การอัปเดตนี้แสดงให้เห็นถึงศักยภาพของ ChatGPT ในการรองรับข้อมูลที่เข้ามาพร้อมกันหลายรูปแบบ ทั้งภาพและเสียง ซึ่งช่วยให้การทำงานร่วมกันของทีมมีความราบรื่นและเป็นธรรมชาติมากขึ้น
นี่คือการก้าวสำคัญในการทำให้การโต้ตอบกับ AI ไม่ใช่แค่การพิมพ์ข้อความเท่านั้น แต่ยังรวมถึงการมองเห็นและการได้ยินด้วย
ศัพท์ที่ควรรู้
- Vision – หมายถึงความสามารถในการรับและประมวลผลข้อมูลผ่านภาพ เช่น การอัปโหลดรูปภาพเข้าไปใน ChatGPT
- Voice – หมายถึงความสามารถในการรับและประมวลผลข้อมูลผ่านเสียง เช่น การสั่งงานหรือสนทนากับ ChatGPT ด้วยเสียง
- Multimodal inputs – หมายถึงการที่ระบบสามารถรับข้อมูลเข้าได้จากหลายรูปแบบพร้อมกัน เช่น ข้อความ ภาพ และเสียง
ที่มา: OpenAI