OpenAI đưa GPT-Live-1 lên API: giọng nói song công, giá 0,05 USD/phút

OpenAI công bố GPT-Live-1 có mặt rộng rãi (GA) trên API vào ngày 10/9/2026, không phải ngày 11/9. Bản phát hành này cung cấp cho nhà phát triển một lớp hội thoại giọng nói có thể vừa lắng nghe vừa phản hồi, thay cho kiểu đối thoại theo từng lượt cứng nhắc. 116

“Song công hoàn toàn” thay đổi điều gì?

Nhiều hệ thống trợ lý giọng nói hiện nay hoạt động như một chuỗi nối tiếp: giọng nói được chuyển thành văn bản (speech-to-text), mô hình ngôn ngữ tạo câu trả lời, rồi văn bản được chuyển ngược thành tiếng nói (text-to-speech). GPT-Live-1 được OpenAI định vị là lớp giọng nói thống nhất cho phần hội thoại thời gian thực trong quy trình đó. 1

Khác biệt thiết thực nằm ở cách luân phiên nói. OpenAI cho biết GPT-Live-1 có thể nghe và nói đồng thời, nhận biết khoảng ngừng, thay đổi nhịp nói, rồi quyết định nên trả lời hay tiếp tục lắng nghe. Theo thiết kế này, việc người dùng chen lời hoặc đáp ngắn để thể hiện đang theo dõi cuộc nói chuyện — thường gọi là backchannel — sẽ ít bị xem như lỗi hơn và gần với giao tiếp tự nhiên hơn. 1915

Điều đó không có nghĩa mô hình giọng nói phải tự làm mọi việc. Phiên GPT-Live-1 vẫn có thể tiếp diễn trong khi một mô hình hoặc tác tử ở hậu trường xử lý suy luận sâu hơn hay gọi công cụ. OpenAI hỗ trợ Responses delegation với mô hình OpenAI và client delegation để kết nối hệ thống hậu trường do nhà phát triển tự vận hành. 116

Phân vai giữa lớp giọng nói và hệ thống hậu trường

GPT-Live-1 đảm nhiệm phần giao tiếp trực tiếp với người dùng: nghe, nói và điều phối nhịp hội thoại. Phần hậu trường có thể phụ trách các việc như suy luận phức tạp, truy xuất thông tin, thực thi quy trình hoặc gọi công cụ. Trong ghi chú sản phẩm của mình, OpenAI nêu GPT-6 Astra là một lựa chọn cho các tác vụ tìm kiếm và suy luận khó hơn; lập trình viên API cũng có thể dùng client delegation để nối với backend riêng. 416

Với đội ngũ phát triển, cách tách lớp này dẫn đến một số điểm cần lưu ý:

• GPT-Live-1 quản lý tương tác trực tiếp: lắng nghe, phản hồi bằng giọng nói và thời điểm hội thoại.
• Mô hình hoặc tác tử hậu trường xử lý quyết định phức tạp và công cụ.
• Chi phí và hành vi của toàn bộ tác tử phụ thuộc vào cả hai lớp, không chỉ riêng mô hình giọng nói. 1618

OpenAI cũng nhấn mạnh khả năng tuân thủ chỉ dẫn tốt hơn, giọng nói tùy chỉnh và hỗ trợ điện thoại (telephony) trong đợt phát hành API này. 13

Giá 0,05 USD/phút chỉ là phần giọng nói

Một phiên giọng nói GPT-Live-1 có giá 0,05 USD mỗi phút. Việc tính phí theo từng giây, không làm tròn lên phút kế tiếp. 1618

Đây là mức giá cho phiên giọng nói, chưa hẳn là tổng chi phí của một tác tử giọng nói. Lượng sử dụng mô hình hậu trường và công cụ sẽ được tính riêng. Vì vậy, khi dự toán triển khai thực tế, doanh nghiệp cần tính cả thời lượng cuộc trò chuyện lẫn khối lượng công việc được chuyển cho backend. 1618

Các tuyên bố hiệu năng: điều gì đã được nguồn cung cấp xác nhận?

OpenAI cho biết GPT-Live-1 cải thiện 30 điểm phần trăm trên bài đánh giá Full Duplex Bench so với GPT-Realtime-2.1. Công ty cũng nói tổ hợp GPT-Live-1 với GPT-6 Astra ở mức suy luận trung bình đứng đầu trên Tau3. 1

Tuy nhiên, các tài liệu nguồn được cung cấp không xác thực độc lập những số liệu cụ thể về độ trễ chuyển lượt hay tỷ lệ vượt qua Tau3 nêu trong câu hỏi ban đầu. Vì thế, không nên coi những con số chi tiết đó là đã được kiểm chứng trong phạm vi thông tin hiện có.

Báo cáo từ các đơn vị dùng sớm

OpenAI đưa ra một số ví dụ triển khai thực tế để minh họa giá trị của cách luân phiên hội thoại tự nhiên hơn:

• Yelp cho biết khả năng chuyển lượt và độ chính xác được cải thiện sau khi tích hợp GPT-Live-1 vào Yelp Host và Hatch. Với các cuộc gọi đặt chỗ và đặt món, công ty nói người gọi dùng những câu nói đầy đủ, tự nhiên hơn và việc xử lý cuộc gọi được cải thiện. 1
• Speak cho biết người học có thể suy nghĩ lâu hơn trước khi gia sư phản hồi, qua đó giảm gần 80% số lần bị ngắt lời so với hệ thống theo lượt trước đây. 1
• Một công ty trong lĩnh vực y tế cho biết việc rời bỏ kiến trúc ghép tầng đã giúp đơn giản hóa 80% cơ sở mã, loại bỏ 23.000 dòng mã, đồng thời hỗ trợ các cuộc trao đổi với bệnh nhân tự nhiên hơn theo thời gian thực. 1

Đây là kết quả do các công ty tự báo cáo, không phải đánh giá độc lập. Do đó, chúng phù hợp để tham khảo như các ví dụ triển khai hơn là bảo đảm hiệu năng áp dụng cho mọi sản phẩm.

Những thông tin chưa được xác nhận trong tài liệu hiện có

Nguồn được cung cấp không chứng thực thông tin về quyền truy cập doanh nghiệp thông qua một sản phẩm quản lý mang tên “Presence”. Các nguồn này cũng chưa xác lập một đợt mở rộng cụ thể về giọng vùng miền, phương ngữ hoặc ngôn ngữ cho lần ra mắt API này. Những chi tiết đó nên được kiểm tra trực tiếp trong tài liệu OpenAI mới nhất trước khi dùng làm căn cứ mua sắm hoặc triển khai.

Kết luận

Thay đổi lớn nhất của GPT-Live-1 là về kiến trúc: API nay có một lớp hội thoại giọng nói song công, cho phép tác tử tiếp tục nghe và nói tự nhiên trong khi hệ thống khác ở hậu trường thực hiện suy luận chậm hơn hoặc gọi công cụ. Mức giá 0,05 USD/phút, tính theo giây, giúp chi phí thời gian thoại dễ dự đoán hơn; nhưng tổng hóa đơn vẫn phụ thuộc vào mô hình hậu trường và các công cụ được chọn. 11618