OpenAI ra mắt mô hình giọng nói mới GPT-Live-1: ChatGPT nói chuyện tự nhiên hơn, ngắt lời mượt hơn

OpenAI vừa công bố hai mô hình hội thoại giọng nói mới mang tên GPT-Live-1 và GPT-Live-1 mini. Theo công ty, các mô hình này nghe tự nhiên hơn và xử lý việc "lượt nói" (turn-taking) – tức khả năng biết khi nào nên nói, khi nào nên im lặng lắng nghe – tốt hơn hẳn phiên bản cũ.

Điểm kỹ thuật đáng chú ý nhất là đây là các mô hình full-duplex, nghĩa là AI có thể vừa nói vừa nghe cùng lúc, cho phép người dùng ngắt lời một cách tự nhiên như khi trò chuyện với người thật. Tính năng này cũng mở đường cho khả năng dịch trực tiếp (live translation) trong lúc trò chuyện.

ChatGPT sẽ mặc định chuyển sang dùng GPT-Live-1 mini để thay thế Advanced Voice Mode hiện tại, trong khi người dùng các gói trả phí sẽ được tiếp cận phiên bản đầy đủ GPT-Live-1.

Khắc phục nhược điểm của mô hình giọng nói cũ

Trước đây, ChatGPT xử lý giọng nói theo kiểu "ba bước": một mô hình chuyển giọng nói thành văn bản (speech-to-text), sau đó một mô hình ngôn ngữ lớn tạo câu trả lời, rồi một mô hình khác chuyển văn bản trở lại thành giọng nói (text-to-speech). Cách làm này khiến AI dễ mắc lỗi ngắt lời người dùng giữa chừng hoặc không đủ "thông minh" để trả lời trọn vẹn.

Với GPT-Live-1, OpenAI cho biết mô hình mới sẽ gửi truy vấn đến các mô hình văn bản mới nhất như GPT-5.5 để thực hiện tìm kiếm, suy luận hoặc các tác vụ dạng agent (AI tự hành động) trong khi vẫn duy trì cuộc trò chuyện liền mạch. Công ty cũng trình diễn khả năng mô hình có thể im lặng trong thời gian dài, âm thầm "hấp thụ" ngữ cảnh cuộc nói chuyện cho đến khi được gọi đến. Nhờ kết nối với các mô hình GPT mới, chế độ giọng nói này còn có thể trình bày thông tin dưới dạng hình ảnh trực quan – hướng đi mà một số startup như Monogram (đã gọi vốn hạt giống 40 triệu USD từ DST và Lux Capital) cũng đang theo đuổi để làm trợ lý AI tương tác sinh động hơn.

Tham vọng: giọng nói làm giao diện chính cho công việc phức tạp

Trong buổi họp báo, ông Atty Eleti, phụ trách sản phẩm ChatGPT Voice, cho biết bản thân từng có những cuộc trò chuyện dài 30-40 phút với tính năng giọng nói trong lúc đi bộ. OpenAI tin rằng giọng nói có thể trở thành giao diện chính để tương tác với máy tính, kể cả cho các tác vụ agentic phức tạp và kéo dài. "Chúng tôi nghĩ giọng nói có thể là giao diện tương lai cho mọi loại công việc," ông Eleti nói.

Dù có tin đồn OpenAI sẽ ra mắt tai nghe AI trong năm nay, công ty không đưa ra bất kỳ thông tin nào về sản phẩm phần cứng trong lần công bố này. Hiện đã có hơn 150 triệu người dùng ChatGPT thông qua các tính năng Voice và Dictation. Cuộc đua cải thiện trợ lý giọng nói cũng đang nóng lên với Apple, Amazon và startup Sesame (đồng sáng lập bởi Brendan Iribe, người đồng sáng lập Oculus, cùng Ankit Kumar).

OpenAI nhấn mạnh rằng dù giọng nói mới nghe tự nhiên hơn, công ty không có ý định biến ChatGPT thành một "bạn đồng hành AI" (AI companion). Các cơ chế bảo vệ được tích hợp để đưa ra phản hồi phù hợp lứa tuổi cho thanh thiếu niên và cung cấp thông tin hỗ trợ nếu cuộc trò chuyện chạm đến chủ đề nhạy cảm như tự hại bản thân.

Vẫn còn hạn chế: bản demo tiếng Hindi lộ điểm yếu

Theo quan sát của phóng viên TechCrunch, chế độ giọng nói mới vẫn còn nhiều điểm cần cải thiện. Trong phần demo tính năng dịch trực tiếp bằng tiếng Hindi, trợ lý AI nói với giọng Mỹ khá nặng, phát âm tiếng Hindi nghe không tự nhiên và hơi "sách vở". OpenAI cho biết mô hình mới được tối ưu cho "phần lớn các ngôn ngữ phổ biến" nhưng không nói rõ danh sách cụ thể gồm những ngôn ngữ nào.

Nguồn tham khảo: AI News & Artificial Intelligence | TechCrunch — Biên tập bởi Cà Phê AI.