GPT-Live giúp ChatGPT nghe và nói cùng lúc, mở ra kỉ nguyên mới của AI hội thoại

Khác với các trợ lý giọng nói truyền thống vốn hoạt động theo kiểu "đến lượt bạn nói, đến lượt tôi trả lời", GPT-Live có thể lắng nghe và nói đồng thời theo thời gian thực, khiến cuộc trò chuyện với AI trở nên gần giống giao tiếp giữa hai người hơn bao giờ hết.

Công nghệ mới được OpenAI triển khai toàn cầu từ ngày 9/7 với hai phiên bản GPT-Live-1 và GPT-Live-1 mini. OpenAI cho biết sẽ sớm đưa dòng mô hình này lên API (giao diện lập trình ứng dụng) dành cho nhà phát triển.

GPT-Live không đơn thuần là bản nâng cấp ChatGPT Voice. Theo OpenAI, GPT-Live sẽ mở ra một giai đoạn mới của tương tác giữa con người và AI, nơi cuộc hội thoại diễn ra liên tục, trong khi các tác vụ phức tạp như tìm kiếm web, suy luận hay sử dụng công cụ được xử lý âm thầm phía sau mà không làm gián đoạn cuộc trò chuyện.

GPT-Live thay đổi cách AI trò chuyện nhờ kiến trúc nghe và nói đồng thời

Trong nhiều năm qua, hầu hết trợ lý giọng nói như Siri, Alexa, Google Assistant và cả ChatGPT Voice đều hoạt động theo mô hình "theo lượt". Người dùng phải nói xong, sau đó AI mới bắt đầu xử lý và trả lời. Cách tiếp cận này khiến AI thường xuyên ngắt lời người dùng khi họ chỉ dừng lại vài giây để suy nghĩ, hoặc phản hồi khá chậm vì phải chờ xác nhận cuộc nói chuyện đã kết thúc.

GPT-Live thay đổi hoàn toàn cơ chế đó bằng kiến trúc full-duplex. Thay vì xem cuộc trò chuyện là chuỗi các lượt nói riêng biệt, GPT-Live liên tục lắng nghe người dùng trong khi vẫn có thể tạo phản hồi bằng giọng nói, chứ không chờ đến khi họ nói xong. Nói cách khác, AI vừa lắng nghe vừa trò chuyện giống con người.

Nhờ đó, GPT-Live có thể phản hồi bằng những tín hiệu giao tiếp tự nhiên như "ừm", "đúng rồi", "tôi hiểu", hay đơn giản là giữ im lặng khi nhận thấy người dùng đang suy nghĩ. Người dùng cũng có thể cắt ngang lời AI bất cứ lúc nào mà không làm gián đoạn cuộc trò chuyện. Theo OpenAI, GPT-Live đưa ra nhiều quyết định mỗi giây về việc nên tiếp tục lắng nghe, trả lời, tạm dừng, ngắt lời hay gọi thêm công cụ hỗ trợ.

Đây chính là điểm khác biệt lớn nhất giữa GPT-Live và Advanced Voice Mode trước đây.

Nếu chỉ thay đổi cách hội thoại thì GPT-Live chưa đủ để trở thành bước ngoặt. Điều OpenAI thực sự nhấn mạnh nằm ở kiến trúc phía sau.

Ở các thế hệ trước, một mô hình AI vừa phải đảm nhiệm hội thoại, vừa thực hiện các tác vụ suy luận phức tạp. Điều này khiến AI đôi khi phải ngừng cuộc trò chuyện trong vài giây để xử lý yêu cầu.

Với GPT-Live, OpenAI đã tách hai nhiệm vụ này thành hai lớp khác nhau. GPT-Live chỉ tập trung vào việc duy trì cuộc hội thoại liên tục. Khi gặp câu hỏi cần tìm kiếm trên web, phân tích dữ liệu, suy luận nhiều bước hoặc sử dụng các công cụ khác, GPT-Live sẽ chuyển công việc đó sang mô hình mạnh hơn hoạt động phía sau.

Ban đầu GPT-Live sẽ dựa vào GPT-5.5 để xử lý những tác vụ phức tạp phía sau và vẫn duy trì cuộc trò chuyện với người dùng. Trong tương lai, OpenAI sẽ tự động nâng cấp lên các mô hình AI mới hơn, nên người dùng luôn được sử dụng công nghệ mới nhất mà không cần thay đổi cách dùng ChatGPT Voice.

Kiến trúc này giúp AI vẫn tiếp tục duy trì cuộc trò chuyện trong khi "bộ não" phía sau âm thầm giải quyết những công việc khó hơn.

Theo OpenAI, đây là bước đầu hướng tới các tác tử AI, có thể xử lý nhiều tác vụ đồng thời thay vì chỉ trả lời câu hỏi.

ChatGPT Voice thông minh hơn với GPT-Live: Lắng nghe tốt hơn, dịch trực tiếp và phản hồi tự nhiên

Một trong những điểm người dùng dễ nhận thấy nhất sau khi GPT-Live được triển khai là ChatGPT Voice sẽ bớt "nóng vội" hơn rất nhiều.

Trước đây, chỉ cần người dùng dừng vài giây để suy nghĩ, AI thường cho rằng cuộc nói chuyện đã kết thúc và lập tức trả lời. GPT-Live giờ đây có thể hiểu những khoảng lặng tự nhiên trong giao tiếp.

Nếu người dùng nói "hãy chỉ lắng nghe, đừng trả lời", GPT-Live cũng sẽ làm đúng như vậy. Khi có tiếng xe cộ, tiếng người nói chuyện xung quanh hoặc tạp âm khác, GPT-Live được huấn luyện để tập trung vào giọng nói chính thay vì bị đánh lừa bởi tiếng ồn môi trường.

Một khả năng khác được OpenAI trình diễn là phiên dịch trực tiếp. Vì AI có thể vừa nghe vừa nói nên việc dịch giữa hai ngôn ngữ diễn ra gần như liên tục, thay vì phải chia thành từng lượt hội thoại như trước.

Bên cạnh đó, ChatGPT Voice hiện còn có thể hiển thị các thẻ thông tin trực quan trong khi trò chuyện. Khi người dùng hỏi về thời tiết, giá cổ phiếu, kết quả thể thao hoặc nhiều chủ đề khác, màn hình sẽ xuất hiện các bảng thông tin, biểu đồ hoặc hình ảnh liên quan thay vì chỉ trả lời bằng lời nói.

OpenAI cho biết ChatGPT Voice sẽ tiếp tục hỗ trợ tìm kiếm web, bộ nhớ, hình ảnh và tải file lên trong quá trình hội thoại.

OpenAI tăng cường an toàn cho GPT-Live trước khi triển khai toàn cầu

Một điểm đáng chú ý khác là OpenAI không chỉ tập trung vào trải nghiệm mà còn đầu tư mạnh cho các cơ chế an toàn dành riêng cho AI giọng nói.

Theo OpenAI, GPT-Live đã trải qua các bài kiểm thử mới với nhiều tình huống thực tế hơn, bao gồm hành vi tự gây hại, rối loạn tâm thần, phụ thuộc cảm xúc vào AI, bạo lực và nội dung tình dục.

Ngoài ra, các chuyên gia an toàn của OpenAI cũng chủ động tìm cách "thử tấn công" hệ thống bằng nhiều tình huống giả lập để phát hiện những điểm yếu chỉ xuất hiện khi AI giao tiếp bằng giọng nói.

Do cuộc hội thoại diễn ra theo thời gian thực, GPT-Live được tích hợp cơ chế can thiệp ngay khi phát hiện nội dung có nguy cơ gây hại. AI có thể chuyển hướng câu trả lời sang nội dung an toàn hơn, cung cấp thêm thông tin hỗ trợ hoặc chấm dứt cuộc trò chuyện trong các trường hợp rủi ro cao.

Với thanh thiếu niên, OpenAI cho biết đã huấn luyện riêng các hành vi phù hợp cho từng độ tuổi và bổ sung cơ chế kiểm soát của phụ huynh nhằm giảm nguy cơ AI đưa ra phản hồi không phù hợp.

Để đánh giá hiệu quả của GPT-Live, OpenAI xây dựng một bộ tiêu chí mới thay vì chỉ đo chất lượng nhận dạng giọng nói.

Trong các cuộc hội thoại kéo dài từ 5 đến 10 phút, GPT-Live-1 và GPT-Live-1 mini được người tham gia đánh giá cao hơn đáng kể so với Advanced Voice Mode về mức độ tự nhiên, khả năng luân phiên hội thoại, số lần ngắt lời và cảm giác giống giao tiếp giữa người với người.

Ở các bài kiểm tra chuyên môn, GPT-Live-1 cũng đạt kết quả tốt hơn trên GPQA (bộ đánh giá suy luận khoa học trình độ chuyên gia) cũng như BrowseComp (bài kiểm tra khả năng tìm kiếm thông tin khó trên internet bằng tác tử AI). Ngoài ra, trong bài đánh giá nội bộ τ³-Voice Telecom mô phỏng các cuộc gọi hỗ trợ khách hàng nhiều lượt hội thoại, GPT-Live cũng vượt Advanced Voice Mode.

OpenAI cho biết hiện mỗi tuần có hơn 150 triệu người sử dụng các tính năng Voice và Dictation của ChatGPT. Những người này dùng AI để luyện ngoại ngữ, kể chuyện cho trẻ em trước giờ ngủ, hỗ trợ công việc khi đang lái xe hoặc đơn giản là trò chuyện trong lúc di chuyển.

Với GPT-Live, OpenAI kì vọng ChatGPT sẽ tiến thêm một bước từ chatbot sang một trợ lý AI luôn hiện diện, có khả năng trò chuyện liên tục, xử lý nhiều công việc cùng lúc và phản ứng linh hoạt như đang nói chuyện với một người thật.

Trong bối cảnh cuộc đua AI ngày càng chuyển từ chatbot sang tác tử AI, GPT-Live cho thấy OpenAI đang tập trung không chỉ vào việc nâng cao khả năng suy luận của mô hình mà còn vào cách con người tương tác với AI.

GPT-Live có thể được xem là bước tiến giúp AI giao tiếp tự nhiên hơn với con người. Giờ đây, bạn có thể trò chuyện với ChatGPT theo đúng nhịp điệu tự nhiên của con người, một bước tiến mà OpenAI tin rằng sẽ mở đường cho các trợ lý AI thế hệ mới.

Theo OpenAI, GPT-Live-1 sẽ là mô hình mặc định cho ChatGPT Go, Plus và Pro, còn GPT-Live-1 mini dành cho người dùng miễn phí. Người dùng tài khoản Business, Enterprise và Edu sẽ được OpenAI cập nhật sau.