GPT-Bidi-1: OpenAI szykuje rewolucję w rozmowach głosowych z ChatGPT

OpenAI przygotowuje największą aktualizację trybu głosowego w ChatGPT – dwukierunkowy model audio o roboczej nazwie GPT-Bidi-1. W przeciwieństwie do poprzednich wersji, które czekały, aż użytkownik skończy mówić, GPT-Bidi-1 potrafi słuchać i mówić jednocześnie: przyjmować przerwy, korygować błędy na bieżąco i modyfikować odpowiedzi bez utraty ciągłości dźwięku.

W artykule wyjaśniamy, jak odkryto GPT-Bidi-1, czym różni się od dotychczasowych modeli „na zmianę”, jakie poziomy inteligencji wprowadza, jak zmienia się interfejs ChatGPT oraz w jakim kontekście konkurencyjnym powstaje. Model nie został jeszcze oficjalnie ogłoszony przez OpenAI, więc wszystkie informacje pochodzą z przecieków, analiz kodu i doniesień użytkowników.

Jak odkryto GPT-Bidi-1

Łańcuch odkryć rozpoczął deweloper M1Astra, który pierwszy zauważył w kodzie aplikacji ChatGPT odniesienia do gpt-bidi-1 i podzielił się tym na X. Strona TestingCatalog potwierdziła obecność tego ciągu znaków oraz tekstu zapowiedzi opisującego "następną generację Voice" i "wielki skok w inteligencji".

Następnie elementy kodu i interfejsu znaleziono zarówno w webowej, jak i mobilnej wersji ChatGPT. Ograniczone testy rozpoczęły się w małej grupie użytkowników pod koniec czerwca 2026 r. W dniach 22–24 czerwca 2026 r. pojawiły się pierwsze doniesienia i filmy demonstrujące działanie modelu w praktyce.

Zastrzeżenie: OpenAI nie wydało oficjalnego komunikatu. Ostateczna nazwa modelu, dokładne działanie poziomów ani data premiery nie zostały potwierdzone przez firmę.

Czym różni się tryb dwukierunkowy od modeli „na zmianę”

Obecne tryby głosowe ChatGPT – Standardowy Głos i Zaawansowany Tryb Głosowy – działają w paradygmacie naprzemiennym (turn-based). Model musi poczekać, aż użytkownik skończy mówić, zanim odpowie. Dwukierunkowa (BiDi) architektura GPT-Bidi-1 pozwala na jednoczesne przetwarzanie dwóch strumieni audio: użytkownika i własnego.

Najważniejsze różnice widoczne w testach:

• Obsługa przerw: Model może przyjąć przerwę w środku zdania i dynamicznie dostosować odpowiedź bez zawieszenia.
• Korekta w czasie rzeczywistym: W testach GPT-Bidi-1 liczył razem z użytkownikiem od 1 do 10, a po przerwaniu i poproszeniu o odliczanie wstecz od razu zmieniał kierunek.
• Naturalne nakładanie się głosów: Asystent może mówić, gdy użytkownik jeszcze nie skończył – rozmowa staje się bardziej naturalna.

Wewnętrznym celem OpenAI było zniwelowanie luki między możliwościami głosowymi ChatGPT a jego modelami tekstowymi (które już osiągnęły poziom wnioskowania GPT-5.5).

Trzy poziomy inteligencji do wyboru

GPT-Bidi-1 to pierwszy model głosowy OpenAI, który wprowadza trzy poziomy inteligencji i szybkości:

Poziom	Opis
Wysoki (High)	Maksymalna głębia wnioskowania, wolniejsza odpowiedź – do złożonych analiz
Średni (Medium)	Równowaga między inteligencją a szybkością
Natychmiastowy (Instant)	Najszybsza odpowiedź, ograniczone wnioskowanie – do prostych, codziennych pytań

System poziomów pozwala dostosować głębokość interakcji do zadania: szybkie pytanie o pogodę uruchomi tryb Instant, a burza mózgów – Wysoki.

Zmiany w interfejsie

Po wybraniu GPT-Bidi-1 wskaźnik (bańka/fala głosu) zmienia kolor na żółty. Model pojawia się w ustawieniach jako osobna opcja „Bidi (Latest)”, obok Standardowego Głosu i Zaawansowanego Trybu Głosowego – nie zastępuje ich.

Harmonogram i kontekst konkurencyjny

• Początek 2026 r.: OpenAI rozpoczęło wewnętrzne prace nad architekturą BiDi.
• 5 marca 2026 r.: The Information poinformowało, że OpenAI opracowuje dwukierunkowy model audio.
• 7 maja 2026 r.: OpenAI ogłosiło GPT-Realtime-2 w API – pierwszy model głosowy z wnioskowaniem klasy GPT-5, który położył podwaliny pod dwukierunkowość.
• 16–17 czerwca 2026 r.: M1Astra i TestingCatalog po raz pierwszy publicznie zauważyli kod gpt-bidi-1.
• 22–24 czerwca 2026 r.: Pojawiły się doniesienia i filmy demonstrujące działanie modelu. Wiele mediów spekuluje, że szersze wdrożenie nastąpi w tym samym tygodniu.

Kontekst konkurencyjny: Dwukierunkowy głos jest bezpośrednią odpowiedzią na postępy Google (Gemini Live z możliwością przerywania), Anthropic oraz start-upów oferujących agentów głosowych czasu rzeczywistego. OpenAI spieszy się, by dorównać swoim własnym modelom tekstowym (GPT-5.5).