Mới đây, OpenAI đã chính thức công bố trình làng GPT-Live - thế hệ mô hình giọng nói mới nhất dành riêng cho tính năng ChatGPT Voice. Công nghệ này hứa hẹn sẽ xóa nhòa ranh giới giữa cuộc đối thoại với máy móc và trò chuyện thực tế ngoài đời thực giữa người với người, đánh dấu bước tiến mới của trí tuệ nhân tạo ứng dụng trong cuộc sống.
| Tóm tắt chung: - Kiến trúc song công toàn phần: GPT-Live vận hành trên cấu trúc full-duplex cho phép nghe và nói cùng lúc, loại bỏ cơ chế trò chuyện theo lượt cứng nhắc trước đây.
- Ủy nhiệm tác vụ thông minh: Mô hình tương tác liên tục tách biệt với các tác vụ chuyên sâu, tự động chuyển giao việc tìm kiếm web hay suy luận phức tạp cho GPT-5.5 xử lý ngầm ở hậu trường.
- Lắng nghe chủ động: AI có khả năng nhận biết tiếng ồn môi trường, biết im lặng chờ đợi khi người dùng suy nghĩ thay vì ngắt lời vô cớ như các phiên bản cũ.
- Hiển thị thông tin trực quan: Ngoài giọng nói, ChatGPT Voice giờ đây hỗ trợ xuất hiện các thẻ thông tin trực quan về thời tiết, chứng khoán, thể thao ngay trong buổi hội thoại.
- Hệ thống bảo vệ an toàn thời gian thực: OpenAI tích hợp các rào chắn kiểm soát âm thanh chuyên biệt, hỗ trợ người dùng trẻ tuổi và ngăn chặn hoàn toàn việc giả mạo giọng nói của người thật.
|
GPT-Live là gì? Thế hệ mô hình giọng nói mới dành cho ChatGPT Voice
GPT-Live là thế hệ mô hình giọng nói mới vừa được OpenAI giới thiệu nhằm nâng cấp trải nghiệm ChatGPT Voice. Điểm khác biệt lớn nhất của GPT-Live nằm ở khả năng nghe và nói đồng thời nhờ kiến trúc full-duplex, thay vì phải chờ người dùng nói xong mới phản hồi như các phiên bản trước. Điều này giúp cuộc trò chuyện diễn ra liền mạch, tự nhiên và giống như đang giao tiếp với một người thật.
Không chỉ cải thiện khả năng hội thoại, GPT-Live còn được tích hợp cơ chế xử lý thông minh hơn. Khi gặp những câu hỏi cần tìm kiếm trên web hoặc suy luận chuyên sâu, mô hình sẽ tự động chuyển tác vụ sang GPT-5.5 để xử lý ở phía sau, sau đó mang kết quả quay lại cuộc trò chuyện mà không làm gián đoạn quá trình trao đổi. Nhờ đó, người dùng vừa có thể trò chuyện liên tục, vừa nhận được những câu trả lời chính xác và chất lượng hơn.
![GPT-Live là gì? Thế hệ mô hình giọng nói mới dành cho ChatGPT Voice]()
GPT-Live khắc phục những hạn chế gì của các chế độ ChatGPT Voice trước đây?
Để hiểu được sự vượt trội của thế hệ mô hình mới, cần nhìn lại những rào cản công nghệ mà các phiên bản tiền nhiệm chưa thể vượt qua. Dù mang lại nhiều giá trị, các hệ thống cũ vẫn tồn tại những điểm trừ lớn về mặt kiến trúc khiến trải nghiệm giao tiếp bị đứt gãy. Từ đó, sự ra đời của GPT-Live tập trung giải quyết triệt những vấn đề này thông qua thay đổi căn bản về cách thức thu nhận và xử lý tín hiệu âm thanh.
Hệ thống Cascaded khiến phản hồi chậm và thiếu tự nhiên
Trong giai đoạn đầu, tính năng ChatGPT Voice hoạt động dựa trên hệ thống giọng nói dạng chuỗi hay còn gọi là hệ thống kết tầng (Cascaded). Kiến trúc này bắt buộc phải nối tiếp ba mô hình riêng biệt hoạt động độc lập:
- Mô hình chuyển giọng nói thành văn bản (STT) để ghi lại lời nói
- Đưa dữ liệu vào mô hình ngôn ngữ lớn để biên soạn câu trả lời bằng văn bản
- Dùng mô hình chuyển văn bản thành giọng nói (TTS) để phát ra âm thanh
Quy trình tuần tự này khiến thông tin dễ bị thất thoát hoặc sai lệch trong quá trình chuyển giao giữa các tầng, đồng thời tạo ra một khoảng trễ khá dài, làm cho cuộc trò chuyện trở nên chậm chạp và thiếu tự nhiên.
Advanced Voice Mode vẫn bị giới hạn bởi cơ chế nói theo lượt
Chế độ trò chuyện nâng cao (Advanced Voice Mode - AVM) đã cải tiến bằng cách tích hợp việc xử lý và tạo âm thanh trong một mô hình duy nhất, từ đó giảm đáng kể độ trễ. Tuy nhiên, hệ thống này vẫn vận hành theo nguyên lý gián đoạn từng lượt. Mô hình phải đợi cho đến khi người dùng ngừng nói hoàn toàn mới có thể bắt đầu phân tích và phản hồi.
Vì việc nhận diện lượt nói phụ thuộc hoàn toàn vào các khoảng lặng, chỉ cần một quãng dừng ngắn để suy nghĩ hoặc một tiếng ồn bất chợt từ môi trường xung quanh cũng bị hệ thống hiểu lầm là tín hiệu kết thúc, dẫn đến tình trạng AI thường xuyên ngắt lời người dùng một cách cứng nhắc.
Kiến trúc Full-Duplex giúp cuộc trò chuyện diễn ra liên tục
GPT-Live đã loại bỏ hoàn toàn các hạn chế trên nhờ vào việc xây dựng trên kiến trúc song công toàn phần (Full-Duplex). Thay vì xử lý các chuỗi thông điệp tách biệt theo từng lượt, mô hình liên tục tiếp nhận và xử lý dữ liệu đầu vào ngay trong khi đang tạo dữ liệu đầu ra.
Kiến trúc này cho phép hệ thống đưa ra các quyết định tương tác theo thời gian thực với tần suất nhiều lần mỗi giây, như tự cân nhắc xem nên nói tiếp, lắng nghe, tạm dừng hay chủ động gọi một công cụ hỗ trợ. Người dùng có thể đối đáp tự nhiên, cắt ngang lời AI hoặc thực hiện các tác vụ dịch thuật trực tiếp mà không gặp bất kỳ rào cản nào.
![GPT-Live khắc phục những hạn chế gì của các chế độ ChatGPT Voice trước đây?]()
GPT-Live được nâng cấp hàng loạt tính năng mới trên ChatGPT Voice
Bên cạnh sự thay đổi mang tính nền tảng về mặt kiến trúc, OpenAI cũng mang đến một bộ công cụ tính năng hoàn chỉnh, giúp tối ưu hóa trải nghiệm tương tác rảnh tay hằng ngày của người dùng.
Phản hồi thông minh và tự nhiên hơn
Việc giao tiếp với ChatGPT giờ đây mang lại cảm giác thân thuộc như đang trao đổi với người thật. Mô hình có thể sử dụng linh hoạt các từ đệm, cụm từ biểu cảm nhẹ nhàng như “ừm”, “ừ” hoặc “hiểu rồi” để phát tín hiệu cho thấy hệ thống vẫn đang chủ động lắng nghe và bám sát mạch câu chuyện.
Toàn bộ chín giọng nói đặc trưng vốn có của ChatGPT cũng đã được đội ngũ kỹ sư gọt giũa và tối ưu hóa riêng biệt để tương thích với cấu trúc âm sắc mới của GPT-Live.
AI biết chờ người dùng thay vì ngắt lời
Nhờ khả năng phân tích ngữ cảnh nâng cao, nếu người dùng cần một khoảng thời gian ngắn để sắp xếp lại suy nghĩ hoặc yêu cầu AI giữ im lặng để lắng nghe, hệ thống sẽ kiên nhẫn chờ đợi thay vì chen ngang.
Hệ thống lọc âm mới giúp thiết bị tập trung tối đa vào giọng nói chủ thể, nhận diện chính xác nguồn phát ngôn ngay cả trong môi trường có nhiều tiếng ồn nền phức tạp như tiếng xe cộ đi lại hoặc tiếng người nói chuyện xung quanh.
![GPT-Live được nâng cấp hàng loạt tính năng mới trên ChatGPT Voice]()
Hỗ trợ hiển thị thông tin trực quan như thời tiết, thể thao, chứng khoán
Một trong những cải tiến mang tính thực dụng cao là khả năng cung cấp câu trả lời bằng hình ảnh ngay trong giao diện thoại. Đối với các nhóm thông tin đặc thù cần phải quan sát bằng mắt mới có thể nắm bắt nhanh như diễn biến thị trường chứng khoán, dự báo thời tiết hay kết quả các trận đấu thể thao, GPT-Live sẽ lập tức xuất hiện các thẻ thông tin trực quan sinh động trên màn hình song song với lời thoại.
Tiếp tục hỗ trợ tìm kiếm web, bộ nhớ, hình ảnh và tải tệp
Không vì tập trung vào giọng nói mà các tính năng đa nhiệm khác bị xem nhẹ. Trong suốt quá trình đàm thoại, người dùng vẫn có thể duy trì toàn bộ các quyền năng nâng cao của ChatGPT bao gồm việc yêu cầu tìm kiếm thông tin theo thời gian thực trên mạng Internet, lưu trữ các dữ liệu quan trọng vào bộ nhớ dài hạn, hoặc trực tiếp đính kèm hình ảnh và các tệp tài liệu lên hệ thống để nhờ AI phân tích.
GPT-Live cho kết quả vượt trội trong các bài đánh giá của OpenAI
Để chứng minh năng lực thực tế của mô hình mới trước khi phát hành rộng rãi, OpenAI đã tiến hành một loạt các bài kiểm tra nghiêm ngặt bằng cả phương pháp đánh giá từ con người lẫn các bộ công cụ kiểm thử tiêu chuẩn quốc tế. Kết quả thu được cho thấy sự tăng trưởng vượt bậc của GPT-Live ở tất cả các khía cạnh từ mức độ hài lòng cảm tính cho đến năng lực tư duy khoa học chuyên sâu.
Người dùng đánh giá cao hơn Advanced Voice Mode
Trong các thử nghiệm so sánh trực tiếp thông qua các cuộc hội thoại kéo dài từ 5 đến 10 phút, cả hai phiên bản GPT-Live-1 và GPT-Live-1 mini đều nhận được sự ưu tiên áp đảo từ phía con người khi đặt cạnh Chế độ trò chuyện nâng cao cũ. Thử nghiệm tập trung đo lường độ hài lòng chung, nhịp điệu tương tác, cơ chế ngắt lời và dòng chảy tự nhiên của cuộc trò chuyện.
Cụ thể, tỷ lệ phản hồi được ưu tiên của GPT-Live-1 đạt tới 75.7%, trong khi bản mini cũng ghi nhận mức 69.2%. Mức điểm trung bình về mạch hội thoại và độ dễ chịu của mô hình mới đều tiệm cận mức xuất sắc trên thang điểm 7.
Cải thiện khả năng suy luận khoa học
Trên bộ dữ liệu kiểm thử GPQA - bài kiểm tra năng lực suy luận khoa học cấp độ chuyên gia dành cho các lĩnh vực chuyên sâu như sinh học, hóa học và vật lý, GPT-Live-1 thể hiện một sự bứt phá đáng kể. Khi kích hoạt các chế độ suy luận chuyên sâu ở hậu trường (Medium và High), độ chính xác của mô hình lần lượt đạt mức 81.7% và 84.2%, vượt trội hoàn toàn so với mức điểm khiêm tốn 45.3% của hệ thống AVM cũ.
![GPT-Live cho kết quả vượt trội trong các bài đánh giá của OpenAI]()
Tăng hiệu quả tìm kiếm thông tin trên web
Đối với bộ kiểm thử BrowseComp - công cụ chuyên biệt dùng để đánh giá năng lực tìm kiếm web mang tính tự trị cao và khả năng truy tìm các nguồn dữ liệu phức tạp khó định vị, thế hệ mới cũng cho thấy sự cải tiến đáng kể.
Hệ thống đạt tỷ lệ chính xác từ 60.6% đến 75.2% tùy thuộc vào mức độ nỗ lực suy luận được cấu hình, trong khi cấu trúc cũ gần như bất khả thi trong việc xử lý các tác vụ tìm kiếm tự trị dạng này khi chỉ đạt 0.7% độ chính xác.
Hoạt động tốt hơn trong các bài kiểm tra hội thoại thực tế
Cuối cùng, tại bài kiểm tra Voice Telecom mô phỏng các trợ lý giọng nói trong đời sống thực tế, GPT-Live-1 đã chứng minh được hiệu quả vận hành vượt trội. Mô hình không chỉ nâng cao tỷ lệ hoàn thành tác vụ thành công mà còn tối ưu hóa đáng kể thời gian xử lý, giúp các cuộc gọi dịch vụ trở nên nhanh chóng và chính xác hơn.
![GPT-Live cho kết quả vượt trội trong các bài đánh giá của OpenAI]()
OpenAI tăng cường các lớp bảo vệ an toàn cho GPT-Live
Song song với việc nâng cấp hiệu năng, bài toán an toàn AI trong môi trường tương tác âm thanh thời gian thực là nội dung được OpenAI đặc biệt chú trọng. GPT-Live được thiết kế dựa trên nguyên tắc an toàn theo mặc định, thừa hưởng toàn bộ các thành tựu bảo mật của các dòng mô hình trước đó kết hợp với các rào chắn chuyên biệt cho giọng nói.
Bổ sung các bài kiểm thử dành riêng cho AI giọng nói
Để đảm bảo mô hình hoạt động an toàn trong thế giới thực, OpenAI đã mở rộng quy mô thử nghiệm bằng cách bổ sung các bài đánh giá độc lập dành riêng cho tín hiệu âm thanh. Đội ngũ chuyên gia nội bộ đã tiến hành kiểm thử Red-teaming chuyên sâu nhằm rà soát và phát hiện các lỗ hổng rủi ro đặc thù của giọng nói.
Các bài kiểm tra tổng hợp tập trung nghiêm ngặt vào các khía cạnh nhạy cảm bao gồm ngăn chặn xu hướng tự làm hại bản thân, kiểm soát các dấu hiệu rối loạn tâm thần hoặc hưng cảm, đánh giá mức độ phụ thuộc cảm xúc vào AI, và triệt tiêu các nội dung có yếu tố bạo lực hoặc tình dục.
Cơ chế phát hiện và xử lý nội dung không an toàn theo thời gian thực
Do đặc thù của hội thoại bằng giọng nói diễn ra liên tục theo thời gian thực, OpenAI đã xây dựng một hệ thống rào chắn bảo vệ có khả năng kích hoạt ngay lập tức trong lúc mô hình đang nói.
Khi phát hiện ra bất kỳ tín hiệu nào vi phạm tiêu chuẩn an toàn, AI sẽ chủ động thực hiện các biện pháp ứng phó ngay lập tức như tự động chuyển hướng câu trả lời sang chủ đề an toàn hơn, hiển thị thêm các cảnh báo hoặc tài nguyên hỗ trợ, hoặc chủ động ngắt cuộc trò chuyện nếu xác định có rủi ro nghiêm trọng.
Đặc biệt, với các tình huống xuất hiện yếu tố tự hại, hệ thống thoại sẽ lập tức cung cấp thông tin kết nối đến các đường dây trợ giúp khủng hoảng đã được kiểm định chuyên môn.
Bảo vệ người dùng trẻ tuổi và ngăn giả mạo giọng nói
Đối với nhóm đối tượng người dùng ở lứa tuổi thanh thiếu niên, mô hình được huấn luyện trực tiếp để tự động đưa ra các hành vi phản hồi phù hợp với lứa tuổi nhằm giảm thiểu rủi ro tiếp cận thông tin độc hại.
Phụ huynh hoàn toàn có thể kiểm soát quyền sử dụng ChatGPT Voice của con mình thông qua tính năng giám sát của cha mẹ và sẽ nhận được thông báo kịp thời trong các tình huống khẩn cấp liên quan đến dấu hiệu tự hại của trẻ.
Ngoài ra, để ngăn chặn triệt để vấn nạn giả mạo danh tính, GPT-Live chỉ được phép sử dụng một bộ giọng nói định sẵn của ChatGPT và được tích hợp các thuật toán nghiêm ngặt chống lại mọi hành vi bắt chước hoặc tái tạo giọng nói của người thật trong đời thực.
GPT-Live sẽ được phát hành khi nào và hỗ trợ những nền tảng nào?
Thế hệ mô hình giọng nói đột phá này hiện đang được OpenAI chính thức triển khai rộng rãi cho người dùng ChatGPT trên toàn cầu. Hệ thống mang đến sự đồng bộ toàn diện trên cả các ứng dụng di động lẫn môi trường máy tính để bàn, cụ thể như sau:
- Các nền tảng hỗ trợ: Người dùng có thể trải nghiệm trực tiếp GPT-Live trên hệ điều hành iOS, Android cũng như phiên bản web truyền thống tại địa chỉ ChatGPT.com.
- Phân tách phiên bản theo gói người dùng: Phiên bản cao cấp GPT-Live-1 sẽ được thiết lập làm mô hình mặc định hỗ trợ tính năng Voice cho các tài khoản trả phí thuộc gói Plus, Pro và Go. Trong khi đó, phiên bản thu gọn GPT-Live-1 mini sẽ là lựa chọn mặc định phục vụ cho nhóm người dùng thuộc gói Free (Miễn phí).
![GPT-Live sẽ được phát hành khi nào và hỗ trợ những nền tảng nào?]()
Hiện tại, mô hình GPT-Live chỉ được tối ưu hóa cho một số ngôn ngữ phổ biến trên thế giới. Do đó ở một vài ngôn ngữ đặc thù khác, AI có thể sẽ nói chuyện với ngữ điệu chưa hoàn toàn tự nhiên như người bản xứ. Ngoài ra trong giai đoạn đầu ra mắt, GPT-Live sẽ tạm thời chưa hỗ trợ các tính năng gọi thoại kết hợp video hoặc chia sẻ màn hình trực tiếp. Đối với các nhu cầu này, người dùng vẫn có thể chủ động chuyển đổi lại các phiên bản ChatGPT Voice trước đây (bao gồm chế độ Tiêu chuẩn và Nâng cao) để sử dụng bình thường.
GPT-Live ChatGPT OpenAI
.webp)
