#voice-ai

Voice Agents are here. Context turns them into real customer value.

Be

Introducing GPT-Live

OpenAI ra mắt GPT-Live, thế hệ mới của mô hình giọng nói sử dụng kiến trúc full-duplex, cho phép nghe và nói đồng thời. GPT-Live hỗ trợ tương tác liên tục, xử lý ngắt lời tự nhiên và duy trì cuộc trò chuyện mượt mà, trong khi chuyển các truy vấn phức tạp cho GPT-5.5 xử lý nền. Hai phiên bản GPT-Live-1 (trả phí) và GPT-Live-1 mini (miễn phí) sẽ được triển khai toàn cầu trên iOS, Android và ChatGPT.com, vượt trội so với Advanced Voice Mode trên nhiều tiêu chuẩn. Tính năng an toàn bao gồm điều chỉnh đầu ra thời gian thực, hỗ trợ khủng hoảng, bảo vệ cho thanh thiếu niên và kiểm soát của phụ huynh, cùng kế hoạch cung cấp API sắp tới.

Để cập nhật kỹ năng giao tiếp và xử lý các tình huống tương tác thực tế, từ việc đối thoại tự nhiên với người dùng đến xử lý vấn đề phức tạp như tìm kiếm web hoặc lý luận khoa học, một lập trình viên nên đọc bài này để hiểu cách xây dựng hệ thống AI tương tác hiệu quả hơn.

OpenAI's GPT-Live: ChatGPT voice that listens and talks

OpenAI vừa ra mắt GPT-Live, phiên bản voice model full-duplex cho ChatGPT có khả năng nghe và nói cùng lúc, hỗ trợ hội thoại tự nhiên. Tính năng mới bao gồm dịch thuật thời gian thực, điều chỉnh mức độ suy luận, thẻ trực quan và ủy quyền nền cho GPT-5.5.

Những người lập trình viên nên đọc bài này để khám phá cách OpenAI tích hợp AI âm thanh vào giao diện người dùng, giúp phát triển các ứng dụng tương tác tự nhiên hơn, từ đó có thể ứng dụng vào các dự án tương tác âm thanh, chatbot hoặc hệ thống hỗ trợ khách hàng thông minh.

Outbound SIP calling is now available to all organizations

Connect phone calls to OpenAI with SIP.

GPT-Live 1 tutorial: build a voice agent you can interrupt

How OpenAI's full-duplex voice model works, how to use it in ChatGPT, and how to build with gpt-live-1 in the API: delegation, web search, function tools, voices and real costs.

Deepgram Marketplace: Voice AI’s open ecosystem

Deepgram Marketplace is now live: compare vetted voice AI partners across categories in one catalog and build your stack without the vendor overhead.

nemotron-halloween

A Blog post by NVIDIA on Hugging Face

Granola crunches up a dictation feature to compete with Wispr

Uno reverse! After Wispr added meeting notes to its dictation app, Granola is adding dictation to its meeting notetaker. The voice AI wars are getting interesting.

Deepgram is acquiring Daily, makers of Pipecat

At today’s inaugural Deepgram Speak event, the company will introduce the Real-Time Context Standard, an open protocol that carries context across an entire conversation, developed in partnership with Pipecat

AssemblyAI Ships AssemblyAI-TTS-1: A $15 per 1M Character Text-to-Speech API for Voice Agents

AssemblyAI-TTS-1 is a streaming text-to-speech API for voice agents, priced at $15 per 1M characters with unlimited concurrency.

Voice AI in vogue: Nvidia releases new open transcription model

Nvidia just released a free speech-to-text model that can transcribe up to 40 languages, but it only works on recordings, not live audio, so it’s a big step for meeting and medical transcription tools while still leaving real-time use to rivals like ElevenLabs.

ElevenLabs on AI Gateway

Build with ElevenLabs on Vercel AI Gateway: speech, transcription, realtime voice agents, music, and sound effects on one API key, 50% off for two weeks.

A Walkie Talkie Interface For Claude

Một tài xế giao hàng đã phát triển Walkie Claudie, giao diện voice cho Claude Code với smartphone kết nối mạng đến PC chạy Claude, hỗ trợ VPN để sử dụng từ xa. Giao diện này sử dụng Bluetooth earbuds với nút push-to-talk để trò chuyện trực tiếp với Claude, cùng chế độ duy trì kênh hoạt động trong thời gian gián đoạn dài. UI được thiết kế giống walkie-talkie đời cũ với âm thanh squelch và chuyển kênh được tổng hợp. Đây là ví dụ thú vị về ứng dụng voice interface trong thực tế cuộc sống, cho thấy tiềm năng kết hợp ASR và TTS với AI assistants.

Giao diện Walkie Claudie mang đến trải nghiệm lập trình độc đáo bằng cách chuyển đổi Claude thành trợ lý giọng nói tương tác trên thiết bị di động.

Microsoft’s new voice AI can start working out what you want before you finish speaking

Microsoft mới triển khai voice AI có khả năng bắt đầu ghi âm trước khi người nói hoàn thành câu, giúp tăng tốc độ xử lý tương tác thoại. Công nghệ này sử dụng model speech recognition có khả năng dự đoán ngữ cảnh để bắt đầu transcribing ngay khi phát hiện đủ thông tin ban đầu. Theo Phonely, thách thức thực sự của voice AI không nằm ở tốc độ xử lý mà ở việc hiểu đúng khoảng lặng trong đoạn hội thoại. Các lập trình viên có thể học hỏi từ cách Microsoft xử lý ngữ cảnh speech-to-text để cải thiện hiệu suất hệ thống voice assistant.

Bài viết giải thích cách Microsoft tạo ra voice AI tiên đoán ý người dùng và thách thức thực tế khi xử lý khoảng lặng trong tương tác giọng nói.

Agentforce Voice for Agent Script: Route Real Phone Calls to Your Agent

Learn how to configure a phone number, set up Omni-Channel routing, and verify calls with Salesforce CLI. Take your voice-enabled Agent Script agent from browser preview to real phone calls without changing your agent’s logic.

Monday.com launches Harmony, a voice AI platform for sales calls

Monday.com has launched Harmony, a voice AI platform that calls sales leads using small task-specific models, built on tech from its $14.1M OneAI deal.

Step by Step guide: Build a Voice Agent That Never Goes Silent using ADK

Learn how to build responsive voice agents that never go silent using open-source ADK, streaming tools, and Gemini 3.8 Live with response scheduling.

These execs think voice AI hasn’t reached its ChatGPT moment yet

Voice AI vẫn chưa đạt đến đột phá như ChatGPT vì thiếu khả năng hiểu ngữ cảnh quan trọng, dẫn đến sự cố toàn bộ pipeline. Hệ thống voice AI hiện tại thường bỏ sót các điểm then chốt khi xử lý lớp ngữ cảnh, gây ra lỗi trong toàn bộ quy trình xử lý. Các nhà lãnh đạo công nghệ cho rằng voice AI cần cải thiện đáng kể trong việc hiểu ngữ cảnh trước khi có thể tạo ra bước ngoặt tương tự như ChatGPT. Điều này cho thấy các nhà phát triển voice AI cần tập trung vào việc cải thiện kỹ thuật xử lý ngữ cảnh để đạt được hiệu suất tốt hơn.

Bài viết phân tích những hạn chế hiện tại của Voice AI để giúp lập trình viên hiểu thách thức phát triển công nghệ này.

Voice agents get confused by echo too

Voice agents thường tự trả lời do hiện tượng echo trong giao tiếp. Nguyên nhân kỹ thuật nằm ở hiệu ứng hồi âm (echo) ảnh hưởng đến khối phát hiện hoạt động voice (VAD) và cơ chế phát hiện lượt nói (turn detection). Trong bài, Philipp Hancke đã so sánh trình duyệt Chrome và Edge, phân tích file AEC dump để chứng minh hiện tượng này. Hệ quả là voice agent hiểu nhầm tín hiệu âm thanh, dẫn đến tự phản hồi thay vì chờ người dùng. Bài viết cung cấp hiểu biết sâu về xử lý echo trong hệ thống voice AI và cách tối ưu hóa trải nghiệm người dùng.

Bài viết này giải thích hiện tượng voice agents tự trả lời do vấn đề echo, giúp lập trình viên hiểu nguyên nhân và cách khắc phục vấn đề này.

Why I've Stayed with the Same Startup for 4 Years

In Silicon Valley, four years at one company gets noticed. Here's why I'm still at Deepgram, and what's kept me here.

Nova-3 Medical Multilingual: Medical Speech-to-Text in 10 Languages

Nova-3 Medical đã hỗ trợ 10 ngôn ngữ trong cả chế độ batch và streaming, với tỷ lệ lỗi từ thấp hơn 25-30% và lỗi entity thấp hơn 37-40% so với mô hình đa ngôn ngữ tổng quát. Công nghệ Nova-3 Medical Multilingual này sử dụng hiệu quả dữ liệu y tế đa ngôn ngữ để cải thiện độ chính xác trong nhận diện giọng nói thành văn bản. Kết quả này giúp giảm đáng kể sai sót khi chuyển lời nói thành văn bản trong bối cảnh y tế đa ngôn ngữ. Điều này có ý nghĩa quan trọng đối với các hệ thống Electronic Health Record (EHR) và trợ lý ảo y tế cần xử lý thông tin bệnh nhân bằng nhiều ngôn ngữ khác nhau.

Nova-3 Medical đa ngôn ngữ giảm 25-30% lỗi từ và 37-40% lỗi thực thể so với mô hình đa ngôn ngữ tổng quát, giúp bác sĩ và nhân viên y tế chuyển âm thanh thành văn bản chính xác hơn.

How to Stop an AI Agent From Giving Away Your Money in a Negotiation

Ten scripted attacks on a voice AI agent that negotiates freight rates, and why price limits belong in code, not in the prompt. Results and code inside.

Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking

Gemini 3.8 Live và 3.8 Live Extended Thinking là những mô hình hội thoại trực tiếp tiên tiến nhất hiện nay, được thiết kế cho các cuộc trò chuyện tự nhiên. Các mô hình này được xây dựng trên nền tảng Gemini 3.8 với khả năng xử lý thông tin thời gian thực và phản hồi tức thời. Hệ quả là trải nghiệm người dùng được cải thiện đáng kể với độ trễ thấp và khả năng hiểu ngữ cảnh sâu. Điều đáng học là cách Google tối ưu hóa hiệu năng của các mô hình lớn cho ứng dụng hội thoại, cho thấy tiềm năng của AI trong giao tiếp tự nhiên và thông minh.

Gemini 3.8 Live và Extended Thinking mang đến cho lập trình viên công cụ hội thoại tự nhiên mạnh mẽ nhất hiện nay.

AI voice startup ElevenLabs doubles valuation to $22B

ElevenLabs, startup AI voice, đạt định giá 22 tỷ USD sau vòng gọi vốn mới. Công ty vừa hoàn thành giao dịch employee tender trị giá 300 triệu USD, do Wellington và T. Rowe Price đồng dẫn dắt. Sự tăng trưởng ấn tượng này phản ánh nhu cầu thị trường mạnh mẽ với công nghệ text-to-speech AI chất lượng cao. Lập trình viên nên cân nhắc nghiên cứu ElevenLabs để học hỏi cách xây dựng và định giá sản phẩm công nghệ AI thành công trong thời ngắn.

ElevenLabs đạt định giá 22 tỷ USD cho thấy tiềm năng đột phá của công nghệ AI voice trong thị trường hiện tại.

ElevenLabs doubles its valuation to $22bn in a $300m share sale

The ElevenLabs valuation doubled to $22bn in a $300m share sale. Goldman Sachs, GIC and EQT bought in, and a listing may follow within 2.5 years.

ElevenLabs opens Brussels office and plans to triple its Belgian team

ElevenLabs mở rộng presence tại Brussels với văn phòng mới và bổ sung vị trí country lead cho thị trường Belgium. Công ty đang có khách hàng lớn tại Bỉ gồm Mediafin, Corilus và cả EU. Mục tiêu của ElevenLabs là tăng cường đội ngũ nhân sự tại Bỉ lên ba lần trong thời gian tới. Sự mở rộng này cho thấy nhu cầu cao về các giải pháp speech synthesis của công ty tại thị trường châu Âu. Lập trình viên quan tâm đến AI voice technology có thể theo dõi ElevenLabs để hiểu định hướng phát triển trong lĩnh vực speech-to-text và text-to-speech tại châu Âu.

ElevenLabs mở văn phòng tại Brussels và có kế hoạch gấp ba đội ngũ đội ngũ tại Bỉ tạo ra cơ hội việc làm và hợp tác hấp dẫn cho các lập trình viên trong lĩnh vực AI.

Build a real-time hotel booking voice agent

...explained with code.

Fireflies adds dictation to its desktop notetaking apps

Fireflies said that it won't charge extra for the new dictation feature, which can be used with any desktop app.

Modulate raises $25M for its voice models and analysis suite

Modulate deploys its models to detect deepfake, fraud and scam

ElevenLabs’ new v4 speech model supports more expression control and 90 languages

ElevenLabs vừa ra mắt mô hình speech v4 với khả năng hỗ trợ 90 ngôn ngữ và điều khiển biểu cảm giọng nói tinh vi hơn. Với chỉ 10 giây âm thanh mẫu, mô hình này có thể nhân bản giọng nói với độ chính xác đáng kinh ngạc. Công nghệ này đặc biệt hữu ích cho các nhà phát triển cần tạo ra nội dung audio đa ngôn ngữ với các nhân vật có biểu cảm phong phú. Bài viết cung cấp cái nhìn sâu sắc về cách ElevenLabs cải tiến chất lượng speech synthesis, một bước tiến đáng chú ý cho AI voice cloning.

Lập trình viên nên đọc bài này để nắm bắt công nghệ nhân bản giọng nói mới nhất với độ chính xác cao và hỗ trợ đa ngôn ngữ rộng.

McDonald’s tests Archy, an AI drive-thru voice for English and Spanish

McDonald's đang triển khai thử nghiệm hệ thống Archy - AI voice assistant để nhận đơn hàng tại cửa hàng drive-thru. Công ty cho biết độ chính xác của Archy đạt trên 90% khi xử lý cả tiếng Anh và tiếng Tây Ban Nha. Việc áp dụng AI giúp giảm áp lực nhân sự và tăng tốc độ xử lý đơn hàng. Tuy nhiên, thử nghiệm này cũng đặt ra câu hỏi về trải nghiệm khách hàng khi tương tác với hệ thống tự động thay vì nhân viên thực. Đây là bước đi đáng chú ý trong xu hướng ứng dụng AI vào ngành dịch vụ thức ăn nhanh.

McDonald's đang thử nghiệm AI Archy với độ chính xác hơn 90% cho đặt hàng qua cửa sổ lái xe, giúp bạn hiểu tương lai dịch vụ thức ăn nhanh.

Deepgram Ranks #17 on RepVue's Best Venture-Backed Companies to Sell For

Deepgram earned #17 on RepVue's 2026 ranking of the best venture-backed companies to sell for, based on verified feedback from sales reps. Read what they said.

UpdateListen, no ListenUpdated: the fallback that works

I switched a Deepgram Voice Agent API call from Flux STT to Nova-3 mid-call and ListenUpdated did not always come back, so I built a three-second fallback.