جمینی لایو در مقابل صدای ChatGPT: کدام هوش مصنوعی مکالمه طبیعی تری را ارائه می دهد؟

هنگامی که ChatGPT برای اولین بار در سال 2022 راه اندازی شد، تنها راه تعامل با آن از طریق صفحه کلید شما بود. اما برای پیشرفت دیگری طولی نکشید: چت صوتی بلادرنگ. حالت صوتی ChatGPT اولین ویژگی از این نوع بود، اما به زودی رقابتی را از سوی گوگل در قالب جمینی لایو نیز دریافت کردیم. برخلاف دستیارهای صوتی قدیمی مانند دستیار گوگل، این چت ربات ها می توانند مکالمات طبیعی را در مورد هر موضوعی انجام دهند و حتی در اینترنت برای اطلاعات به روز جستجو کنند.

با این حال، گوگل و OpenAI رویکردهای متفاوتی را برای چت صوتی با چت ربات های مربوطه خود در پیش گرفته اند. یکی از آنها برتری کمی در طبیعی بودن صدا دارد، در حالی که دیگری پاسخ های خود را بر اساس اطلاعات زندگی دیجیتال شما تعدیل می کند. من از ChatGPT Voice و Gemini Live در چند سال گذشته استفاده کرده ام. در اینجا این است که من بیشتر به کدام یک مراجعه می کنم و چرا.

روی کاغذ، ChatGPT Voice و Gemini Live شباهت‌های زیادی با هم دارند – هر دو در زمان واقعی پاسخ می‌دهند و صداهای مختلفی را برای انتخاب ارائه می‌دهند. تفاوت اصلی در این است که آنها از چه مدل‌های هوش مصنوعی استفاده می‌کنند: ChatGPT از خانواده GPT استفاده می‌کند در حالی که چت ربات Google از Gemini استفاده می‌کند. با این حال، تئوری را کنار بگذاریم، تجربه دنیای واقعی استفاده از دو ربات چت کاملا متفاوت است.

ChatGPT Voice تمایل دارد در انتخاب کلمات خود بسیار رساتر باشد و از نشانگرهای مکالمه طبیعی در تلاشی برای به نظر رسیدن بیشتر انسانی استفاده می کند. به عنوان مثال، اغلب وانمود می کند که با یک "ممم" فکر می کند و حتی لکنت های وسط جمله را اضافه می کند.

پاسخ Gemini Live اغلب در ارائه‌اش صاف‌تر به نظر می‌رسد، صرفا به دلیل تفاوت در لحن و انحراف. با این حال، برخی از افراد از لحن های اغراق آمیز ChatGPT متنفرند، بنابراین ممکن است رویکرد Google را ترجیح دهید.

تفاوت دیگری که متوجه شدم این بود که ChatGPT Voice به احتمال زیاد قبل از پاسخ دادن اطلاعات را در اینترنت جستجو می کند. وقتی از هر دو چت ربات در مورد انتشار اخیر Gemini 3.8 Live پرسیدم، Gemini به دانش موجود خود پیش‌فرض شد و اعلام کرد که وجود ندارد. ChatGPT Voice زمانی که به اینترنت دسترسی داشت چند ثانیه مکث کرد، اما در نهایت پاسخ صحیح را به من داد. در تجربه من، شما اغلب باید صریحا از جمینی لایو بخواهید که قبل از پاسخ دادن به دقت واقعی، تحقیق کند.

به غیر از این تفاوت‌ها، هر دو Gemini Live و ChatGPT Voice می‌توانند به پرسش‌ها پاسخ دهند، اطلاعات را جستجو کنند و حتی بین چند زبان جابجا شوند. با این حال، انتظار کیفیت پاسخ‌هایی را نداشته باشید که از حالت متنی هر یک از ربات‌های چت دریافت می‌کنید. از آنجایی که مکالمات مبتنی بر صدا نیاز به پاسخ‌های سریع دارند، هر دو چت ربات از مدل‌های کمی کمتر توانمندی استفاده می‌کنند که سرعت را بر دقت ترجیح می‌دهند.

اگر برای ChatGPT یا Gemini پولی پرداخت نکرده‌اید، به سرعت متوجه می‌شوید که هر دو ربات چت تنها چند دقیقه مکالمه را قبل از قطع دسترسی ارائه می‌دهند. این به این دلیل است که پردازش صدا به طور قابل توجهی از نظر محاسباتی بیشتر از متن به تنهایی نیاز دارد. هم OpenAI و هم Google برنامه های پولی ارائه می دهند که این محدودیت را تا حد زیادی افزایش می دهد و به مدل های هوش مصنوعی توانمندتر نیز دسترسی می دهد. به عنوان مثال، در ChatGPT، من متوجه شده ام که مدل مینی GPT-Live-1 در سطح رایگان فاقد مهارت های استدلال مدل بزرگتر GPT-Live-1 است.

علاوه بر این، هر دو ربات چت از ورودی دوربین در کنار صدا پشتیبانی می‌کنند و به شما این امکان را می‌دهند که تلفن خود را به سمت محیط اطراف خود بگیرید تا زمینه بیشتری داشته باشید. من اغلب از این ویژگی برای نشان دادن آنچه روی آن کار می کنم به هوش مصنوعی استفاده می کنم، به جای اینکه کار را تنها با کلمات توصیف کنم. برای مثال، من از Gemini Live هنگام تنظیم دوچرخه‌ام استفاده کرده‌ام، و هوش مصنوعی توانست من را در این فرآیند راهنمایی کند. حتی نشانگرهای مفیدی را روی فید ویدیوی زنده پوشانده بود تا بتوانم به سرعت تشخیص دهم که کدام پیچ را باید سفت کنم.

خط Pixel Buds همچنین دارای یکپارچگی عمیق Gemini Live است که به شما امکان می‌دهد مکالمه را فقط با استفاده از صدای خود شروع کنید. OpenAI در حال کار بر روی سخت افزار خانه هوشمند خود است، اما ما هنوز در مورد قیمت یا در دسترس بودن چیزی نشنیده ایم. در هر صورت، گوگل تاکنون میلیون‌ها اسپیکر و نمایشگر هوشمند را فروخته است، بنابراین هزینه ورود به اکوسیستم Gemini Live برای بسیاری کمتر است.

Gemini Live همچنین می‌تواند به اطلاعات حساب Google شخصی شما برای پاسخ‌های شخصی‌تر ارجاع دهد. این ویژگی که هوش شخصی نام دارد، می‌تواند ایمیل‌ها، ویدیوهای YouTube و اسناد ذخیره شده در Drive شما را جستجو کند.

به عنوان مثال، وقتی از Gemini Live پرسیدم که آیا در این ماه صورتحساب‌هایی دریافت کرده‌ام یا خیر، تمام مواردی را که پس از چند ثانیه پردازش در صندوق ورودی جیمیل من پیدا کرد، فهرست کرد. ربات چت گوگل همچنین می‌تواند یک رویداد تقویم در اواسط مکالمه اضافه کند و دستگاه‌های خانه هوشمند را کنترل کند. ChatGPT در حال حاضر نمی تواند زندگی دیجیتالی شما را بررسی کند و همچنین نمی تواند به خدمات Google مانند Maps و YouTube دسترسی داشته باشد.

با این حال، وقتی به هیچ یک از این ویژگی‌ها نیازی ندارم، اغلب متوجه می‌شوم که به جای Gemini Live به ChatGPT Voice می‌روم، فقط به این دلیل که اولی در گوش من طبیعی‌تر به نظر می‌رسد. از آنجایی که هر دو به صورت رایگان در دسترس هستند، توصیه می‌کنم قبل از پرداخت محدودیت‌های استفاده بالاتر، آن‌ها را آزمایش کنید.