GPT-Live là gì

OpenAI giới thiệu GPT-Live, một thế hệ mô hình giọng nói mới hiện đang cung cấp năng lượng cho ChatGPT Voice. Khả năng nổi bật nghe có vẻ đơn giản nhưng không phải: GPT-Live vừa nghe vừa nói cùng lúc.

Mọi trải nghiệm giọng nói ChatGPT trước đây, bao gồm Chế độ giọng nói nâng cao, đều hoạt động theo lượt. Bạn nói, nó đợi, nó trả lời. GPT-Live chạy song công toàn phần (full-duplex): nó xử lý âm thanh đến trong khi tạo ra đầu ra, và nó quyết định nhiều lần mỗi giây xem nên nói, tiếp tục lắng nghe, tạm dừng, ngắt lời hay gọi một công cụ. Nó có thể thả một tiếng "ừm" trong khi bạn giải thích điều gì đó, đợi trong khi bạn suy nghĩ, và tự nhiên tiếp tục khi bạn ngắt lời giữa chừng.

GPT-Live sơ lược

Bốn biến thể, và những gì đằng sau chúng

GPT-Live được phát hành dưới dạng một gia đình, và OpenAI đặc biệt rõ ràng về kiến trúc: “GPT-Live-1 (instant) và GPT-Live-1 mini sử dụng mô hình GPT-5.5 Instant ở phía sau, trong khi GPT-Live-1 Medium và GPT-Live-1 High sử dụng mô hình GPT-5.5 Thinking với nỗ lực suy luận từ trung bình đến cao.”

Vì vậy, lớp giọng nói là sản phẩm, và GPT-5.5 thực hiện phần tư duy nặng nề đằng sau nó. Trong thực tế:

• GPT-Live-1 là trình điều khiển hàng ngày, hiện là mặc định cho người đăng ký Go, Plus và Pro.
• GPT-Live-1 mini phục vụ người dùng miễn phí với cùng phong cách tương tác song công toàn phần.
• GPT-Live-1 Medium và High đánh đổi tốc độ phản hồi lấy khả năng suy luận sâu hơn, được hỗ trợ bởi GPT-5.5 Thinking với nỗ lực trung bình và cao.

Ủy quyền: ý tưởng kiến trúc thứ hai

Song công toàn phần là một nửa của thiết kế. Nửa còn lại là ủy quyền. “Khi một câu hỏi yêu cầu tìm kiếm, suy luận hoặc các khả năng tác nhân phức tạp hơn, GPT-Live có thể ủy quyền nhiệm vụ cho một mô hình khác như GPT-5.5,” và nó tích hợp kết quả trở lại cuộc trò chuyện khi đã sẵn sàng.

Điều này giải quyết tình thế tiến thoái lưỡng nan kinh điển của AI giọng nói: các mô hình đủ nhanh cho trò chuyện thời gian thực thì quá nông cạn đối với các câu hỏi khó, và các mô hình đủ thông minh cho các câu hỏi khó thì quá chậm cho cuộc trò chuyện. GPT-Live phân chia công việc. Mô hình giọng nói duy trì cuộc trò chuyện, bao gồm cả các kênh phụ trợ, trong khi một mô hình mạnh hơn hoạt động ở chế độ nền. Bạn cứ tiếp tục nói; câu trả lời sẽ đến khi nó sẵn sàng.

Những gì GPT-Live có thể làm khi ra mắt

Ngoài cơ chế hội thoại, bộ tính năng khi ra mắt bao gồm:

• Tìm kiếm web, được ủy quyền và tích hợp trở lại vào hội thoại
• Dịch trực tiếp giữa các ngôn ngữ trong cuộc trò chuyện
• Thẻ hình ảnh hiển thị trên màn hình cho thời tiết, chứng khoán và thể thao
• Tải lên hình ảnh và tệp trong một cuộc trò chuyện bằng giọng nói
• Bộ nhớ, nhất quán với phần còn lại của ChatGPT

Và khoảng trống khi ra mắt: “Khi ra mắt, GPT-Live sẽ không hỗ trợ giọng nói với chia sẻ video hoặc màn hình trong ChatGPT.” Chế độ giọng nói nâng cao vẫn giữ các khả năng đó cho những người đăng ký đủ điều kiện, và cả Chế độ giọng nói Tiêu chuẩn và Nâng cao vẫn có sẵn. Nếu việc hướng camera của bạn vào các vật thể quan trọng đối với quy trình làm việc của bạn, đừng chuyển đổi vội; chi tiết có trong GPT-Live so với Chế độ giọng nói nâng cao.

Các điểm chuẩn mà OpenAI đưa ra

OpenAI nêu tên ba đánh giá, tất cả đều so sánh với Chế độ giọng nói nâng cao chứ không phải với các sản phẩm đối thủ:

• GPQA: GPT-Live-1 “vượt trội đáng kể” so với Chế độ giọng nói nâng cao trong khả năng suy luận khoa học cấp chuyên gia trong các lĩnh vực sinh học, hóa học và vật lý.

• BrowseComp: “tiến bộ mạnh mẽ” trong tìm kiếm web tác nhân và thông tin khó tìm.

• τ³-Voice Telecom (một biến thể nội bộ): hiệu suất tốt hơn trong các tác vụ hỗ trợ viễn thông đa lượt thực tế.

OpenAI cũng báo cáo rằng người dùng “rất ưa thích” GPT-Live trong các cuộc trò chuyện đối đầu kéo dài 5 đến 10 phút. Lưu ý những gì còn thiếu: điểm số đã công bố, số liệu độ trễ và giá cả. Các tuyên bố này mang tính định hướng và do nhà cung cấp báo cáo, vì vậy hãy coi chúng như một hình dung tổng thể, chứ không phải một bảng điểm. Các số liệu của đối thủ sẽ xuất hiện khi các bài so sánh có thể thử nghiệm sản phẩm đã ra mắt.

Vị trí của các nhà phát triển

Hiện tại chưa có API GPT-Live. Lời lẽ chính xác của OpenAI: “Chúng tôi cũng có kế hoạch sớm đưa chúng lên API, và các nhà phát triển cùng doanh nghiệp có thể đăng ký để nhận thông báo bằng cách sử dụng biểu mẫu này.”

Những gì hiện có để xây dựng tác nhân giọng nói là Realtime API, khả dụng rộng rãi với dòng gpt-realtime-2.1, giao thức WebSocket và WebRTC, gọi điện thoại SIP và hỗ trợ máy chủ MCP. Nếu bạn đến đây để lên kế hoạch cho một sản phẩm giọng nói, hướng dẫn thực tế là Có API GPT-Live không? Những gì nhà phát triển có thể sử dụng hôm nay, và sự nhầm lẫn về tên gọi giữa hai công nghệ này được làm rõ trong GPT-Live so với GPT-Realtime.

Trong khi đó, khi bạn đang tạo nguyên mẫu với Realtime API, Apidog xử lý các phần không hấp dẫn: kiểm thử các phiên WebSocket, kiểm tra các sự kiện được truyền trực tuyến và mô phỏng hệ thống phụ trợ giọng nói của bạn để công việc của client không bị chặn bởi kết nối mô hình trực tiếp.

Cách thử GPT-Live

Việc triển khai diễn ra toàn cầu nhưng theo từng giai đoạn trên iOS, Android và chatgpt.com. Người dùng trả phí sẽ nhận GPT-Live-1 làm mặc định Giọng nói mới; người dùng miễn phí sẽ nhận GPT-Live-1 mini. Cập nhật ứng dụng, mở Giọng nói và kiểm tra xem mô hình nào phản hồi; nếu chưa có gì thay đổi, việc triển khai chưa đến tài khoản của bạn. Thiết lập từng bước, chuyển đổi biến thể và đường dẫn CarPlay (tất cả các gói, iOS 26.4+) được đề cập trong cách sử dụng GPT-Live.

Tại sao lần ra mắt này lại quan trọng

Giọng nói đã là giao diện AI thân thiện nhất để trình diễn nhưng kém sẵn sàng nhất để sản xuất trong hai năm qua. Việc nói theo lượt khiến mọi trợ lý giống như một bộ đàm. Song công toàn phần cộng với ủy quyền là kiến trúc chính thống đầu tiên coi cuộc trò chuyện là liên tục chứ không phải giao dịch, và OpenAI đã triển khai nó cho hàng trăm triệu người dùng làm mặc định, chứ không phải là bản xem trước trong phòng thí nghiệm.

Phiên bản dành cho nhà phát triển của kiến trúc đó sẽ ra mắt “sớm”. Khi nó ra mắt, các tác nhân giọng nói thời gian thực sẽ có một tiêu chuẩn mới để kiểm tra; cho đến lúc đó, đường dẫn Realtime API là nơi các hệ thống hoạt động được xây dựng. Tải xuống Apidog miễn phí nếu bạn đang xây dựng một hệ thống ngay bây giờ; tính năng gỡ lỗi WebSocket của nó thôi đã đủ giá trị.

Câu hỏi thường gặp

GPT-Live là gì trong một câu? Họ mô hình giọng nói song công toàn phần của OpenAI cung cấp năng lượng cho ChatGPT Voice: nó vừa nghe vừa nói, tự nhiên giao tiếp phụ và ủy quyền các câu hỏi khó cho GPT-5.5 ở chế độ nền.

GPT-Live có miễn phí không? Người dùng gói miễn phí nhận được GPT-Live-1 mini làm mô hình giọng nói mặc định của họ. Các gói trả phí (Go, Plus, Pro) nhận được GPT-Live-1.

GPT-Live có hỗ trợ chia sẻ video hoặc màn hình không? Không có khi ra mắt. Chế độ giọng nói nâng cao vẫn giữ khả năng chia sẻ video và màn hình cho người đăng ký đủ điều kiện; OpenAI cho biết họ đang nỗ lực đưa các tính năng này vào GPT-Live sớm.

Có API GPT-Live không? Hiện tại chưa. OpenAI có kế hoạch sớm đưa GPT-Live lên API; các nhà phát triển có thể xây dựng tác nhân giọng nói ngay hôm nay trên Realtime API.

Mô hình nào cung cấp năng lượng cho GPT-Live? GPT-Live-1 và mini chạy trên GPT-5.5 Instant; các biến thể Medium và High sử dụng GPT-5.5 Thinking với nỗ lực suy luận từ trung bình đến cao.