Avartha: AI giọng nói tiên phong có trọng số mở nhanh nhất vượt qua OpenAI, Google và xAI

Bài viết: Giới thiệu Avartha: Nền tảng phát triển tác tử AI thời gian thực Nhóm phát triển Avartha | Ngày 29/10/2026 | Thời lượng đọc: 4 phút Thông báo Tiêu chuẩn đánh giá Mục lục Giới thiệu Tái định hình hạ tầng cho AI thời gian thực Đội ngũ phát triển Avartha Bước khởi đầu Hôm nay, Avartha chính thức được công bố. Dự án tập trung xây dựng cơ sở hạ tầng nhằm đưa trí tuệ nhân tạo ở cấp độ tiên tiến nhất vào các ứng dụng thời gian thực, vận hành dựa trên các mô hình mở do người dùng toàn quyền kiểm soát. Siri ra mắt vào năm 2011 với cam kết hỗ trợ người dùng "hoàn thành công việc chỉ bằng các câu lệnh thoại". Mục tiêu hiện nay là hướng tới các hệ thống AI có khả năng hiện thực hóa cam kết đó trên thực tế, thay vì chỉ dừng lại ở mức phản hồi thông thường. Ngành công nghệ hiện đã sở hữu các mô hình có năng lực lập trình phần mềm và suy luận xử lý các bài toán phức tạp, song các nhà phát triển tác tử giọng nói vẫn phải đánh đổi năng lực chuyên sâu này để lấy tốc độ phản hồi. Tính đến giữa năm 2026, GPT-4.1 vẫn là mô hình được ứng dụng rộng rãi nhất để phát triển AI giọng nói, do đây là mô hình phổ biến duy nhất đạt mức độ trễ dưới 1 giây [5]. Giọng nói được định hình sẽ trở thành phương thức tương tác chủ đạo trong toàn bộ lĩnh vực điện toán tương lai. Mục tiêu đặt ra là phát triển các tác tử giọng nói hoạt động ở đỉnh cao năng lực của AI, trở thành công cụ bổ trợ xứng tầm cho trí tuệ con người. Bước đi đầu tiên nhằm hiện thực hóa mục tiêu này là việc phát hành mô hình Ava Zero1. Được xây dựng hoàn toàn dựa trên các mô hình mở, Ava xếp vị trí số 1 về tỷ lệ hoàn thành tác vụ trên hệ thống đánh giá tiêu chuẩn τ³-Voice của Sierra. Thang đo τ³-Voice đánh giá khả năng suy luận chính xác và thực thi các quy trình dài, đa bước của tác tử trong các điều kiện thực tế. Ava hoàn thành 86,0% các tác vụ trên sáu ngôn ngữ, vượt qua GPT Live 1 của OpenAI (79,9%), Grok của xAI (71,4%) và Gemini của Google (68,5%), đồng thời đạt chất lượng tạo sinh cao nhất. Các mô hình mở hiện đã chính thức xác lập vị trí tiên phong trong lĩnh vực AI giọng nói. Thứ hạng | Mô hình | Đơn vị phát triển | Hoàn thành tác vụ | Tương tác | Chất lượng tạo sinh: #1 Ava Zero (Avartha): 86,0% | 25,0% | 62,2%; #2 phonic-1 (Phonic): 83,2% | 36,2% | 31,3%; #3 gpt-live-1 (OpenAI): 79,9% | 32,1% | 61,6%; #4 grok-voice-think-fast-2.0 (xAI): 71,4% | 52,6% | 17,7%; #5 gemini-3.8-live-extended-thinking (Google): 68,5% | 15,8% | 37,8%. Hình 1. Bảng xếp hạng τ³-Voice trên cả sáu ngôn ngữ; điểm số càng cao càng tốt. Tỷ lệ hoàn thành nhiệm vụ là pass@1 đối với các tác vụ thuộc lĩnh vực hàng không, bán lẻ và viễn thông. Chỉ số tương tác là tỷ lệ các cuộc gọi có dưới 2 trong số 5 lỗi hội thoại. Chất lượng tạo sinh là tỷ lệ các cuộc gọi có tối đa một phần tư số phát ngôn được đánh giá của tác tử gặp vấn đề về độ tự nhiên hoặc độ chuẩn xác của giọng nói. Nguồn: Bảng xếp hạng τ-bench, Đa ngôn ngữ, dữ liệu ngày 29/10/2026.Tái định hình hạ tầng cho AI thời gian thực Trong các ứng dụng AI truyền thống như hỗ trợ lập trình và chatbot, độ trễ ảnh hưởng đến trải nghiệm người dùng nhưng không tác động đến kết quả; một câu trả lời dù chậm vẫn là câu trả lời chính xác. Trong các ứng dụng thời gian thực, việc đáp ứng đúng thời hạn là một phần của yêu cầu hoàn thành nhiệm vụ. Do đó, năng lực của ứng dụng bị giới hạn bởi các mô hình phù hợp với quỹ thời gian trễ cho phép. Việc xây dựng các tác tử thời gian thực vừa bảo đảm độ chính xác, vừa có tốc độ xử lý nhanh về bản chất là một thách thức về hạ tầng, đòi hỏi khả năng suy luận có độ trễ cực thấp cùng độ tin cậy đuôi (tail reliability) ở mức cao. Hiện nay, hạ tầng tác tử đang bị phân mảnh giữa các nền tảng điều phối tác tử (agent harness) và các đơn vị cung cấp dịch vụ suy luận. Cả hai lớp này đều được xây dựng độc lập bởi các nhóm phát triển khác nhau và được ghép nối qua các giao diện hạn chế. Ranh giới giao diện như vậy ảnh hưởng tiêu cực đến cả hiệu năng lẫn hiệu quả vận hành, tương tự như kết quả từ các nghiên cứu trước đây về cơ sở dữ liệu [1] và hệ điều hành [2–4]. Ngược lại, toàn bộ hạ tầng tác tử thời gian thực, từ khung điều phối đến các nhân tính toán (kernel), đã được đồng thiết kế thành một hệ thống hợp nhất, tối ưu hóa cho hiệu năng tác vụ toàn trình: một nhà máy tác tử toàn diện (full-stack agent factory). Vùng thời gian thựcQuá chậm để có thể sử dụng hiệu quả Độ chính xác →suy luận và khung điều phối được đồng thiết kếAvarthacác mô hình tiên phong, theo thời gian thựcCác mô hình tiên phongphù hợp cho các tác tử lập trình: thời gian chờ 30 giây không gây ảnh hưởngCác mô hình nhỏ, nhanhđáp ứng quỹ thời gian trễ, nhưng năng lực bị giới hạn ~1 giâyĐộ trễ → Hình 2. Các khối lượng công việc xử lý theo thời gian thực đòi hỏi hệ thống phải bảo đảm đồng thời yếu tố tốc độ và độ chính xác. Toàn bộ hạ tầng tác tử (agentic infrastructure) đã được đồng thiết kế nhằm cung cấp năng lực trí tuệ hàng đầu thế giới trong giới hạn độ trễ thời gian thực. Công cụ suy luận (inference engine) được xây dựng từ đầu dựa trên các nguyên lý cơ bản nhằm mang lại hiệu năng và hiệu quả tối ưu cho các ứng dụng AI giọng nói. Dựa trên sự thấu hiểu sâu sắc hành vi ứng dụng, các giả định chung đã được loại bỏ để thiết kế từng cấu phần hệ thống theo hướng khai thác tối đa đặc tính cụ thể của khối lượng công việc. Hệ thống có khả năng hỗ trợ số lượng cuộc hội thoại đồng thời trên mỗi GPU cao hơn tới mười lần so với vLLM và SGLang trên cả các mô hình chuyển văn bản thành giọng nói (text-to-speech), chuyển giọng nói thành văn bản (speech-to-text) và mô hình ngôn ngữ dưới những ràng buộc nghiêm ngặt về độ trễ. Điều này cho phép khai thác các mô hình tiên tiến hàng đầu như GLM-5.3 để vận hành tác tử giọng nói mà không ảnh hưởng đến độ trễ, trong khi mặt bằng chung của ngành vẫn đang hoạt động với các mô hình có quy mô nhỏ hơn một bậc. Nhờ đó, cơ chế vận hành khung điều phối tác tử giọng nói đã được tái định hình toàn diện, được xây dựng theo phương thức tối ưu hóa toàn bộ năng lực trí tuệ sẵn có. Hồ sơ tham gia bảng xếp hạng τ³-Voice của Ava sử dụng kết hợp Qwen3-ASR cho tác vụ chuyển ngữ, Fish Audio Drama 3 để tạo giọng nói, GLM-5.3 giữ vai trò điều phối trung tâm và DeepSeek 4.1 Flash cho các tác vụ xử lý phía sau (backend). Hiệu quả từ ngăn xếp công nghệ này cũng được chuyển hóa thành mức chi phí hợp lý hơn cho người dùng. Ava chỉ có chi phí 2,50 USD cho mỗi giờ đàm thoại, tương đương một nửa hoặc một phần ba chi phí của các giải pháp mã nguồn đóng tương đương. Đội ngũ Avartha Avartha được thành lập từ Phòng nghiên cứu Hệ thống cho AI (Systems for AI Lab) thuộc Viện Công nghệ Georgia (Georgia Tech). Đội ngũ phát triển đã giới thiệu một số kỹ thuật nền tảng, góp phần định hình ngăn xếp suy luận hiện đại; đồng sáng tạo kỹ thuật chunked prefills (thuật toán điều phối mặc định cho mọi hệ thống suy luận lớn), Ray, kỹ thuật song song hóa bộ nhớ đệm KV (KV-cache parallelism) và song song hóa đường ống phân đoạn (chunked pipeline parallelism). Đội ngũ cũng đã xây dựng trình mô phỏng suy luận phổ biến nhất và tiên phong triển khai kỹ thuật giả lập suy luận không dùng GPU (GPU-free inference emulation), cho phép tối ưu hóa việc triển khai và khép kín các chu trình phát triển tác tử một cách nhanh chóng, chuẩn xác. Quan điểm nhất quán được đặt ra là cách tiếp cận "áp dụng chung một chuẩn" (One Size Fits All) đã hoàn toàn lỗi thời. Thế hệ hạ tầng suy luận tiếp theo sẽ mang tính siêu