اگر تا حالا با دستیار صوتی یک اپلیکیشن هوش مصنوعی صحبت کرده باشید، حتماً متوجه شده‌اید که مکالمه کمی مصنوعی است: باید حرف بزنید، مکث کنید، و بعد منتظر بمانید تا ربات جواب‌تان را بدهد. این هفته OpenAI با معرفی GPT-Live، دقیقاً همین مشکل را حل کرده — یک مدل صوتی جدید که همزمان گوش می‌دهد و حرف می‌زند، دقیقاً مثل یک مکالمه واقعی بین دو انسان.

GPT-Live دقیقاً چیست؟

طبق اعلامیه رسمی OpenAI، GPT-Live یک نسل جدید از مدل‌های صوتی است که بر اساس معماری full-duplex ساخته شده — یعنی همزمان «گوش دادن» و «حرف زدن». دیگر لازم نیست منتظر یک سکوت کامل بمانید تا هوش مصنوعی بفهمد نوبتشان تمام شده — می‌توانید حرف بزنید و او همزمان گوش کند، حتی با صدایی مثل «امم» یا «آره» نشان دهد که دارد گوش می‌دهد. وقتی سؤالی نیاز به جستجوی وب یا استدلال عمیق دارد، GPT-Live کار را به مدل قدرتمندتر GPT-5.5 می‌سپارد و نتیجه را در همان مکالمه صوتی برمی‌گرداند. این تغییر معماری شاید کوچک به‌نظر برسد، اما برای کاربرانی که سال‌هاست با دستیار‌های صوتی کار کرده‌اند، تفاوت از زمین تا آسمان است. تا پیش از این، اگر می‌خواستید دستیار صوتی بفهمد چیزی بگوید، می‌بایست مکث می‌کردید و منتظر می‌ماندید، وا دمومً‌جواب دقیق را می‌شنید. موفقیت بزرگ این مدل در این است که دیگر این حس را به کاربر نمی‌دهد، بلکه واقعاً با یک «شنونده» صحبت می‌کند.

این فناوری چه تفاوتی با نسخه‌های قبلی صدای ChatGPT دارد؟

دستیارهای صوتی قبلی هوش مصنوعی — از جمله نسخه‌های پیشین ChatGPT Voice — به صورت نوبتی کار می‌کردند: اول باید سکوت کامل پیش می‌آمد تا مدل بفهمد شما تمام شده‌اید، بعد جواب می‌داد. همین تأخیر چند ثانیه‌ای، گفتگو را غیرطبیعی می‌کرد و حس تعامل با یک ربات از بین می‌رفت. GPT-Live دقیقاً همین مشکل را حل کرده: به گفته گزارش TechCrunch، این مدل به‌طور مداوم صدای ورودی کاربر را پردازش می‌کند، حتی اگر کاربر حرفش را قطع کند یا وسطش بپرسد. براساس گزارش‌های اولیه، برخی کاربران از بیش‌از-حد راحتی GPT-Live ابراز شگفتی کرده‌اند، اما برخی دیگر از «بیش‌از-حد اشتیاقی» مدل گلایه کرده‌اند — مثلاً جایی که باید سکوت می‌کرد و گوش می‌داد، حرف می‌زند. این یعنی OpenAI هنوز در حال تنظیم دقیق این تعادل است و به‌مرور زمان آن را بهینه می‌کند. برای کاربران عادی، معنای عملی این یعنی اینکه دیگر لازم نیست منتظر جواب کامل پردازش شده بمانید؛ می‌شود وسط حرف یک جمله سوال پرسید یا حتی نظر خود را اصلاح کرد، بدون اینکه مجبور باشید جمله را از اول تا آخر تمام کنید. همین ویژگی است که بیشترین تمجید را برای کاربران دریافت کرده، اما همان‌طور که گفتیم، همان طبیعی‌بودی که تجربه کاربر را بهتر می‌کند، می‌تواند در دست افراد سوءاستفاده‌کننده هم به یک ابزار خطرناک تبدیل شود.

چه کسانی می‌توانند از GPT-Live استفاده کنند؟

طبق اعلام OpenAI، دو نسخه منتشر شده: GPT-Live-1 که به صورت پیش‌فرض برای کاربران پولی پلن‌های Go، Plus و Pro فعال می‌شود، و GPT-Live-1 mini که به کاربران رایگان می‌رسد. این قابلیت هم‌اکنون روی iOS، Android و وب در حال رول‌آوت گلوبال است. OpenAI همچنین اعلام کرده به‌زودی این قابلیت را برای توسعه‌دهندگان هم از طریق API عرضه خواهد کرد. در کنار این، برخی تحلیلگران بازار معتقدند GPT-Live می‌تواند رقابت بین گوگل (با Gemini Live Translate) و OpenAI را برای در اختیار گرفتن دستیار‌های صوتی شدیدتر کند، چون هر دو شرکت به‌دنبال جایگاه در بازار دستیار‌های صوتی هوشمند هستند. این رقابت برای کاربران خبر خوبی است، چون یعنی ابزارهای بهتر و ارزان‌تر در دسترس قرار می‌گیرد، اما همان‌طور که گفتیم، رشد سریع بازار یعنی رشد سریع ابزارهای مورد سوءاستفاده هم هست.

چرا این پیشرفت هم هیجان‌انگیز است و هم نگران‌کننده؟

طبیعی‌تر شدن صدای هوش مصنوعی برای کاربران عادی خبر خوبی است: گفتگو با دستیار هوش مصنوعی دیگر خشک و رباتی نیست. اما همین پیشرفت یک عارضه دیگر هم دارد: هر فناوری که صدای هوش مصنوعی را طبیعی‌تر می‌کند، ابزار کلاهبرداران را هم قوی‌تر می‌کند. اگر یک مدل هوش مصنوعی بتواند این‌قدر طبیعی حرف بزند، کپی‌سازی صدای یک فرد واقعی — مثلاً یک عضو خانواده یا مدیر — هم در آینده نزدیک خیلی باورپذیرتر خواهد شد. از طرف دیگر، برخی کاربران اولیه GPT-Live گزارش داده‌اند که مدل بعضی اوقات «پراشوق‌تر» از حد معمول رفتار می‌کند و وسط صحبت را قطع می‌کند، موضوعی که OpenAI قول داده در به‌روزرسانی‌های آینده روی آن کار خواهد کرد.

کلاهبرداری با صدای هوش مصنوعی؛ خطری که این پیشرفت پررنگ‌تر می‌کند

نوعی کلاهبرداری که در سال‌های اخیر روبه رشد گرفته، «کلاهبرداری تقلید صدا» (Voice Cloning Scam) نام دارد: فقط چند ثانیه ضبط صدای یک فرد (مثلاً از یک ویدئو در شبکه‌های اجتماعی)، کافی است تا مدلی بسازد که دقیقاً مثل همان فرد حرف بزند. کلاهبردارها سپس با این صدای جعلی، به قربانیان زنگ می‌زنند و ادعا می‌کنند در دردسر هستند — تا قربانی را مجبور به انتقال فوری پول کنند. پیشرفت‌هایی مثل GPT-Live که مکالمه طبیعی‌تر را ممکن می‌کنند، مستقیماً در ساخت این ابزارها دخیل نیستند، اما نشان می‌دهند که فناوری مورد نیاز کلاهبرداران برای تقلید صدا، روزبه‌روز در دسترس عموم قرار می‌گیرد. همان‌طور که در مقاله فیشینگ با هوش مصنوعی هم اشاره کردیم، هر پیشرفت واقعی در هوش مصنوعی، ابزاری تازه هم در دست کلاهبرداران می‌گذارد. مثال دیگری که متخصصان امنیت دائماً مطرح می‌کنند، تماس جعلی از طرف یک «مدیر ارشد» یا «همکار» است که با لحنی فوری درخواست انتقال پول یا افشای اطلاعات می‌کند. این دقیقاً همان الگوی کلاسیک فیشینگ است، فقط با یک لایه اضافه: صدای واقعی یک فرد آشنا.

چند نکته ساده برای امن ماندن در برابر کلاهبرداری‌های صوتی هوش مصنوعی

• اگر تماسی غیرمنتظره از یک عضو خانواده دریافت کردید که با لحنی اضطراری درخواست پول می‌کند، قطع کنید و از یک شماره دیگر با او تماس بگیرید.
• یک «کلمه رمز» خانوادگی تعیین کنید که فقط اعضای واقعی خانواده آن را بلدند، برای تأیید هویت در موارد اضطراری.
• به ویدئوهای صوتی که از شما در فضای مجازی منتشر می‌شود، حساس باشید — هر چه نمونه صدایی بیشتر از شما موجود باشد، ساخت مدل جعلی راحت‌تر می‌شود.
• درباره خطر کلاهبرداری صوتی با اعضای مسن‌تر خانواده صحبت کنید — آن‌ها اغلب هدف اصلی این نوع کلاهبرداری‌ها هستند.
• برای امور مالی حساس، هیچ‌وقت فقط به یک تماس تلفنی اکتفا نکنید — از طریق یک کانال دیگر (مثل پیامک یا تماس با شماره شناخته‌شده) موضوع را تأیید کنید.
• خوشبختانه باید گفت که همین طبیعی بودن تهدید جدیدی هم می‌سازد: هر چه کاربران بیشتری به گفتگو با دستیار صوتی عادت کنند، تشخیص کلاهبرداری‌های با صدای مصنوعی سخت‌تر می‌شود، چون دیگر همه به سختی خوارده یا مکث کردن عادت نیستند. به همین دلیل فدک رایان برگزاری مرتب کارگاهی درباره تشخیص کلاهبرداری صوتی را برای تیم‌های مالی و پشتیبانی مشتریان پیشنهاد می‌کند.

جمع‌بندی

GPT-Live یکی از هیجان‌انگیزترین پیشرفت‌های اخیر هوش مصنوعی مکالمه‌ای است و نشان می‌دهد چقدر سریع فناوری صدای مصنوعی در حال پیشرفت است. همین پیشرفت، اگر درست فهمیده نشود، می‌تواند در دست سوءاستفاده‌کنندگان هم قرار بگیرد. راه حل ساده است: از فناوری لذت ببرید، اما همیشه یک لحظه مکث کنید پیش از اعتماد به صدای آشنا.

دریافت مشاوره امنیتی از فدک رایان

فدک رایان با رصد مداوم فناوری‌های هوش مصنوعی، به سازمان‌ها و کاربران کمک می‌کند تا در برابر تهدیداتی مثل کلاهبرداری صوتی و فیشینگ مبتنی بر هوش مصنوعی آماده باشند. برای مشاوره و ارزیابی ریسک می‌توانید با فدک رایان در تماس باشید.

سوالات متداول

آیا GPT-Live در ایران هم در دسترس است؟

این قابلیت به‌صورت گلوبال روی iOS، Android و وب رول‌آوت می‌شود، اما دسترسی نهایی به آن ممکن است بسته به منطقه و حساب کاربری شما متفاوت باشد.

آیا کلاهبرداری صوتی فقط با GPT-Live امکان‌پذیر شده؟

خیر، ابزارهای متعدد شبیه‌سازی صدا سال‌هاست وجود دارند. GPT-Live فقط نشان‌دهنده این است که مکالمه‌ها طبیعی‌تر شده‌اند، نه اینکه ابزار اصلی کلاهبرداری‌هاست.

برای فردامسن خانواده چه توصیه‌ای مهم‌تر است؟

یک «کلمه رمز» خانوادگی که فقط اعضای خانواده می‌دانند، کارآمدترین راه برای تشخیص تماس جعلی است. نکته آخر اینکه اگر خودتان کسب‌وکاری دارید که از ابزارهای مشابه GPT-Live استفاده می‌کنید یا می‌خواهید بازاریابی کنید، به دنبال ابزارهایی باشید که روشن می‌کنند چه داده‌ای ذخیره می‌کنند و چه مدتی آن را نگه می‌دارند.

آیا شرکت‌ها هم باید مراقب این ریسک باشند؟

بله، به‌ویژه بخش‌های مالی و پشتیبانی که تأیید هویت تلفنی را کافی می‌دانند، آموزش کارکنان درباره این نوع کلاهبرداری اهمیت بالایی دارد.