GPT-Bidi-1: Mọi điều đã biết về mô hình giọng nói hai chiều của OpenAI trên ChatGPT

Lưu ý: OpenAI vẫn chưa đưa ra thông báo chính thức. Tên cuối cùng của mô hình, hành vi chính xác của các cấp độ và ngày ra mắt vẫn chưa được công ty xác nhận.

Sự khác biệt giữa giọng nói hai chiều và mô hình dạng lượt

Các chế độ giọng nói hiện tại của ChatGPT — Giọng nói Chuẩn (Standard Voice) và Chế độ Giọng nói Nâng cao (Advanced Voice Mode) — hoạt động theo mô hình dạng lượt (turn-based). Mô hình phải đợi người dùng nói xong mới có thể phản hồi. Kiến trúc hai chiều (BiDi) của GPT-Bidi-1 cho phép mô hình xử lý hai luồng âm thanh cùng lúc: luồng của bạn và luồng của chính nó.

Các khác biệt về hành vi chính được báo cáo trong các bản trình diễn:

• Xử lý ngắt lời: Mô hình có thể tiếp nhận các câu ngắt lời giữa chừng và điều chỉnh phản hồi một cách linh hoạt mà không bị đứng hình hoặc mất luồng âm thanh.
• Sửa lỗi thời gian thực: Trong các thử nghiệm, GPT-Bidi-1 đếm cùng người dùng từ 1 đến 10, sau đó ngay lập tức chuyển sang đếm ngược khi người dùng ngắt lời giữa chừng.
• Chồng chéo tự nhiên: Trợ lý có thể nói trong khi người dùng vẫn đang nói, làm cho các cuộc trao đổi gần giống với hội thoại của con người hơn.

Mục tiêu nội bộ của OpenAI là thu hẹp khoảng cách giữa ngăn xếp giọng nói của ChatGPT — vốn tụt hậu so với các mô hình văn bản (đã đạt đến khả năng suy luận ngang GPT-5.5) — và mang lại sự tương đồng về trí thông minh hội thoại thời gian thực.

Ba cấp độ thông minh có thể chọn

GPT-Bidi-1 là mô hình giọng nói đầu tiên của OpenAI giới thiệu ba cấp độ thông minh và tốc độ có thể chọn cho giọng nói:

Hệ thống cấp độ cho phép người dùng điều chỉnh độ sâu tương tác so với độ trễ cho từng tác vụ, tương tự như cách các mô hình văn bản của ChatGPT cung cấp các mức độ suy luận khác nhau. Ví dụ, một truy vấn thời tiết nhanh sẽ sử dụng Tức thì, trong khi một buổi động não sâu sẽ chuyển sang Cao.

Thay đổi trực quan trên giao diện giọng nói

Khi GPT-Bidi-1 được chọn, biểu tượng bong bóng giọng nói/chỉ báo dạng sóng chuyển sang màu vàng thay vì màu mặc định hiện tại. Mô hình xuất hiện trong bộ chọn mô hình cài đặt dưới dạng một tùy chọn mới có nhãn "Bidi (Mới nhất)" cùng với Giọng nói Chuẩn và Chế độ Giọng nói Nâng cao hiện có, thay vì thay thế chúng.

Dòng thời gian phát triển và bối cảnh cạnh tranh

• Đầu năm 2026: OpenAI bắt đầu phát triển kiến trúc BiDi nội bộ.
• Ngày 5 tháng 3 năm 2026: The Information đưa tin rằng OpenAI đang phát triển một mô hình âm thanh hai chiều để tăng cường trợ lý giọng nói của mình.
• Ngày 7 tháng 5 năm 2026: OpenAI công bố GPT-Realtime-2 trong API — mô hình giọng nói đầu tiên có khả năng suy luận ngang GPT-5, đặt nền móng cho các khả năng hai chiều.
• Ngày 16–17 tháng 6 năm 2026: M1Astra và TestingCatalog lần đầu tiên phát hiện công khai các tham chiếu mã cho gpt-bidi-1.
• Ngày 22–24 tháng 6 năm 2026: Các báo cáo người dùng và video trình diễn xuất hiện cho thấy hành vi hai chiều hoạt động. Nhiều hãng truyền thông đưa tin rằng việc triển khai rộng rãi hơn có thể diễn ra trong cùng tuần.

Bối cảnh cạnh tranh: Việc thúc đẩy giọng nói hai chiều này đáp trả trực tiếp những tiến bộ từ Google (Gemini Live với khả năng ngắt lời), Anthropic và các tác nhân giọng nói thời gian thực từ các startup. OpenAI đang chạy đua để mang lại sự tương đồng về tương tác giọng nói với trí thông minh văn bản của mình, vốn đã hỗ trợ khả năng suy luận ngang GPT-5.5.