ChatGPT Advanced Voice ist großartig - aber ich fühle mich betrogen

Zusammenfassung

GPT-4o blieb hinter den großen Versprechen zurück, da es an Sichtfähigkeiten mangelte und nur eine begrenzte Praktikabilität bot.
Advanced Voice, das GPT-4o als Basis verwendet, bietet menschenähnliche Stimmen, verfügt jedoch über keine Gesangsfunktionen und weist Fehler auf.
Auch wenn ChatGPT Advanced Voice nicht das hält, was versprochen wurde, verfügt es über einzigartige Stimmen und Potenzial für grundlegendes Geschichtenerzählen und Sprachenlernen.

Das neueste Angebot von OpenAI versprach ein Science-Fiction-Erlebnis, aber die Realität bleibt hinter dem Hype zurück. Uns wurde ein KI-Assistent versprochen, der die Welt sehen und wie ein Mensch sprechen könnte. Stattdessen haben wir einen blinden Chatbot bekommen, der in neun neuen emotionalen Stimmen nur sagt: „Tut mir leid, das kann ich nicht“.

Das Versprechen, das wir mit GPT-4o gemacht haben

Als OpenAI im Mai 2024 GPT-4o vorstellte, fühlte es sich an, als stünden wir an der Schwelle zur nächsten großen technischen Revolution in der Mensch-Computer-Interaktion. Es war eine wahrgewordene Science-Fiction-Geschichte, in der wir einen KI-Assistenten sahen, der tatsächlich menschenähnliche Interaktionen durchführen kann - wie im Film Her.

Hier ist eine Erinnerung an alles, was vorgeführt wurde:

Sprachgespräche in Echtzeit.
Die Möglichkeit, Gespräche auf natürliche Weise zu unterbrechen und umzuleiten.
Eine lebensechte Stimme mit großer emotionaler Bandbreite.
Dramatisches Geschichtenerzählen und Gesangsfähigkeiten.
Verbesserte Mehrsprachigkeit und Übersetzung.
Verbesserte Leistung in nicht-englischen Sprachen.
Sehfähigkeiten:
- Auf einem Blatt Papier geschriebene mathematische Probleme lösen.
- Gesichtsausdrücke lesen und Umgebungen verstehen.
Intelligenter als GPT-4 Turbo, das Flaggschiff-OpenAI-Modell vor GPT-4o.

Als Gesamtpaket hatte GPT-4o das Gefühl, dass es einen Paradigmenwechsel in der Art und Weise mit sich bringen würde, wie wir unsere Computer nutzen und mit ihnen interagieren. Die Demos waren einfach umwerfend und mein Kopf raste vor grenzenlosen Möglichkeiten.

Ich könnte zum Beispiel endlich mein Calm-Abonnement kündigen und ChatGPT nutzen, um mir Gute-Nacht-Geschichten zu erzählen. Ich könnte es als meinen persönlichen Trainer verwenden - platziere es auf einem Schreibtisch, um meine Wiederholungen und meine Körperhaltung im Auge zu behalten. Es konnte meine Texte singen, während ich mit Udio Melodien komponierte.

Unnötig zu erwähnen, dass ich mehr als begeistert war. Das war die Zukunft, auf die ich gewartet habe!

...Aber das Versprechen muss noch eingelöst werden

Eine Woche nach der großen Ankündigung habe ich endlich GPT-4o in die Hände bekommen. OpenAI gab an, dass sie alles, was sie vorführen, langsam einführen würden. Dieses GPT-4o war also nur Text. Es könnte Text und Bilder als Eingabe akzeptieren und im Text antworten.

Es war intelligenter als das Vorgängermodell, aber nicht der Science-Fiction-Assistent, den wir versprochen hatten. Um das Ganze noch schlimmer zu machen, wurde die „intelligentere“ Krone einen Monat später schnell von Claude 3.5 Sonnet übernommen - das GPT-4o sowohl bei Codierung als auch bei kreativen Aufgaben übertrifft!

Schließlich begann im Juli die Einführung von Advanced Voice in der Alpha-Version für einige ausgewählte Benutzer. Aber auch hier war es nur die Stimme - keine Sehfähigkeiten in Sicht. Sicher, es war besser als der alte Standard-Voice-Modus, bei dem man ewig warten musste, bis es reagierte, aber es war nicht gerade bahnbrechend.

Im September 2024 erfolgte die umfassende Einführung der endgültigen Version, und ich habe sie in die Hände bekommen. Aber können wir das wirklich als endgültig bezeichnen, wenn das ursprüngliche Versprechen immer noch nicht eingehalten wird?

Meine Erfahrungen mit ChatGPT Advanced Voice und warum ich mich betrogen fühle

Um es klar zu sagen: Die vollständig ausgerollte Advanced Voice-Funktion ist beeindruckend. Die Sprachqualität ist zweifellos die menschenähnlichste KI-Stimme auf dem Markt. Gespräche fühlen sich unheimlich natürlich an, als würde ich mit einer anderen Person sprechen.

Leider ist es in der Praxis nicht so nützlich. Es gibt immer noch keine Vision-Funktion, was die Möglichkeiten, die Sie damit machen können, drastisch einschränkt. Und ich verstehe; Die Funktion heißt Advanced Voice, daher hätte ich nicht hoffen sollen, dass sie Dinge sehen würde. Es können jedoch nicht einmal Bilder angezeigt werden, die Sie in einen Chat hochgeladen haben. Sogar Standard Voice kann das!

Außerdem ist die Stimme nicht besonders fortgeschritten. Es verwendet immer noch GPT-4o als Gehirn, was, seien wir ehrlich, nicht mehr das schärfste Werkzeug im KI-Schuppen ist. Auch Advanced Voice weigert sich zu singen. Offenbar hat OpenAI nicht die Absicht, Gesang als Feature hinzuzufügen, obwohl es dies in seiner Demo vorführt. Hier erfahren Sie, wie es auf Nachfrage geantwortet hat.

Kann ich mit Sprachgesprächen musikalische Inhalte generieren?
Nein. Um die Rechte der Urheber zu respektieren, haben wir verschiedene Abhilfemaßnahmen eingeführt, darunter neue Filter, um zu verhindern, dass Sprachgespräche mit musikalischen Inhalten, einschließlich Gesang, reagieren.

Während die Einschränkung wahrscheinlich auf mögliche rechtliche Probleme zurückzuführen ist, ist es lächerlich, dass meine Assistentin mir nicht einmal „Alles Gute zum Geburtstag!“ singt. „OpenAI hätte es zumindest zulassen können, Dinge zu singen, die öffentlich zugänglich sind. Sieht so aus, als ob ich bei meinen Geburtstagswünschen auf Google Assistant angewiesen bin!

Kommen wir nun zur Stimmmodulation - sie ist gut! Auch hier ist es besser als alles andere auf dem Markt, aber nicht außergewöhnlich. Ich habe versucht, es so zum Sprechen zu bringen, wie Marvel's Venom, und es war ein Glücksfall. Manchmal sagte es „sicher“ und versuchte, wie er zu klingen - aber es gelang ihm nie die richtige Stimme. In anderen Fällen wurde mir mitgeteilt, dass es sich nicht als bestimmte Charaktere oder Berühmtheiten ausgeben kann.

Gut genug, schätze ich - also habe ich versucht, nach einer gurgelnden Stimme mit viel Stimmschwung zu fragen, um zu sehen, ob das funktioniert, aber es klang immer noch nicht richtig. Ich habe sogar versucht, mit verschiedenen Stimmparametern herumzuspielen, um zu sehen, ob ich den Klang hinbekomme, aber das Experiment war ein Fehlschlag. Es gibt zwar ein gutes Maß an Flexibilität, aber man kann es nicht weit genug ausdehnen, um diese einzigartigen Vocals zu erhalten.

Außerdem müssen Sie mit der von Ihnen verwendeten Sprache sehr präzise sein. Es braucht nicht Ihre Aufforderung, eine bekannte Figur nachzuahmen oder sich auszugeben, aber wenn Sie es bitten, zu versuchen, wie jemand zu sprechen, versucht es, seine Stimme zu modulieren.

Wenn all diese Einschränkungen nicht ausreichen, müssen Sie sich auch mit Fehlern auseinandersetzen. Manchmal dauert das Laden von Advanced Voice ewig, sodass ich den Vorgang beenden und erneut versuchen muss, eine Verbindung herzustellen. Es eignet sich auch nicht zum Erzählen von Geschichten oder zum Halten langer Monologe. Nach etwa einer Minute hört es einfach auf zu sprechen, es sei denn, Sie sagen ihm wiederholt, dass es weitermachen soll. Soviel zu meinen Plänen, es als Gute-Nacht-Geschichtenerzähler zu verwenden!

Es gibt immer noch einen Silberstreif am Horizont

Zum Glück ist nicht alles schlecht! Sie erhalten unzählige neue Stimmoptionen, jede mit eigener Persönlichkeit und eigenem Stimmmodulationsbereich. Derzeit sind meine Lieblingsstimmen Maple, Arbor und Vale. Ich konnte zwar keinen von ihnen wie Venom klingen lassen, aber ich habe es geschafft, Arbor wie einen Antihelden klingen zu lassen, was ziemlich cool war.

Es eignet sich auch hervorragend zum lauten Nachdenken! Einen immer erreichbaren Gesprächspartner zu haben, auch wenn er nicht der scharfsinnigste ist, ist ziemlich praktisch. Es ist, als hätte man Sherlocks Schädel, an dem man seine Ideen abprallen lassen kann.

Obwohl Advanced Voice nicht das ist, wofür GPT-4o demonstriert wurde, ist es dennoch leistungsstark und in manchen Szenarien möglicherweise nützlich. Ich kann mir vorstellen, dass andere es zum einfachen Geschichtenerzählen für Kinder, zum Sprachenlernen oder für schnelle Übersetzungen nutzen könnten. Das sind legitime Anwendungsfälle, und jeder, der sie sucht, wird nicht enttäuscht sein.