Röst och bilder: tala och visa

Fram till den här lektionen har du pratat med AI:n via text. Men ChatGPT har två kanaler till – röst och bilder. Det är de som förvandlar ett smart chattfönster till en assistent som alltid finns till hands.

Röstläge: inte diktering, utan en konversation

Vi slog på röstläget i app-lektionen. Nu ska vi fördjupa oss, för två saker blandas ofta ihop här. Diktering (mikrofonikonen i inmatningsfältet) omvandlar bara ditt tal till text – du pratar, bokstäver visas, och sedan är det en vanlig chatt. Röstläge (hörlurs-/vågformsikonen) är en fullständig konversation: du talar, AI:n svarar högt med en riktig röst, och du kan avbryta den mitt i en mening – den stannar och byter. Skillnaden är som att skicka SMS kontra att ringa.

Varför röstläget förändrar dina vanor

Att skriva en detaljerad förfrågan är jobb. Att säga den är naturligt. På 40 sekunders prat ger du tre gånger så mycket kontext som du skulle ha skrivit, och kom ihåg regeln från den första dialoglektionen: mer kontext, skarpare svar. Det frigör också dina händer och ögon: i bilen, vid spisen, när du kör barnvagn – AI:n blir någon du pratar med snarare än en app du stirrar på.

Hur en bra röstsession ser ut

• Öva högt. «Låt oss göra en låtsasintervju. Du är en tuff HR-chef, ställ en fråga i taget, jag svarar högt, och granska mina svar i slutet.» Live talövning du aldrig får från text.
• Brainstorma i farten. Du går och tänker högt, AI:n snappar upp det och föreslår vändningar. Idéer fångas medan de är färska.
• Lösa något på språng. «Förklara skillnaden mellan leasing och lån, med enkla ord» – på tåget, ingen skärm inblandad.

Bilder, del ett: AI:n tittar på ditt foto

Släpp en bild i chatten (gem-ikonen, eller kameran i appen) och fråga om den. Detta är inget partytrix, det är ett arbetsverktyg:

• Fotografera ett förbryllande fel på din skärm – «vad betyder det här och hur fixar jag det?»
• Fota en rätt på en restaurang med en utländsk meny – «vad är det här, och innehåller det nötter?»
• Visa den ett diagram från en rapport – «beskriv trenden jag tittar på».
• Fotografera insidan av ditt kylskåp – «vad kan jag laga till middag av det här?»

Modellen läser vad som finns på bilden och svarar med ord. Skärmdumpar, foton, diagram, handskrivna anteckningar – allt är tillåtet.

Bilder, del två: AI:n ritar utifrån en beskrivning

Motsatsen är generering: beskriv det med ord och ChatGPT ritar bilden från ingenting. «Rita en logotyp för ett kafé: minimalistisk, en kopp och berg, varma toner» – en bild på några sekunder. Det dyker upp oftare än du tror: en illustration till ett inlägg, en grov logotyp, ett födelsedagskort, ett diagram till en presentation, en referens till din designer. Precis som med text är iteration (att gå runt igen på svaret, från den första dialoglektionen) det som fungerar: «ljusare», «ta bort bakgrunden», «prova en annan stil».

Var bilder når sina gränser

Två ärliga begränsningar, så du inte blir besviken. För det första: genererade bilder är illustrationer, inte fotografier av verkliga händelser, och små detaljer (text inuti bilden och särskilt fingrar) blir fortfarande ofullkomliga – kontrollera innan du publicerar. För det andra: när den läser ett foto gäller samma regel som med text i 10-jobbslektionen – verifiera fakta. «Identifiera den här svampen, är den ätlig» är en dålig idé: priset för att ha fel är din hälsa, och modellen kan ha fel. Med mat, medicin och juridiska dokument assisterar AI:n, men en professionell beslutar.

Vanliga frågor om röst och bilder

• «Kan folk runt omkring mig höra det?» Nej – ljudet går till dina hörlurar eller telefonens högtalare, som vilket samtal som helst.
• «Kan jag prata med accent, eller dåligt?» Ja, modellen hanterar riktigt tal, pauser och felsägningar alldeles utmärkt – prata hur du än pratar.
• «Kan jag ladda ner en genererad bild och använda den?» Ladda ner, ja, via spara-knappen; men innan du publicerar den för ett företag, kontrollera tjänstens villkor och kom ihåg de ofullkomliga små detaljerna.
• «Varför upptäckte AI:n inte något på mitt foto?» Vanligtvis kvalitet: mörka, suddiga eller vinklade bilder läses dåligt – ta om den rakt fram i bra ljus.

Gör detta nu

Två minuter, två tryck. Ett: slå på röstläget och fråga högt om en förklaring till något du är nyfiken på – lyssna bara på hur det känns. Två: fotografera något nära dig (en etikett, ett kvitto, en boksida) och fråga om det. Du har precis använt alla tre kanalerna: text, röst, bild.