GPT-Bidi-1: OpenAIs nye stemmemodel kan lytte og tale samtidigt

Vigtig bemærkning: OpenAI har ikke udsendt en officiel meddelelse. Modellens endelige navn, præcise niveauer og udrulningsdato er stadig ikke bekræftet af virksomheden.

Hvordan tovejs stemmefunktion adskiller sig fra taletursbaserede modeller

De nuværende ChatGPT-stemmefunktioner – Standard Voice og Advanced Voice Mode – fungerer i et taletursbaseret paradigme. Modellen skal vente på, at brugeren er færdig med at tale, før den kan svare. GPT-Bidi-1's tovejs-arkitektur (BiDi) gør det muligt for modellen at behandle to lydstrømme samtidigt: din og dens egen.

Vigtige adfærdsforskelle rapporteret i demonstrationer:

• Håndtering af afbrydelser: Modellen kan optage afbrydelser midt i en sætning og dynamisk justere sit svar uden at fryse eller droppe lydsporet.
• Realtidskorrektion: I tests talte GPT-Bidi-1 med en bruger fra 1 til 10 og skiftede straks til at tælle baglæns, da brugeren afbrød midt i optællingen.
• Naturlig overlap: Assistenten kan tale, mens brugeren stadig snakker, hvilket gør samtaler tættere på menneskelig konversation.

OpenAIs interne mål var at lukke hullet mellem ChatGPTs stemmestak – som haltede efter dets tekstmodeller (allerede på GPT-5.5-klasses ræsonnement) – og levere paritet i realtids-samtaleintelligens.

Tre valgbare intelligensniveauer

GPT-Bidi-1 er den første OpenAI-stemmemodel, der introducerer tre valgbare intelligens- og hastighedsniveauer til stemmefunktionen:

Niveausystemet lader brugerne skræddersy interaktionsdybde versus latenstid per opgave, svarende til hvordan ChatGPTs tekstmodeller tilbyder forskellige ræsonnementsniveauer. For eksempel vil et hurtigt vejrspørgsmål bruge Instant, mens en dybdegående brainstormingsession vil skifte til High.

Visuelle ændringer i stemmegrænsefladen

Når GPT-Bidi-1 er valgt, skifter stemmeboblen/lydbølgeindikatoren til gul i stedet for den nuværende standardfarve. Modellen vises i indstillingernes modelvælger som en ny mulighed mærket "Bidi (Latest)" sammen med eksisterende Standard Voice og Advanced Voice Mode, i stedet for at erstatte dem.

Udviklingstidslinje og konkurrencemæssig kontekst

• Tidligt 2026: OpenAI begyndte intern udvikling af BiDi-arkitekturen.
• 5. marts 2026: The Information rapporterede, at OpenAI udviklede en tovejs lydmodel for at booste sine stemmeassistenter.
• 7. maj 2026: OpenAI annoncerede GPT-Realtime-2 i API'en – dens første stemmemodel med GPT-5-klasses ræsonnement, som lagde grundlaget for tovejskapaciteter.
• 16.–17. juni 2026: M1Astra og TestingCatalog fandt første gang offentligt kodehenvisninger til gpt-bidi-1.
• 22.–24. juni 2026: Brugerrapporter og demonstrationsvideoer dukkede op, der viste fungerende tovejsadfærd. Flere medier rapporterede, at en bredere udrulning kunne komme inden for samme uge.

Konkurrencemæssig kontekst: Satsningen på tovejs stemmefunktion er et direkte svar på fremskridt fra Google (Gemini Live med afbrydelser), Anthropic og realtids-stemmeagenter fra startups. OpenAI kappes med at bringe stemmeinteraktionsparitet til sin tekstintelligens, som allerede driver GPT-5.5-niveau ræsonnement.