OpenAI ra mắt mô hình giọng nói mới: Đàm thoại trực tiếp tự nhiên hơn

OpenAI hôm nay đã phát hành các mô hình hội thoại mới, có tên là GPT-Live-1 và GPT-Live-1 mini, khẳng định rằng chúng nghe tự nhiên hơn và có khả năng xử lý việc luân phiên lượt nói tốt hơn. Đây là các mô hình song công toàn phần (full-duplex), nghĩa là chúng có thể nói và nghe cùng một lúc, cho phép người dùng ngắt lời một cách tự nhiên và kích hoạt các tính năng như dịch thuật trực tiếp.

Công ty cũng đang thay thế Advanced Voice Mode hiện tại trong ChatGPT bằng GPT-Live-1 mini làm mặc định. Người dùng các gói trả phí sẽ có thể truy cập mô hình GPT-Live-1 lớn hơn. Mô hình trước đây kết hợp một mô hình chuyển giọng nói thành văn bản để ghi lại lời nói, một mô hình ngôn ngữ lớn để tạo phản hồi và một mô hình chuyển văn bản thành giọng nói để đưa ra câu trả lời cuối cùng.

Công ty cho biết trong một buổi họp báo rằng các mô hình mới giải quyết được những vấn đề như ngắt lời người dùng khi họ đang nói và không đủ thông minh để trả lời các câu hỏi. Các mô hình mới của OpenAI sẽ gửi truy vấn đến các mô hình văn bản mới nhất của họ như GPT-5.5 để thực hiện tìm kiếm, suy luận hoặc các khả năng tác tử (agentic) trong khi vẫn tiếp tục cuộc hội thoại.

OpenAI cũng cho thấy mô hình này có thể giữ im lặng trong thời gian dài và tiếp nhận ngữ cảnh của cuộc trò chuyện cho đến khi được gọi. Thêm vào đó, vì chế độ giọng nói mới có quyền truy cập vào các mô hình GPT mới hơn, nó cũng có thể trình bày một số thông tin dưới dạng hình ảnh. Các công ty khởi nghiệp khác như Monogram, đơn vị đã huy động được 40 triệu đô la vốn hạt giống từ DST và Lux Capital, cũng đang hướng tới các phản hồi trực quan để làm cho các trợ lý trở nên tương tác hơn.

Công ty cho biết chế độ giọng nói mới trong ChatGPT được thiết kế để thực hiện các cuộc hội thoại dài hơn. Trong buổi họp báo, trưởng bộ phận sản phẩm ChatGPT Voice, Atty Eleti, cho biết ông đã có những cuộc trò chuyện kéo dài từ 30 đến 40 phút với tính năng giọng nói này trong khi đi dạo.

OpenAI cho rằng giọng nói có thể là giao diện chính để tương tác với máy tính cho các công việc phức tạp. Các báo cáo cho thấy họ có thể ra mắt một cặp tai nghe nhét tai với các khả năng AI trong năm nay. Tuy nhiên, công ty không cung cấp bất kỳ thông tin nào về các sản phẩm phần cứng.

“Theo thời gian, chúng tôi nghĩ rằng điều này cũng sẽ mở ra khả năng sử dụng giọng nói như một loại giao diện chính để tương tác với máy tính, và để quản lý các công việc tác tử (agentic) dài hạn ngày càng phức tạp. Những trường hợp sử dụng tuyệt vời mà chúng ta thấy mọi người đang dùng Codex và ChatGPT để thực hiện, chúng tôi nghĩ rằng giọng nói có thể là giao diện tương lai cho mọi loại công việc,” Eleti nói.

OpenAI đã nỗ lực tăng cường các tính năng dựa trên giọng nói trong vài năm qua để làm cho chế độ giọng nói của ChatGPT nghe tự nhiên hơn. Công ty cho biết có hơn 150 triệu người đang trò chuyện với ChatGPT bằng cách sử dụng các tính năng như Voice và Dictation.

Các đối thủ cạnh tranh cũng đang cố gắng làm cho các trợ lý trở nên biểu cảm hơn.

Cả Apple và Amazon đều đã cập nhật các trợ lý của họ để mang tính hội thoại hơn với khả năng xử lý ngữ cảnh tốt hơn. Các công ty khởi nghiệp như Sesame, được thành lập bởi đồng sáng lập Oculus là Brendan Iribe và Ankit Kumar, cũng đã ra mắt các trợ lý AI với khả năng hội thoại tự nhiên hơn trong khi vẫn hoàn thành các tác vụ ở chế độ nền.

OpenAI đang đi theo cùng một hướng, nhằm mục đích cho phép người dùng nói chuyện với trợ lý của mình ở chế độ rảnh tay trong thời gian dài hơn. Mặc dù khẳng định rằng chế độ giọng nói mới nghe tự nhiên hơn, công ty nhấn mạnh rằng họ không có ý định biến nó thành một người bạn đồng hành AI. Họ lưu ý rằng các mô hình mới có các biện pháp bảo vệ được tích hợp sẵn để đưa ra phản hồi phù hợp với lứa tuổi cho thanh thiếu niên và cung cấp các nguồn hỗ trợ nếu cuộc trò chuyện chuyển sang các chủ đề như tự làm hại bản thân.

Chế độ giọng nói mới vẫn cần được cải thiện. Trong bản demo, khi công ty trình diễn tính năng dịch trực tiếp bằng tiếng Hindi, trợ lý có giọng Mỹ rất nặng và nói tiếng Hindi nghe không tự nhiên, mang âm hưởng hơi giống văn viết. Công ty cho biết chế độ mới được tối ưu hóa cho “hầu hết các ngôn ngữ phổ biến” nhưng không nêu rõ đó là những ngôn ngữ nào.

Khi bạn mua hàng thông qua các liên kết trong bài viết của chúng tôi, chúng tôi có thể nhận được một khoản hoa hồng nhỏ. Điều này không ảnh hưởng đến tính độc lập trong biên tập của chúng tôi.

Ivan phụ trách các phát triển công nghệ tiêu dùng toàn cầu tại TechCrunch. Anh làm việc tại Ấn Độ và trước đây từng làm việc tại các ấn phẩm bao gồm Huffington Post và The Next Web.

Bạn có thể liên hệ hoặc xác minh thông tin từ Ivan bằng cách gửi email đến [email protected] hoặc qua tin nhắn mã hóa tại ivan.42 trên Signal.

Xem tiểu sử