Doterajšie hlasové režimy AI asistentov boli najmä pohodlnejšou formou rozhovoru. Používateľ položil otázku, asistent odpovedal a interakcia sa odohrávala prevažne v jednej konverzácii. Nová verzia ChatGPT Voice rozširuje tento model o schopnosti režimu Work. Hlasom tak možno spustiť úlohu, ktorá používa pripojené aplikácie, prehliadač alebo vytvára hotový súbor.
OpenAI v poznámkach k vydaniu uvádza dokumenty, prezentácie a tabuľky. Prakticky to znamená, že používateľ nemusí na malom displeji skladať dlhý prompt. Môže opísať cieľ, doplniť kontext a priebežne reagovať na otázky. Výsledky a dôležité kroky sa pritom zobrazujú písomne v chate, takže hlasové zadanie nekončí iba odpoveďou, ktorú treba počúvať.
Rozdiel medzi diktovaním a agentnou hlasovou úlohou je zásadný. Diktovanie len prevedie reč na text. Voice v Work môže tento text interpretovať ako cieľ, naplánovať viac krokov, použiť dostupné nástroje a odovzdať výsledok. Hlas je vstupné rozhranie, zatiaľ čo skutočnú hodnotu tvorí pracovný režim za ním.
Čo možno hlasom spustiť
V režime Work môže používateľ požiadať o vytvorenie materiálu, spracovanie informácií z pripojených služieb alebo prácu v prehliadači. Typickým príkladom je súhrn e-mailov, návrh odpovede, spracovanie správ zo spolupracovného nástroja alebo zostavenie dokumentu z viacerých podkladov. Dostupný rozsah však závisí od plánu, regiónu, verzie aplikácie a oprávnení konkrétneho účtu.
Voice zároveň získava podporu pluginov a pripojených aplikácií podľa toho, čo má používateľ povolené. To je dôležitý rozdiel oproti hlasovému asistentovi s pevne daným zoznamom funkcií. ChatGPT môže pracovať s rôznymi zdrojmi, ale iba v hraniciach existujúceho prístupu. Zapnutie hlasu samo osebe neodomkne Work ani zakázanú aplikáciu.
OpenAI rozlišuje Voice v Chat a Voice v Work. Chat je určený na prirodzenú interaktívnu komunikáciu, vyhľadávanie či prácu s textom a obrazom. Work slúži na dlhšie úlohy, pri ktorých systém vykonáva viac krokov a môže pripraviť výsledný artefakt. Toto rozdelenie pomáha používateľovi pochopiť, či potrebuje rýchlu odpoveď, alebo odovzdáva širší cieľ.
Gamechanger: plynulý prechod medzi hlasom a textom
Najpraktickejšou vlastnosťou je odolnosť úlohy voči zmene zariadenia a spôsobu komunikácie. Hlas je výhodný pri chôdzi, cestovaní alebo v situácii, keď používateľ nemôže pohodlne písať. Text je presnejší pri kontrole názvov, čísel, tabuliek a finálnych formulácií. Nový pracovný tok využíva oba režimy bez potreby začínať odznova.
Používateľ môže hlasom vysvetliť zámer a kontext, sledovať priebežný textový výstup a po návrate k počítaču skontrolovať výsledok. Ak hlasový hovor skončí počas vykonávania, nedokončená úloha môže pokračovať v textovej konverzácii. Tým sa odstraňuje typická slabina hlasových asistentov: po prerušení hovoru sa stratil stav alebo bolo potrebné celý príkaz zopakovať.
Táto kontinuita je dôležitejšia než efektnosť samotného hlasu. Komplexná práca obsahuje nejasnosti, rozhodnutia a kontrolné body. Dobré rozhranie musí dovoliť rýchlo prejsť z voľného rozprávania k presnej vizuálnej kontrole. Hlas teda nenahrádza obrazovku, ale skracuje cestu k zadaniu a koordinácii práce.
Oprávnenia a potvrdenia zostávajú viditeľné
Agentná funkcia pracujúca s e-mailom, súbormi alebo webom potrebuje jasné hranice. OpenAI uvádza, že pluginy a pripojené aplikácie si zachovávajú svoje existujúce dátové oprávnenia a obmedzenia akcií. V spravovaných pracovných priestoroch navyše platia nastavenia administrátora a používateľ potrebuje prístup k Voice aj Work.
Pri akcii vyžadujúcej schválenie sa potvrdenie nezmenilo na hovorené „áno“. Používateľ ho musí skontrolovať a potvrdiť na obrazovke. Toto obmedzenie môže pôsobiť menej pohodlne, no je rozumnou ochranou pred chybným rozpoznaním reči, nejednoznačným súhlasom alebo hlasom zachyteným z okolia.
Aj praktické limity zostávajú. Hlasová prevádzka sa započítava do limitov príslušného plánu a samotná pracovná úloha spotrebúva bežnú kapacitu Work. Dostupnosť sa môže líšiť podľa účtu a pracovného priestoru. Novinku preto nemožno chápať ako neobmedzeného asistenta, ktorý má automaticky prístup ku všetkým službám.
Ako zadávať hlasové úlohy presnejšie
Pri hlasovom zadaní je užitočné oddeliť cieľ, zdroje a očakávaný výstup. Namiesto všeobecného „spracuj mi e-maily“ je lepšie povedať, z akého obdobia majú byť správy, ktoré témy sú relevantné a či má výsledkom byť súhrn, návrh odpovedí alebo zoznam úloh. Krátka štruktúra pomáha systému aj používateľovi overiť, že si rozumejú.
Dôležité názvy, čísla a adresy treba skontrolovať v prepise. Hlasové rozpoznávanie môže zameniť podobne znejúce výrazy, najmä pri značkách, cudzích menách alebo odborných skratkách. Pri úlohách s externou akciou je vhodné najprv požiadať o návrh a až potom potvrdiť vykonanie.
Výhodné je tiež rozdeliť veľmi širokú úlohu na kontrolné body. Najprv zhromaždiť podklady, potom potvrdiť osnovu a až následne vytvoriť finálny dokument. Hlas zrýchli zadanie, ale nezruší potrebu overiť fakty a výsledok. Pri dôležitých materiáloch ostáva človek zodpovedný za finálnu kontrolu.
Mobil sa stáva diaľkovým ovládaním práce
Novinka posúva mobilnú aplikáciu bližšie k plnohodnotnému agentnému rozhraniu. Hodnota nespočíva v tom, že ChatGPT dokáže odpovedať nahlas, ale že hlasový rozhovor môže ovládať rovnaké pracovné schopnosti ako textové zadanie. Používateľ pritom môže meniť formu interakcie podľa situácie.
Úspech tejto zmeny bude závisieť od presnosti prepisu, zrozumiteľnosti potvrdení a dôvery v prácu s pripojenými aplikáciami. Ak zostanú hranice viditeľné a prechod medzi hlasom a textom spoľahlivý, hlas sa môže stať prirodzeným vstupom pre úlohy, ktoré boli doteraz na mobile príliš zdĺhavé.
