OpenAI ra mắt GPT-Live: Có thể đồng thời nghe + nói, tạo ra trải nghiệm đối thoại giống như người thật.

OpenAI hôm thứ Tư ra mắt mô hình giọng nói song công toàn phần GPT-Live-1 và GPT-Live-1 mini, thay thế Advanced Voice Mode cũ, các tác vụ phức tạp sẽ được ủy thác cho GPT-5.5 ra mắt vào tháng 4 năm nay xử lý.
(Tin trước: Google Dịch nâng cấp: Gemini 3.5 giúp phiên dịch giọng nói thời gian thực không còn ngắt quãng khó xử)
(Bổ sung bối cảnh: Xây dựng AI客服 trong 2 phút! xAI ra mắt Voice Agent Builder không cần code, điểm số giọng nói vượt mặt OpenAI)

Kết thúc hai năm "kiểu đèn kéo quân" luân phiên, hôm thứ Tư OpenAI đã dạy ChatGPT một điều: vừa nghe vừa nói. Mô hình giọng nói mới GPT-Live từ bỏ logic cũ dựa vào im lặng để xác định lượt, thay vào đó sử dụng kiến trúc song công toàn phần (full-duplex).

GPT-Live-1 và GPT-Live-1 mini có hiệu lực ngay hôm nay trên iOS, Android, ChatGPT.com toàn cầu. GPT-Live-1 trở thành mô hình giọng nói mặc định cho người dùng trả phí Go, Plus, Pro, GPT-Live-1 mini phục vụ người dùng miễn phí, API phải chờ danh sách chờ nhà phát triển. Đây là lần thứ ba trong hai năm công nghệ giọng nói của ChatGPT thay đổi triều đại, và cũng là tuyên bố rõ ràng nhất của OpenAI: giọng nói không còn là tính năng phụ trợ của chatbot văn bản, mà trở thành giao diện chính cho đối thoại giữa người và AI.

Tại sao giọng nói cũ thường xuyên ngắt lời?

OpenAI viết trên blog nghiên cứu rằng GPT-Live xử lý đầu vào liên tục đồng thời tạo đầu ra, mô hình có thể đưa ra quyết định tương tác nhiều lần mỗi giây, xác định xem nên nói, tiếp tục nghe, tạm dừng, ngắt lời hay gọi công cụ. Một nhà nghiên cứu trên X mô tả trải nghiệm phiên bản cũ là "kiểu đèn kéo quân" luân phiên, mỗi lần chỉ một người nói, nói xong mới đến lượt người tiếp theo.

Đây chính là điểm chết của Advanced Voice Mode cũ. OpenAI thừa nhận, vì dựa vào im lặng để xác định lượt, những khoảng dừng ngắn hoặc tiếng ồn nền có thể bị hiểu nhầm là người dùng đã nói xong, khiến mô hình ngắt lời một cách gượng ép vào thời điểm không tự nhiên.

Ai chịu trách nhiệm nói, ai chịu trách nhiệm suy nghĩ?

Một thiết kế quan trọng khác của GPT-Live là tách "lớp tương tác giọng nói" khỏi "lớp suy luận". Các câu hỏi đơn giản được GPT-Live trả lời trực tiếp, khi gặp tác vụ cần tra cứu web, suy luận sâu hoặc đa bước, nó sẽ ủy thác công việc cho mô hình tiên tiến chạy nền, lúc ra mắt là GPT-5.5 công bố vào tháng 4 năm nay. Trong khi tính toán đang diễn ra, mô hình vẫn tiếp tục đối thoại với người dùng, không xuất hiện khoảng trống vài giây như pipeline cũ.

Đây là thiết kế mô-đun, lợi ích là nâng cấp trí thông minh mà không cần đào tạo lại chính mô hình giọng nói, đối với doanh nghiệp và nhà phát triển muốn kết nối tác nhân giọng nói vào cơ sở dữ liệu, tìm kiếm, tác vụ đa bước, đây mới là rào cản thực sự được hạ thấp.

Phiên bản mới còn thêm hai tính năng nhỏ: trong cuộc trò chuyện sẽ hiển thị tức thời các thẻ trực quan như thời tiết, giá cổ phiếu, tỷ số thể thao, bản đồ; người dùng cũng có thể tự chuyển đổi giữa ba cấp độ suy luận: Instant (Tức thời), Medium (Trung bình) và High (Phức tạp), tự quyết định muốn hồi đáp giọng nói nhanh hay suy nghĩ thấu đáo hơn. Nói cách khác, nhanh và chính xác không còn là phải chọn một, người dùng có thể tự kéo đường ranh giới đó.

OpenAI cũng nhân cơ hội này làm lại một vòng đội ngũ giọng nói. Chín giọng nói nhấn mạnh "được thiết kế cho đối thoại, không phải bắt chước giọng nói", và thêm các biện pháp bảo vệ chống bắt chước giọng người, ở một mức độ nào đó là phản hồi lại những chuyện cũ hai năm trước. Vào tháng 5 năm 2024 khi GPT-4o ra mắt, giọng "Sky" bị cho là rất giống diễn viên lồng tiếng Scarlett Johansson trong phim "Her", cô ấy xác nhận đã từ chối lời mời lồng tiếng của Sam Altman, sau khi sản phẩm ra mắt, cô ấy mô tả mình vừa sốc vừa tức giận, OpenAI sau đó đã gỡ bỏ giọng nói đó và xin lỗi.