Giới thiệu GPT‑Live

Chúng tôi ra mắt GPT‑Live, thế hệ mô hình giọng nói mới giúp việc trò chuyện với AI có cảm giác giống một cuộc trò chuyện thật ngoài đời hơn nhiều.

GPT‑Live được xây dựng trên kiến trúc song công toàn phần, nghĩa là nó có thể nghe và nói cùng lúc. Trong khi trò chuyện, GPT‑Live có thể cho thấy nó đang chú ý bằng những cụm như “ừm” hoặc “ừ”, đối đáp nhanh, hoặc chỉ im lặng khi bạn cần một chút thời gian để suy nghĩ. Kết quả là một trải nghiệm giọng nói dễ trò chuyện một cách đầy mới mẻ.

GPT‑Live cũng là mô hình giọng nói thông minh nhất của chúng tôi từ trước đến nay. Với những câu hỏi cần tìm kiếm trên web, suy luận sâu hơn hoặc công việc phức tạp hơn, GPT‑Live sẽ giao cho mô hình tiên phong mới nhất của chúng tôi xử lý ở hậu trường và đưa kết quả trở lại cuộc trò chuyện khi sẵn sàng. Trong lúc xử lý, GPT‑Live vẫn có thể tiếp tục trò chuyện với bạn và duy trì mạch hội thoại. Khi ra mắt, GPT‑Live sẽ sử dụng GPT‑5.5 ở nền. Khi chúng tôi phát hành các mô hình tiên phong mới, chúng tôi sẽ liên tục cập nhật mô hình mà GPT‑Live sử dụng.

Những tiến bộ này tạo nên một trải nghiệm ChatGPT Voice mới thông minh hơn và tự nhiên hơn khi sử dụng. Theo thời gian, chúng tôi tin rằng nghiên cứu này cũng sẽ mở ra khả năng dùng giọng nói cho các công việc ngày càng phức tạp, kéo dài hơn và mang tính tác nhân hơn.

Bắt đầu từ hôm nay, chúng tôi triển khai hai phiên bản GPT‑Live — bao gồm GPT‑Live‑1 và GPT‑Live‑1 mini — đến người dùng ChatGPT trên toàn cầu. Chúng tôi cũng dự kiến sẽ sớm đưa các phiên bản này lên API; các nhà phát triển và doanh nghiệp có thể đăng ký nhận thông báo bằng biểu mẫu⁠ này.

Tầm nhìn của chúng tôi là tạo ra tương tác giữa con người và AI thật sự tự nhiên: một thế giới nơi cộng tác với AI liền mạch và nhạy bén như làm việc với một người khác, trong khi việc suy luận và thực hiện tác vụ phức tạp diễn ra suôn sẻ ở phía đằng sau.

Những thế hệ hệ thống AI giọng nói trước đây đã đưa chúng ta đến gần hơn với tầm nhìn đó, nhưng đi kèm những đánh đổi đáng kể.

Hệ thống giọng nói dạng chuỗi dựa vào một loạt mô hình hoạt động nối tiếp để xử lý từng lượt. ChatGPT Voice ban đầu nối ba mô hình với nhau: một mô hình chuyển giọng nói thành văn bản để chép lời nói của bạn, một mô hình ngôn ngữ lớn để tạo phản hồi và một mô hình chuyển văn bản thành giọng nói để chuyển phản hồi đó trở lại thành lời nói. Cách tiếp cận này lần đầu tiên cho phép chúng ta trò chuyện với các mô hình AI tiên phong, nhưng sự phức tạp đi kèm cái giá của nó: thông tin có thể bị mất khi đi qua các mô hình, còn phản hồi thì chậm và thiếu tự nhiên.

Các mô hình giọng nói theo lượt như Chế độ trò chuyện nâng cao của ChatGPT xử lý và tạo âm thanh trong một mô hình duy nhấtCơ chế này giúp giảm độ trễ và khiến cuộc trò chuyện diễn ra mượt mà hơn — nhưng bản chất vẫn vận hành theo từng lượt gián đoạn. Mô hình buộc phải đợi người dùng ngừng nói hẳn mới có thể phản hồi, vô tình tạo ra một nhịp điệu tương tác khá cứng nhắc. Thêm vào đó, vì việc nhận diện lượt nói dựa trên khoảng lặng, nên ngay cả một khoảng dừng ngắn hay tiếng ồn từ môi trường xung quanh cũng có thể bị hiểu nhầm là tín hiệu kết thúc lượt — khiến mô hình ngắt lời vào những thời điểm không tự nhiên.

GPT‑Live giải quyết những hạn chế này thông qua hai thay đổi về kiến trúc.

Trước tiên, chúng tôi xây dựng GPT‑Live cho tương tác liên tục bằng kiến trúc song công toàn phần. Thay vì xử lý một chuỗi tin nhắn riêng biệt, GPT‑Live liên tục xử lý đầu vào trong khi tạo đầu ra. Vì vậy, mô hình có thể đưa ra quyết định tương tác nhiều lần mỗi giây: nói, tiếp tục lắng nghe, tạm dừng, ngắt lời hoặc gọi một công cụ.

Điều này cho phép mô hình đối đáp tự nhiên hơn, duy trì cảm nhận thời gian tốt hơn và thậm chí thực hiện dịch trực tiếp.

Thứ hai, chúng tôi tách GPT‑Live — mô hình chịu trách nhiệm tương tác liên tục — khỏi các tác vụ chuyên sâu. Khi gặp một câu hỏi đòi hỏi phải tìm kiếm, suy luận hoặc các khả năng mang tính tự trị cao, GPT‑Live có thể giao tác vụ cho một mô hình khác như GPT‑5.5. Điều này cho phép GPT‑Live tiếp tục duy trì cuộc trò chuyện, ngay cả khi xử lý nhiều tác vụ ngầm ở phía sau.

Thay đổi kiến trúc này cũng cho phép GPT‑Live liên tục sử dụng các mô hình và tác nhân mới nhất, kết hợp trí tuệ tiên phong với tương tác tự nhiên.

Chúng tôi xây dựng các bài đánh giá mới với con người để đo lường mức độ dễ chịu và mạch trò chuyện. Trong các so sánh đối đầu này, GPT‑Live‑1 và GPT‑Live‑1 mini được ưu tiên rõ rệt hơn Chế độ trò chuyện nâng cao. Kết quả này được ghi nhận qua các cuộc đối thoại kéo dài từ 5–10 phút nhằm đánh giá toàn diện về độ hài lòng chung, khả năng luân phiên lượt nói, cơ chế ngắt lời, nhịp điệu tương tác và độ tự nhiên của mỗi trải nghiệm.

• GPQA: GPT‑Live‑1 vượt trội đáng kể so với Chế độ trò chuyện nâng cao trên GPQA, bài kiểm tra suy luận khoa học ở cấp độ chuyên gia trong lĩnh vực sinh học, hóa học và vật lý.
• BrowseComp: GPT‑Live‑1 cho thấy sự cải tiến vượt trội so với Chế độ trò chuyện nâng cao trên bộ kiểm thử BrowseComp, là công cụ chuyên đánh giá khả năng tìm kiếm web mang tính tự trị cao và năng lực truy tìm các nguồn thông tin khó định vị.
• τ³-Voice Telecom: GPT‑Live‑1 vượt trội hơn hẳn so với Chế độ trò chuyện nâng cao trên bộ kiểm thử τ³-Voice Telecom, là công cụ chuyên đánh giá các trợ lý giọng nói thông qua những tác vụ hỗ trợ viễn thông đa lượt trong môi trường thực tế.

Mỗi tuần, hơn 150 triệu người trò chuyện với ChatGPT bằng các tính năng như Voice (Giọng nói) và Dictation (Nhập liệu bằng giọng nói). Họ dùng các tính năng này để nhận trợ giúp hằng ngày khi rảnh tay, luyện ngoại ngữ, kể chuyện trước giờ ngủ hoặc đơn giản là trò chuyện trên đường đi làm.

Từ hôm nay, khi nhấn nút Voice (Giọng nói) để trò chuyện với ChatGPT, bạn sẽ có trải nghiệm cải tiến được hỗ trợ bởi GPT‑Live—với các cuộc trò chuyện tự nhiên hơn, câu trả lời thông minh hơn, khả năng lắng nghe tốt hơn cùng các phản hồi bằng hình ảnh.

Trò chuyện với ChatGPT giờ đây sẽ có cảm giác như thật sự nói chuyện ngoài đời. Bạn có thể ngắt lời để đặt câu hỏi, tạm dừng để sắp xếp suy nghĩ hoặc yêu cầu ChatGPT nói chậm lại. ChatGPT sẽ phản hồi tự nhiên với những cụm như “ừm” hoặc “hiểu rồi”, để bạn biết AI vẫn đang theo sát mạch chuyện. Ngoài ra, chúng tôi đã hoàn toàn gọt giũa lại chín giọng nói đặc trưng trong ChatGPT để tối ưu riêng cho GPT‑Live.

ChatGPT Voice giờ đây có thể khai thác các mô hình tiên phong mới nhất của chúng tôi, mang đến cho bạn câu trả lời thông minh hơn khi cần. Bạn cũng có thể chọn mức suy luận phù hợp với nhu cầu: Nhanh cho phản hồi nhanh, hoặc Vừa và Cao khi muốn ChatGPT dành thêm thời gian suy nghĩ.

Nếu bạn cần một chút thời gian để suy nghĩ, ChatGPT Voice giờ đây sẽ chờ thay vì chen vào và ngắt lời. Nếu bạn yêu cầu nó giữ im lặng và lắng nghe, nó sẽ nghe theo. Và khi có tiếng ồn nền, như xe cộ đi ngang hoặc các cuộc trò chuyện gần đó, ChatGPT có thể tập trung vào giọng nói của bạn tốt hơn thay vì bị xao nhãng.

Có những câu trả lời phải nhìn tận mắt mới thấy dễ hiểu. Bây giờ, ngay khi bạn đang nói chuyện, ChatGPT đã có thể hiển thị các thẻ thông tin trực quan sinh động về thời tiết, chứng khoán, thể thao và nhiều nội dung khác. Ngoài ra, bạn vẫn có thể dùng tính năng Voice để tìm kiếm, lưu thông tin vào bộ nhớ, cũng như gửi ảnh và tệp lên như bình thường.

Kết quả là một trải nghiệm ChatGPT Voice tự nhiên hơn, mạnh mẽ hơn và hữu ích hơn trong đời sống hằng ngày.

GPT‑Live được thiết kế để an toàn theo mặc định. GPT‑Live kế thừa những tiến bộ về an toàn từ các mô hình mới nhất của chúng tôi, đồng thời bổ sung hoạt động huấn luyện an toàn chuyên biệt trên các lĩnh vực rủi ro chính và các biện pháp bảo vệ mới được thiết kế riêng cho giọng nói.

Để phản ánh tốt hơn cách mọi người dùng giọng nói trong bối cảnh thực tế, chúng tôi bắt đầu bằng việc mở rộng thử nghiệm an toàn để bao gồm các bài đánh giá mới dành riêng cho âm thanh. Chúng tôi cũng tạo các bài đánh giá tổng hợp sử dụng âm thanh được tạo ra để tập trung sâu hơn vào các lĩnh vực an toàn chính, dựa trên những gì chúng tôi học được từ Chế độ trò chuyện nâng cao. Các lĩnh vực đó bao gồm tự làm hại bản thân, rối loạn tâm thần và hưng cảm, sự phụ thuộc cảm xúc vào AI, bạo lực và nội dung tình dục. Các chuyên gia nội bộ cũng đã kiểm thử red-team trên mô hình để rà soát những rủi ro riêng biệt của giọng nói.

Trong thử nghiệm của chúng tôi, GPT‑Live đạt hiệu năng tương đương hoặc tốt hơn Chế độ trò chuyện nâng cao ở gần như tất cả các lĩnh vực mà chúng tôi đánh giá. Bạn có thể đọc thêm về hoạt động thử nghiệm và các biện pháp bảo vệ của chúng tôi trong thẻ hệ thống⁠(mở trong cửa sổ mới) GPT‑Live.

Vì các cuộc trò chuyện bằng giọng nói diễn ra liên tục theo thời gian thực, chúng tôi đã xây dựng các rào chắn bảo vệ có khả năng kích hoạt ngay trong lúc mô hình đang nói. Nếu hệ thống phát hiện nội dung có nguy cơ không an toàn, AI sẽ tự động chuyển hướng sang câu trả lời an toàn hơn, hiển thị thêm các cảnh báo hoặc tài nguyên hỗ trợ, hoặc chủ động ngắt trò chuyện nếu gặp trường hợp rủi ro cao. Riêng với các cuộc đối thoại có yếu tố tự hại, chúng tôi đã điều chỉnh các luồng hỗ trợ của ChatGPT cho giọng nói, bao gồm việc cung cấp hỗ trợ qua đường dây trợ giúp khủng hoảng đã được chuyên gia thẩm định.

Chúng tôi thiết kế thêm các biện pháp bảo vệ để hỗ trợ người dùng lứa tuổi thanh thiếu niên, đồng thời huấn luyện trực tiếp hành vi phù hợp với lứa tuổi vào mô hình nhằm giảm nguy cơ đưa ra phản hồi không phù hợp. Cha mẹ có thể chọn liệu con trẻ tuổi vị thành niên của mình có được dùng ChatGPT Voice hay không thông qua quyền kiểm soát của cha mẹ, và cha mẹ đã liên kết với nhau có thể được thông báo trong các tình huống rủi ro cao hơn liên quan đến dấu hiệu có thể tự làm hại bản thân hoặc có ý định tự tử.

Chúng tôi cũng đang triển khai hoạt động đo lường dài hạn hơn và giám sát sau khi ra mắt, tập trung vào sự phụ thuộc cảm xúc để tiếp tục nâng cao hiểu biết và tinh chỉnh các biện pháp bảo vệ. Dựa trên nghiên cứu trước đây của chúng tôi về việc sử dụng liên quan đến cảm xúc và sức khỏe cảm xúc, hoạt động này sẽ giúp chúng tôi nhận diện các mẫu hình mới xuất hiện và cải thiện cách hệ thống phản hồi trong những tương tác nhạy cảm về mặt cảm xúc.

Cuối cùng, GPT‑Live được thiết kế cho trò chuyện bằng giọng nói, chứ không nhằm mục đích để giả giọng. GPT‑Live sử dụng một bộ giọng nói định sẵn trong ChatGPT, với các biện pháp bảo vệ nhằm ngăn việc bắt chước giọng nói của người thật.

Chúng tôi cam kết hỗ trợ an toàn và sức khỏe tinh thần, đồng thời sẽ tiếp tục củng cố các biện pháp bảo vệ này khi học hỏi từ việc sử dụng trong thực tế.

GPT‑Live hiện đang được triển khai cho người dùng ChatGPT trên toàn cầu trên iOS, Android và ChatGPT.com⁠(mở trong cửa sổ mới). GPT‑Live‑1 sẽ trở thành mô hình mặc định hỗ trợ ChatGPT Voice cho người dùng Go, Plus và Pro, còn GPT‑Live‑1 mini sẽ trở thành mặc định cho người dùng Free. Bạn có thể xem thêm chi tiết về phạm vi cung cấp trong Trung tâm trợ giúp⁠(mở trong cửa sổ mới) của chúng tôi.

Chúng tôi đã tối ưu hóa GPT‑Live cho một số ngôn ngữ phổ biến nhất trên ChatGPT. Dù vậy, với một số ngôn ngữ nhất định, mô hình vẫn có thể nói giọng không như người bản ngữ hoặc chưa thật trôi chảy. Chúng tôi đang tích cực cải thiện để mang lại trải nghiệm tốt hơn cho tất cả các ngôn ngữ.

Ở giai đoạn ra mắt, GPT‑Live sẽ chưa hỗ trợ tính năng gọi thoại kết hợp video hoặc chia sẻ màn hình trên ChatGPT, nhưng chúng tôi đang nỗ lực để sớm ra mắt các tính năng này. Hiện tại, bạn vẫn có thể sử dụng các phiên bản ChatGPT Voice trước đây, bao gồm cả Chế độ trò chuyện Tiêu chuẩn (Standard) và Nâng cao (Advanced), nơi các tính năng này đã có sẵn.