Stemme og billeder: tal og vis

Indtil denne lektion har du talt med AI'en via tekst. Men ChatGPT har to kanaler mere — stemme og billeder. Det er dem, der forvandler et smart chatvindue til en assistent, der altid er lige ved hånden.

Stemmetilstand: ikke diktering, men en samtale

Vi slog stemme til tilbage i app-lektionen. Nu dykker vi dybere ned, for to ting bliver ofte forvekslet her. Diktering (mikrofonikonet i inputfeltet) omdanner blot din tale til tekst — du taler, bogstaver vises, og derfra er det en almindelig chat. Stemmetilstand (hovedtelefon-/bølgeformikonet) er en fuld samtale: du taler, AI'en svarer højt med en rigtig stemme, og du kan afbryde den midt i en sætning — den stopper og skifter. Forskellen er som at skrive en sms versus at ringe.

Derfor ændrer stemmevanen sig

At skrive en detaljeret anmodning er arbejde. At sige det er naturligt. På 40 sekunders tale giver du tre gange så meget kontekst, som du ville have skrevet, og husk reglen fra den første dialoglektion: mere kontekst, skarpere svar. Det frigør også dine hænder og øjne: i bilen, ved komfuret, når du skubber en barnevogn, bliver AI'en en, du taler med, snarere end en app, du stirrer på.

Sådan ser en god stemmesession ud

• Øv dig højt. «Lad os lave et prøveinterview. Du er en barsk HR-chef, stil ét spørgsmål ad gangen, jeg svarer højt, og du gennemgår mine svar til sidst.» Levende taletræning, som du aldrig får fra tekst.
• Brainstorming på farten. Du går og tænker højt, AI'en fanger det op og foreslår drejninger. Idéer fanges, mens de er friske.
• Få styr på noget på farten. «Forklar forskellen mellem leasing og et lån, med enkle ord» — i toget, uden skærm.

Billeder, del et: AI'en ser på dit foto

Træk et billede ind i chatten (papirclipsen eller kameraet i appen), og spørg om det. Dette er ikke et festtrick, det er et arbejdsredskab:

• Fotografer en forvirrende fejl på din skærm — «hvad betyder det, og hvordan løser jeg det?»
• Tag et billede af en ret på en restaurant med en udenlandsk menu — «hvad er det her, og er der nødder i?»
• Vis den et diagram fra en rapport — «beskriv den trend, jeg ser på».
• Fotografer indholdet af dit køleskab — «hvad kan jeg lave til aftensmad ud af det her?»

Modellen læser, hvad der er på billedet, og svarer med ord. Screenshots, fotos, diagrammer, håndskrevne noter — alt er muligt.

Billeder, del to: AI'en tegner ud fra en beskrivelse

Den anden side er generering: beskriv det med ord, og ChatGPT tegner billedet ud af ingenting. «Tegn et logo til en kaffebar: minimalistisk, en kop og bjerge, varme farver» — et billede på få sekunder. Det dukker oftere op, end du tror: en illustration til et opslag, et groft logo, et fødselsdagskort, et diagram til en præsentation, en reference til din designer. Ligesom med tekst er iteration (at gå en omgang mere med svaret, fra den første dialoglektion) det, der virker: «lysere», «fjern baggrunden», «prøv en anden stil».

Her rammer billeder deres grænser

To ærlige begrænsninger, så du ikke bliver skuffet. For det første: genererede billeder er illustrationer, ikke fotografier af virkelige begivenheder, og små detaljer (tekst inde i billedet og især fingre) kommer stadig ud uperfekte — tjek, før du udgiver. For det andet: når den læser et foto, gælder den samme regel som med tekst tilbage i 10-jobs lektionen — verificer fakta. «Identificer denne svamp, er den spiselig» er en dårlig idé: prisen for at tage fejl er dit helbred, og modellen kan tage fejl. Med mad, medicin og juridiske dokumenter assisterer AI'en, men en professionel beslutter.

Almindelige spørgsmål om stemme og billeder

• «Kan folk omkring mig høre det?» Nej — lyden går til dine høretelefoner eller din telefons højttaler, som ethvert opkald.
• «Kan jeg tale med accent, eller dårligt?» Ja, modellen håndterer ægte tale, pauser og fejl fint — tal, som du plejer.
• «Kan jeg downloade et genereret billede og bruge det?» Downloade, ja, via gem-knappen; men før du udgiver det til en virksomhed, tjek tjenestens vilkår og husk de uperfekte små detaljer.
• «Hvorfor opdagede AI'en ikke noget på mit foto?» Typisk kvalitet: mørke, slørede eller skæve billeder læses dårligt — tag det igen lige på i godt lys.

Gør dette nu

To minutter, to tryk. Én: slå stemmetilstand til, og spørg højt om en forklaring på noget, du er nysgerrig efter — lyt bare til, hvordan det føles. To: fotografer noget i nærheden af dig (en etiket, en kvittering, en side fra en bog), og spørg om det. Du har netop brugt alle tre kanaler: tekst, stemme, billede.