OpenAI phát hành API GPT-Live-1: Hỗ trợ tương tác giọng nói thời gian thực hai chiều

OpenAI tuyên bố chính thức đưa mô hình GPT-Live-1 vào API vào ngày 11 tháng 9 năm 2026. Cập nhật này cho phép nhà phát triển xây dựng các ứng dụng và quy trình công việc hỗ trợ tương tác giọng nói thời gian thực dựa trên mô hình này. Đặc điểm cốt lõi của GPT-Live-1 là khả năng đối thoại hai chiều, có thể đồng thời nghe đầu vào của người dùng và phản hồi bằng giọng nói, đồng thời xử lý hiệu quả các lần ngắt lời, khoảng dừng tự nhiên và nhiễu nền trong quá trình hội thoại. Tính năng này đặc biệt phù hợp cho các tác nhân thông minh trong các kịch bản gọi điện đòi hỏi tương tác cao như đặt bàn ăn hoặc dịch vụ chăm sóc khách hàng.

Về mặt kiến trúc kỹ thuật, GPT-Live-1 tích hợp khả năng hiểu giọng nói và tạo giọng nói trong cùng một mô hình, thay đổi cách tiếp nối đa bước truyền thống "giọng nói thành văn bản — xử lý bởi mô hình ngôn ngữ lớn — văn bản thành giọng nói". Sự tích hợp này giúp giảm đáng kể độ trễ của hệ thống, nâng cao tính mượt mà của tương tác. Đồng thời, mô hình hỗ trợ giao các nhiệm vụ suy luận phức tạp và gọi công cụ cho mô hình văn bản phía sau; nhà phát triển có thể linh hoạt điều chỉnh giọng điệu, tốc độ nói và phong cách hội thoại của mô hình thông qua các gợi ý hệ thống, đồng thời cấu hình mô hình phía sau, công cụ và khung tác nhân để đáp ứng các nhu cầu cụ thể.

Dữ liệu đánh giá cho thấy GPT-Live-1 đạt được những cải tiến đáng kể về chỉ số hiệu suất. Trong bài kiểm tra Full Duplex Bench, kết quả của nó cao hơn 30 phần trăm so với thế hệ trước GPT-Realtime-2.1. Khi kết hợp với cường độ suy luận trung bình của GPT-6 Astra, nó đứng đầu trong bài kiểm tra tác nhân giọng nói cuối cùng đến cuối cùng Tau3. Ngoài ra, mô hình có khả năng nhận dạng giọng nói trực tiếp sang văn bản và tạo văn bản phản hồi, cùng với các đặc tính kỹ thuật như hiểu ký tự số, trọng từ khóa và phát hiện lượt nói,进一步增强了其在复杂环境下的稳定性。

Các trường hợp ứng dụng sớm đã thể hiện lợi thế về hiệu quả trong phát triển thực tế. Nền tảng học ngôn ngữ Speak sau khi sử dụng GPT-Live-1 đã giảm gần 80% số lần ngắt lời sai trong khoảng thời gian người học suy nghĩ so với hệ thống dựa trên lượt nói trước đó. Tony Stoyanov, đồng sáng lập kiêm CTO của nền tảng dịch vụ y tế, cho biết nhóm của ông đã giảm 80% lượng mã nguồn bằng cách sử dụng mô hình này, xóa bỏ khoảng 23.000 dòng mã, giúp đơn giản hóa đáng kể công việc phát triển và bảo trì.

Về chiến lược định giá, OpenAI công bố chi phí lớp giọng nói phía trước là 0,05 USD mỗi phút. Tính theo 60 phút mỗi giờ, chi phí thuần túy cho lớp giọng nói phía trước khoảng 3 USD (tương đương khoảng 20,2 nhân dân tệ). Lưu ý rằng chi phí cho mô hình phía sau và các công cụ tác nhân sẽ được tính riêng. Hiện tại, GPT-Live-1 đã có sẵn trên API, nhà phát triển có thể ngay lập tức tích hợp và sử dụng.

Ngoài việc nâng cấp khả năng mô hình cốt lõi, OpenAI còn mở rộng các tùy chọn giọng nói cho giọng nói thời gian thực.此次新增包括 Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta 和 Cinder 在内的多款声音。官方表示，计划在未来数月内继续增加更多的语音风格和语言支持，以丰富开发者的应用场景选择。