Có gì mới
OpenAI ra mắt GPT-Live, thế hệ voice model mới nhằm làm cho việc nói chuyện với AI giống hội thoại thật hơn. GPT-Live dùng kiến trúc full-duplex, nghĩa là model có thể nghe và nói cùng lúc thay vì chờ user nói xong rồi mới phản hồi.
Trong hội thoại, GPT-Live có thể phản hồi ngắn như “mhmm” hoặc “yeah”, trao đổi nhanh qua lại, hoặc giữ im lặng khi user cần thời gian suy nghĩ. Mục tiêu là giảm độ cứng của voice assistant kiểu tổng đài.
OpenAI bắt đầu rollout hai bản: GPT-Live-1 và GPT-Live-1 mini cho ChatGPT users toàn cầu. API chưa có ngay, nhưng OpenAI nói sẽ đưa GPT-Live vào API sau và cho developer đăng ký nhận thông báo.
Kiến trúc
Các hệ voice cũ thường rơi vào hai nhóm:
- Cascaded voice system: speech-to-text chuyển audio thành text, LLM sinh câu trả lời, text-to-speech đọc lại. Cách này giúp nối voice với frontier model nhưng dễ mất thông tin qua từng bước và tạo phản hồi chậm, cứng.
- Turn-based voice model: xử lý audio trong một model nên mượt hơn, nhưng vẫn hoạt động theo lượt. Model phải đợi user ngừng nói, nên silence hoặc noise có thể bị hiểu nhầm là hết lượt.
GPT-Live xử lý liên tục khi đang sinh output. Model có thể quyết định nhiều lần mỗi giây: nói tiếp, nghe tiếp, tạm dừng, ngắt lời, hoặc gọi tool. Nhờ đó, nó hỗ trợ back-and-forth tự nhiên hơn, cảm nhận thời gian tốt hơn và thậm chí có thể làm live translation.
Delegation cho tác vụ sâu hơn
GPT-Live tách phần tương tác liên tục khỏi phần suy luận nặng. Khi câu hỏi cần web search, reasoning hoặc tác vụ agentic, GPT-Live có thể delegate sang model khác như GPT-5.5, rồi đưa kết quả trở lại cuộc trò chuyện khi sẵn sàng.
Ở launch, GPT-Live dùng GPT-5.5 phía sau. OpenAI nói hệ thống sẽ được cập nhật khi frontier model mới ra mắt. Các biến thể GPT-Live-1 Instant và mini dùng GPT-5.5 Instant, còn Medium và High dùng GPT-5.5 Thinking với mức reasoning effort tương ứng.
Benchmark và đánh giá
OpenAI xây human eval mới để đo pleasantness và flow của hội thoại. Trong so sánh head-to-head 5-10 phút, GPT-Live-1 và GPT-Live-1 mini được prefer hơn Advanced Voice Mode về overall preference, turn-taking, interruptions, conversational flow và cảm giác tự nhiên.
OpenAI cũng nêu một số kết quả:
- GPQA: GPT-Live-1 vượt Advanced Voice Mode trên bài đo reasoning khoa học cấp chuyên gia.
- BrowseComp: GPT-Live-1 cải thiện khả năng agentic web search và tìm thông tin khó.
- tau3-Voice Telecom: GPT-Live-1 tốt hơn trên telecom support task nhiều lượt, thực tế hơn.
Trải nghiệm trong ChatGPT Voice
Mỗi tuần có hơn 150 triệu người dùng Voice và Dictation trong ChatGPT. GPT-Live sẽ power trải nghiệm Voice mới với hội thoại tự nhiên hơn, câu trả lời thông minh hơn, khả năng nghe tốt hơn và visual response.
User có thể ngắt lời, dừng để suy nghĩ, hoặc yêu cầu ChatGPT nói chậm lại. ChatGPT Voice cũng có thể hiển thị visual card cho thời tiết, cổ phiếu, thể thao và các chủ đề khác trong khi đang nói. Search, memory, image và file upload vẫn được hỗ trợ.
Safety và giới hạn
GPT-Live có safety training riêng cho các risk area của voice, gồm self-harm, psychosis, mania, emotional reliance, violence và sexual content. OpenAI cũng thêm safeguard chạy trong lúc model đang nói: khi phát hiện output có rủi ro, hệ thống có thể chuyển hướng sang phản hồi an toàn hơn, hiển thị resource, hoặc kết thúc voice conversation trong trường hợp rủi ro cao.
Với teen users, OpenAI nói đã train behavior phù hợp độ tuổi, thêm parental controls và có thể notify linked parent trong tình huống rủi ro cao liên quan tới self-harm hoặc suicidal intent. GPT-Live dùng các giọng định sẵn trong ChatGPT và có safeguard chống bắt chước giọng người thật.
Availability
GPT-Live đang rollout cho ChatGPT users toàn cầu trên iOS, Android và ChatGPT.com. GPT-Live-1 trở thành default model cho ChatGPT Voice ở Go, Plus và Pro; GPT-Live-1 mini là default cho Free users.
Model được optimize cho một số ngôn ngữ phổ biến trong ChatGPT. Một số ngôn ngữ có thể còn accent không bản xứ hoặc khoảng trống về fluency. Tại launch, GPT-Live chưa support voice với video hoặc screen sharing trong ChatGPT, nhưng OpenAI nói đang phát triển các capability này.
Ý nghĩa với Dev
Nếu bạn đang build voice agent, full-duplex mới là phần đáng quan tâm nhất. Latency thấp chưa đủ; agent phải biết lúc nào nên im, lúc nào nên phản hồi ngắn, lúc nào nên ngắt lời, và lúc nào nên delegate tác vụ nặng mà vẫn giữ flow cuộc trò chuyện.
Kiến trúc này cũng nhắc rằng voice product cần monitoring riêng. Prompt safety cho text không tự động giải quyết được real-time audio, emotional reliance, interruption behavior hay voice impersonation.