دباؤ میں یہ بعض اوقات بلند آواز میں سوچنے بھی لگتا ہے:

نمبرز اور حرفی عددی کوڈز خطرناک ہیں

ہجوں، پتوں، تاریخِ پیدائش، اور شناختی نمبرز کا بالکل درست ہونا ضروری ہے۔ یہی وہ جگہ ہے جہاں GPT-Live-1 کی گفتگو میں سب سے زیادہ مسائل نظر آتے ہیں۔

ہم نے اسے حرفی عددی اسٹرنگز میں حروف چھوڑتے اور بدلتے ہوئے سنا۔ یہاں یہ ایک فرضی کلیم نمبر پڑھتا ہے؛ خاموشی تراشنے کے علاوہ کلپس میں کوئی تبدیلی نہیں کی گئی۔ انگریزی میں اس کا ٹرانسکرپٹ درست تھا، لیکن آڈیو میں ایک "Y" شامل ہو گیا:

روسی میں معاملہ زیادہ خراب تھا: آڈیو اور اس کے ٹرانسکرپٹ، دونوں میں "Q" ایک "X" بن گیا۔

تاریخوں نے بھی یہی مسئلہ پیدا کیا۔ ایک کالر نے تاریخِ پیدائش ہندسوں کی صورت میں بتائی، جسے ماڈل نے بعد میں ایک عدد کے طور پر واپس پڑھا:

یہ کبھی کبھار کالر کی ایک لائن بھی بول دیتا ہے:

دیگر زبانوں میں لہجے

ہم اپنی پروڈکٹ کی معاونت یافتہ 47 زبانوں میں نئے وائس ماڈلز آزماتے ہیں۔ GPT-Live-1 کی روسی روانی سے بھری تھی، مگر اس میں نمایاں امریکی لہجہ تھا، جبکہ ہم پروڈکشن میں جو TTS آوازیں چلاتے ہیں وہ عموماً مقامی بولنے والوں جیسی لگتی ہیں:

ہم نے لوگانڈا بھی آزمائی۔ پہلی کال میں اس نے اس کے بجائے سواحلی میں جواب دیا۔ دوسری کال میں اس نے لوگانڈا بولی، جو ایک عمومی ماڈل سے ہماری توقع سے زیادہ قدرتی تھی، مگر پھر بھی نمایاں امریکی لہجے کے ساتھ۔ ہم نے ہر زبان کی جانچ نہیں کی، لیکن ہمارا خیال ہے کہ لہجے کا یہ انداز غالباً عمومی ہے۔ صرف انگریزی والے ایجنٹ کے لیے یہ اہم نہیں، مگر دوسری زبانوں کے استعمال کے معاملات میں یہ ایک خاصی بڑی احتیاط ہے۔

API کی چند اہم پابندیاں

اس ہفتے ہماری دریافتوں کی بنیاد پر، ایک حقیقی ایجنٹ کے لیے API کی چند پابندیاں اہم ہیں:

• سیشن شروع ہونے کے بعد ہدایات تبدیل نہیں کی جا سکتیں، اور ان کی حد 16,384 ٹوکنز ہے۔
• آؤٹ پٹ آڈیو کی اسٹریمنگ کبھی نہیں رکتی — خاموشی بھی اسٹریم ہوتی ہے — اس لیے جن استعمال کے معاملات میں ٹرنز کو الگ کرنا ضروری ہو، وہاں "آڈیو رک گئی" کو ٹرن ختم ہونے کے سگنل کے طور پر استعمال نہیں کیا جا سکتا۔
• یہ صرف نئے v1/live/sessions اینڈ پوائنٹ کے ذریعے دستیاب ہے، اور جب ہم نے جانچا تو یہ ابھی Azure پر دستیاب نہیں تھا۔

اب تک ہمارا تاثر

پروڈکشن فون ایجنٹس کو قدرتی سنائی دینا اور اسکرپٹس کی مستقل پیروی کرنا ضروری ہے۔ GPT-Live-1 پہلے معاملے میں شاندار ہے، لیکن دوسرے معاملے میں اس کے کچھ سنجیدہ مسائل ہیں۔ وقت کے ساتھ ہم مزید ٹیسٹ کریں گے اور اپنی دریافتیں بتاتے رہیں گے۔