OpenAI GPT-Live-1 ra mắt toàn cầu, thay thế Chế độ Giọng nói Nâng cao bằng thoại hai chiều

OpenAI chính thức ra mắt mô hình giọng nói toàn diện GPT-Live-1 và GPT-Live-1 mini vào ngày 9 tháng 7, hiện đã có mặt trên iOS, Android và ChatGPT.com toàn cầu, thay thế chế độ Âm thanh Nâng cao cũ.

Thông số kỹ thuật ra mắt của GPT-Live-1 và GPT-Live-1 mini: Người dùng trả phí, người dùng miễn phí và xếp hàng API

Theo thông báo của OpenAI, phạm vi sử dụng của hai mô hình GPT-Live như sau: GPT-Live-1 là mô hình giọng nói mặc định cho người dùng các gói trả phí Go, Plus, Pro; GPT-Live-1 mini dành cho người dùng miễn phí; còn về API, nhà phát triển hiện đang trong danh sách chờ, chưa mở rộng.

Hai mô hình đều ra mắt ngay lập tức trên iOS, Android và ChatGPT.com toàn cầu, là lần thứ ba trong vòng hai năm cập nhật công nghệ giọng nói của ChatGPT, đồng thời là tuyên bố rõ ràng nhất của OpenAI về định hướng: giọng nói sẽ trở thành giao diện chính để con người đối thoại với AI, thay vì chỉ là tính năng phụ của chatbot văn bản.

Nguyên lý kiến trúc toàn diện: Vấn đề của Chế độ Âm thanh Nâng cao cũ và giải pháp của GPT-Live

Theo giải thích trong blog nghiên cứu của OpenAI, vấn đề cốt lõi của Chế độ Âm thanh Nâng cao cũ là dựa vào việc xác định vòng lặp dựa trên im lặng — tạm dừng ngắn hoặc tiếng ồn nền có thể bị nhầm là người dùng đã nói xong, dẫn đến mô hình xen vào không tự nhiên; kiểu "quay vòng như đèn xe" này khiến cuộc đối thoại chỉ có thể một người nói, trải nghiệm không tự nhiên.

GPT-Live sử dụng kiến trúc toàn diện, mô hình xử lý liên tục đầu vào đồng thời sinh ra đầu ra, mỗi giây có thể thực hiện nhiều quyết định tương tác, xác định khi nào mở miệng, tiếp tục nghe, tạm dừng, cắt ngang hoặc gọi công cụ, giúp cuộc đối thoại gần hơn với cách giao tiếp thực của con người.

Thiết kế tách biệt lớp giọng nói và lớp suy luận: Ủy thác GPT-5.5, ba cấp độ suy luận và chức năng mới

Thiết kế chính của GPT-Live là phân tách mô-đun "lớp tương tác giọng nói" và "lớp suy luận": các câu hỏi đơn giản do GPT-Live xử lý trực tiếp; các vấn đề phức tạp (như tra cứu mạng, suy luận sâu hoặc nhiệm vụ nhiều bước) sẽ được ủy thác cho GPT-5.5 chạy nền, trong quá trình tính toán vẫn duy trì đối thoại, không gây ra khoảng trống tạm dừng vài giây như trước.

Lợi ích của thiết kế mô-đun này là nâng cấp trí tuệ suy luận mà không cần huấn luyện lại mô hình giọng nói, doanh nghiệp và nhà phát triển có thể tích hợp giọng nói vào cơ sở dữ liệu, tìm kiếm, nhiệm vụ nhiều bước. Các chức năng mới đồng bộ ra mắt gồm:

• Ba cấp độ suy luận: Instant (ngay lập tức), Medium (trung bình), High (phức tạp), người dùng tự chọn mức độ phù hợp về tốc độ và độ sâu.

• Thẻ trực quan tức thì: tự động hiển thị các thông tin như thời tiết, giá cổ phiếu, tỷ số thể thao, bản đồ trong cuộc đối thoại.

• Chín loại giọng nói đối thoại: nhấn mạnh "thiết kế cho đối thoại, không phải bắt chước giọng nói", đồng thời bổ sung cơ chế phòng chống mô phỏng giọng người.

Các câu hỏi thường gặp

Sự khác biệt giữa GPT-Live-1 và GPT-Live-1 mini là gì?

Theo thông báo của OpenAI, GPT-Live-1 là mô hình giọng nói mặc định cho người dùng các gói trả phí Go, Plus, Pro; GPT-Live-1 mini dành cho người dùng miễn phí; API mở cho nhà phát triển trong danh sách chờ; cả hai mô hình đều ra mắt ngay lập tức trên iOS, Android và ChatGPT.com toàn cầu.

GPT-Live xử lý các vấn đề phức tạp như thế nào, khác gì so với Chế độ Âm thanh Nâng cao cũ?

Theo mô tả của OpenAI, GPT-Live sử dụng kiến trúc phân tách lớp giọng nói và lớp suy luận theo mô-đun; nhiệm vụ phức tạp sẽ được ủy thác cho GPT-5.5 xử lý nền, trong khi lớp giọng nói duy trì đối thoại liên tục trong quá trình tính toán, không gây ra khoảng trống vài giây như trước. Chế độ cũ dựa vào việc xác định vòng lặp dựa trên im lặng, dễ gây nhầm lẫn thời điểm xen ngang, GPT-Live chuyển sang kiến trúc toàn diện, có thể xử lý đầu vào và sinh ra đầu ra cùng lúc.

Tại sao thiết kế giọng nói mới của GPT-Live nhấn mạnh "phòng chống mô phỏng giọng nói"?

Theo báo cáo, thiết kế này liên quan đến sự kiện "Sky" về giọng nói của GPT-4o ra mắt tháng 5 năm 2024: bên ngoài cho rằng giọng nói này giống diễn viên Scarlett Johansson, người đã từ chối lời mời lồng tiếng của Sam Altman, sau đó mô tả mình bị sốc và tức giận; OpenAI đã rút bỏ giọng này và xin lỗi. Chín loại giọng mới lần này nhấn mạnh "thiết kế cho đối thoại, không phải bắt chước giọng", đồng thời tích hợp cơ chế phòng chống mô phỏng giọng người.