gpt-realtime được OpenAI công bố ngày 28/08/2025, cùng thời điểm Realtime API chuyển sang khả dụng rộng rãi. Model xử lý và sinh âm thanh trực tiếp, thay vì bắt buộc nối ba bước nhận dạng giọng nói, model văn bản và tổng hợp giọng nói.
Hội thoại âm thanh trực tiếp
Theo thông cáo OpenAI, cách xử lý speech-to-speech giúp giảm độ trễ và giữ sắc thái lời nói. Model có thể nhận tín hiệu phi ngôn ngữ như tiếng cười, chuyển ngôn ngữ giữa câu và điều chỉnh giọng điệu theo chỉ dẫn. Cedar và Marin là hai giọng mới được giới thiệu riêng trong Realtime API tại thời điểm này.
Khác với gpt-4o-transcribe chuyên chuyển lời nói thành văn bản hay gpt-4o-mini-tts chuyên tạo giọng nói, đây là model cho trao đổi hai chiều. Tuy vậy, một voice agent hoàn chỉnh vẫn cần ứng dụng quản lý phiên, công cụ và quyền truy cập.
Benchmark có tiến bộ, không phải bảo đảm
OpenAI công bố độ chính xác Big Bench Audio đạt 82,8%, so với 65,6% của model trước từ tháng 12/2024. MultiChallenge audio đạt 30,5% so với 20,6%; ComplexFuncBench audio đạt 66,5% so với 49,7%. Đây là ba phép đo khác nhau về suy luận, tuân thủ chỉ dẫn và gọi hàm; không lấy trung bình thành điểm chất lượng chung.
ComplexFuncBench audio được xây dựng bằng cách chuyển prompt văn bản gốc sang lời nói. Các con số do hãng công bố không chứng minh mọi cuộc gọi thực tế đạt cùng tỷ lệ, đặc biệt khi có tiếng ồn, ngắt lời hoặc dữ liệu nghiệp vụ khác bộ đánh giá.
Ảnh đầu vào không phải video trực tiếp
Model nhận ảnh, ảnh chụp và screenshot cùng âm thanh hoặc văn bản. OpenAI giải thích ảnh được thêm như một hình trong hội thoại, không phải luồng video trực tiếp. Ứng dụng quyết định gửi ảnh nào và khi nào; không nên mô tả tính năng này như khả năng tự quan sát camera liên tục.
MCP, SIP và gọi hàm bất đồng bộ
Realtime API bổ sung kết nối MCP server từ xa và hỗ trợ SIP để tích hợp điện thoại. Đây là khả năng của nền tảng API, không phải quyền truy cập tự có của model. Nhà phát triển vẫn phải cấu hình server và giới hạn công cụ được phép dùng.
Gọi hàm bất đồng bộ cho phép tiếp tục hội thoại khi một công cụ chạy lâu. Cuộc nói chuyện trôi chảy không đồng nghĩa tác vụ đã thành công: ứng dụng cần kiểm tra kết quả công cụ trước khi xác nhận giao dịch hoặc thay đổi dữ liệu.
Giá audio tại ngày công bố
Giá công bố là 32 USD mỗi một triệu audio input token, 0,40 USD mỗi một triệu cached input token và 64 USD mỗi một triệu audio output token. Hãng mô tả mức giảm 20% so với gpt-4o-realtime-preview. Đây là giá audio tại mốc ra mắt, không phải giá theo phút hoặc cam kết giá hiện hành.
Chi phí phiên còn phụ thuộc lượng token, phần đầu vào đủ điều kiện cache và cách quản lý ngữ cảnh. API bổ sung giới hạn token và cắt nhiều lượt hội thoại để kiểm soát chi phí phiên dài. Không thể quy đổi thành một giá cố định mỗi cuộc gọi nếu chưa biết cấu hình và lượng sử dụng.
Giới hạn an toàn vẫn thuộc cả hệ thống
OpenAI sử dụng bộ phân loại giám sát phiên và có thể dừng hội thoại vi phạm chính sách. Những lớp này không thay thế kiểm soát dữ liệu cá nhân, xác nhận thao tác nhạy cảm và đánh giá nghiệp vụ. Chất giọng tự nhiên không phải bằng chứng thông tin đúng.
Nguồn: OpenAI, Introducing gpt-realtime and Realtime API updates for production voice agents, 28/08/2025.
Tác giả
Chăm Sóc Khách Hàng
