ChatGPT nâng cấp khả năng đàm thoại song song, tương tác tự nhiên như người thật

OpenAI giới thiệu GPT-Live, thế hệ mô hình giọng nói mới với kiến trúc song công toàn phần (full-duplex). Mô hình này có thể vừa lắng nghe vừa phản hồi cùng lúc và chuyển giao các tác vụ phức tạp cho GPT-5.5 xử lý ở chế độ nền.

Với GPT-Live, OpenAI đang tung ra một lớp mô hình giọng nói AI mới được thiết kế để mang lại cảm giác trò chuyện với ChatGPT giống như một cuộc hội thoại thực tế. Hai phiên bản đang được triển khai trên toàn thế giới ngay lập tức. GPT-Live-1 dành cho người dùng trả phí trên các gói Go, Plus và Pro, trong khi GPT-Live-1 mini khả dụng cho các tài khoản miễn phí. Cả hai đều hoạt động trên iOS, Android và ChatGPT.com. OpenAI dự định sớm bổ sung quyền truy cập API và các nhà phát triển có thể đăng ký thông qua một biểu mẫu.

Thay vì kiểu tương tác cứng nhắc "hỏi-đáp" cũ, nơi người dùng nói rồi AI mới phản hồi, GPT-Live sử dụng kiến trúc song công toàn phần. Mô hình có thể vừa nghe vừa nói cùng lúc, giống như một cuộc trò chuyện giữa người với người. Đầu năm nay, Nvidia cũng đã phát hành một mô hình mã nguồn mở tương tự có tên là PersonaPlex.

OpenAI cho biết GPT-Live đưa ra quyết định nhiều lần mỗi giây về việc nên nói, tiếp tục lắng nghe, tạm dừng, ngắt lời hay gọi một công cụ hỗ trợ. Mô hình có thể sử dụng các từ đệm như "mhmm" hoặc "hiểu rồi" để báo hiệu rằng nó vẫn đang theo sát câu chuyện. Người dùng có thể ngắt lời, dành thời gian suy nghĩ hoặc yêu cầu mô hình nói chậm lại.

So với "Advanced Voice Mode" trước đây, OpenAI cho biết người dùng ưu tiên GPT-Live-1 trong 75,7% trường hợp và GPT-Live-1 mini trong 69,2% trường hợp. Ngoài các tính năng hội thoại mới, bản cập nhật còn bổ sung các thẻ trực quan (visual cards) mà ChatGPT Voice có thể hiển thị trong cuộc trò chuyện cho các thông tin như thời tiết, giá chứng khoán hoặc tỷ số thể thao. OpenAI cũng đã cải tiến chín giọng nói hiện có cho GPT-Live.

Tại thời điểm ra mắt, GPT-Live chưa hỗ trợ giọng nói kèm video hoặc chia sẻ màn hình trong ChatGPT, mặc dù OpenAI cho biết các tính năng này sẽ sớm xuất hiện. Các chế độ Standard và Advanced Voice Mode cũ với những tính năng này vẫn sẽ được duy trì trong thời điểm hiện tại.

Việc ủy quyền cho GPT-5.5 ở chế độ nền giúp thu hẹp khoảng cách về trí tuệ

Thay đổi lớn nhất nằm ở sự phân tách giữa quản lý hội thoại trực tiếp và khả năng suy luận thực tế. Khi một câu hỏi cần tìm kiếm trên web, suy luận hoặc các khả năng giống như tác nhân (agent), GPT-Live sẽ chuyển giao nó cho một mô hình nền. Hiện tại, đó là GPT-5.5. Trong khi mô hình nền xử lý, GPT-Live vẫn duy trì cuộc hội thoại.

OpenAI cho biết kiến trúc này được xây dựng để GPT-Live luôn được kết nối với các mô hình tiên tiến nhất mọi thời điểm. Người dùng cũng có thể chọn mức độ suy luận, từ "Instant" (tức thì) cho các câu trả lời nhanh đến "Medium" (trung bình) và "High" (cao) cho các tác vụ cần ChatGPT dành nhiều thời gian suy nghĩ hơn.

Việc ủy quyền này khắc phục điểm yếu lớn của các mô hình trực tiếp trước đây, vốn chỉ trả lời câu hỏi dựa trên khả năng hạn hẹp của chính chúng. Điều đó khiến chúng tụt hậu xa so với các mô hình tiên tiến và gần như không thể sử dụng cho các công việc nghiêm túc.

Với GPT-Live, khoảng cách đó dường như đang được thu hẹp và điểm số chuẩn về kiến thức đã cải thiện đáng kể. Trong bài kiểm tra GPQA về suy luận khoa học, GPT-Live-1 đạt độ chính xác 84,2% ở mức suy luận cao, so với 45,3% của Advanced Voice Mode. Khoảng cách thậm chí còn lớn hơn trên BrowseComp, một bài kiểm tra chuẩn cho việc tìm kiếm web dựa trên tác nhân. GPT-Live-1 đạt 75,2%, trong khi Advanced Voice Mode chỉ đạt 0,7%.

GPT-Live cũng dẫn đầu trong bài kiểm tra nội bộ tau3 Voice Telecom của OpenAI, vốn đánh giá các tác nhân giọng nói song công toàn phần trên các tác vụ hỗ trợ viễn thông thực tế. Tùy thuộc vào mức độ suy luận, GPT-Live-1 hoàn thành các tác vụ với tỷ lệ cao hơn nhiều trong khi thời gian xử lý cũng nhanh hơn. Advanced Voice Mode đạt kết quả kém nhất với tỷ lệ thành công thấp nhất và thời gian xử lý lâu nhất.

AI nghe giống người hơn làm tăng các rủi ro về an toàn

Con người có xu hướng được ghi nhận rõ ràng là đối xử với các mô hình AI như con người và dễ bị thuyết phục thực hiện đủ loại hành động, đôi khi dẫn đến những hậu quả nghiêm trọng. Nghiên cứu cho thấy những người dùng mô hình giọng nói thường xuyên thậm chí còn dễ bị phụ thuộc cảm xúc vào AI hơn. Một hệ thống AI có âm thanh và phản hồi giống người hơn nữa có khả năng sẽ khuếch đại rủi ro đó.

OpenAI cho biết họ đã xây dựng các biện pháp an toàn kích hoạt ngay cả khi người dùng vẫn đang nói. Hệ thống có thể điều hướng mô hình đến các phản hồi an toàn hơn, hiển thị thêm thông tin an toàn hoặc kết thúc hoàn toàn cuộc trò chuyện trong các tình huống rủi ro cao. Các đường dây nóng hỗ trợ khủng hoảng sẽ xuất hiện khi các chủ đề liên quan đến tự hại được đề cập.

Đối với người dùng trẻ tuổi, OpenAI đã huấn luyện mô hình để ứng xử phù hợp với lứa tuổi. Phụ huynh có thể sử dụng các công cụ kiểm soát để quyết định xem con mình có thể truy cập ChatGPT Voice hay không và sẽ nhận được thông báo trong các tình huống rủi ro cao. GPT-Live cũng không được thiết kế để bắt chước giọng nói thực và chỉ sử dụng các giọng nói được định nghĩa sẵn. Thông tin chi tiết về các biện pháp an toàn có sẵn trong System Card.

Tin tức AI không cường điệu – Được tuyển chọn bởi con người

Đăng ký THE DECODER để đọc không quảng cáo, nhận bản tin AI hàng tuần, báo cáo độc quyền "AI Radar" về các công nghệ tiên phong sáu lần một năm, quyền truy cập toàn bộ kho lưu trữ và phần bình luận.

Đăng ký ngay