16/09/2026 · VietTechies · Biên tập
Google đã ra mắt Gemini 3.8 Live và Gemini 3.8 Live Extended Thinking qua Gemini API và Google AI Studio, năm ngày sau khi OpenAI phát hành GPT-Live-1. Hai hệ thống cùng giải quyết một vấn đề cốt lõi của tác nhân giọng nói: duy trì hội thoại phản hồi nhanh trong lúc công cụ và tác vụ phức tạp chạy ngầm.
Một phiên hay hai lớp
Gemini 3.8 Live Extended Thinking giữ giọng nói, quá trình suy luận và các lệnh gọi công cụ bất đồng bộ trong một phiên có trạng thái. Khi một hàm được cấu hình là NON_BLOCKING, mô hình có thể tiếp tục nói, đặt câu hỏi bổ sung hoặc cập nhật tiến độ trong lúc chờ kết quả. Nhà phát triển có thể chọn mức suy luận thấp, trung bình hoặc cao cho từng yêu cầu.
OpenAI sử dụng thiết kế phân tách. GPT-Live-1 phụ trách hội thoại song công, còn một mô hình phía sau như GPT-6 Astra, Luna hoặc mô hình của bên thứ ba đảm nhiệm suy luận và thực thi công cụ. OpenAI cho biết độ trễ đổi lượt ở lớp giọng nói vào khoảng 800 mili giây, nhưng nhà phát triển phải chuyển ngữ cảnh giữa hai lớp và quyết định cách cuộc hội thoại tiếp diễn khi tác vụ chạy ngầm.
Những đánh đổi khác nhau với nhà phát triển
Cách tiếp cận của Google giảm nhu cầu về phần mềm trung gian và giữ trạng thái tương tác ở cùng một nơi, nhưng khiến tác nhân phụ thuộc chặt hơn vào môi trường thực thi của Google. Kiến trúc OpenAI cho nhà phát triển nhiều lựa chọn hơn về mô hình và công cụ phía sau, đồng thời chuyển việc điều phối và dọn dẹp tác vụ sang ứng dụng. Cả hai thiết kế đều có thể để tác vụ ngầm không còn cần thiết tiếp tục chạy khi người dùng ngắt lời hoặc đổi yêu cầu. Với OpenAI, nhà phát triển phải hủy các công việc đang chờ và ngăn kết quả lỗi thời quay lại cuộc hội thoại; với Google, họ có ít khả năng quan sát thời điểm một lệnh gọi công cụ dừng lại.
Google cho biết Gemini 3.8 Live Extended Thinking còn xử lý đầu vào đa phương thức, gồm video trực tiếp và tài liệu, dù các loại đầu vào này phát sinh thêm phí. Mô hình nền tảng cũng vận hành Gemini Live trong ứng dụng Gemini dành cho người dùng; Google phân biệt sản phẩm này với các mô hình và API hướng đến nhà phát triển.
Chi phí phụ thuộc kiến trúc
Gemini 3.8 Live tiêu chuẩn có giá 0,005 USD mỗi phút âm thanh đầu vào và 0,018 USD mỗi phút âm thanh đầu ra. Extended Thinking tính thêm phí token suy luận, cùng chi phí bổ sung cho video trực tiếp và tài liệu. GPT-Live-1 có giá 0,05 USD mỗi phút thoại chỉ cho lớp giọng nói phía trước; mô hình suy luận phía sau, lệnh gọi hàm và các lượt chạy tác nhân bên ngoài đều được tính phí riêng.
Không thể so sánh trực tiếp điểm chuẩn
Gemini 3.8 Live Extended Thinking đạt 82,6 điểm trên Speech-to-Speech Quality Index của Artificial Analysis, với tỷ lệ hoàn thành tác vụ 68,6% trên bài kiểm tra τ-Voice và 35,1% trên τ-Voice-banking của Sierra. GPT-Live-1 kết hợp với GPT-6 Astra ở mức suy luận trung bình đạt 86,2% Pass@1 trong bài đánh giá dịch vụ khách hàng bằng giọng nói của Tau3 và được cho là vượt GPT-Realtime-2.1 30 điểm phần trăm trên Full Duplex Bench.
Các kết quả trên đến từ những bài kiểm tra và cấu hình mô hình khác nhau, nên không xác định được bên thắng trong một phép đối đầu trực tiếp. Google cũng nhúng hình mờ SynthID của DeepMind vào âm thanh được tạo ra. Anthropic cung cấp tính năng giọng nói trong các ứng dụng dành cho người dùng, nhưng theo nguồn tin, hiện hãng chưa có API chuyển giọng nói sang giọng nói theo thời gian thực tương đương.
Ảnh minh họa do AI tạo.
Nguồn: OpenAI’s voice model doesn’t think. That’s the point.