AI agent

Google Duplex phát triển thành tác nhân Gemini hợp nhất cho các cuộc gọi điện thoại trực tiếp

Google đã tích hợp công nghệ giọng nói Duplex tồn tại suốt một thập kỷ vào ứng dụng Gemini, cho phép AI xử lý các nhiệm vụ qua điện thoại phức tạp, không kịch bản bằng kiến trúc mô hình nền tảng hợp nhất.

Một chiếc điện thoại thông minh kết nối với một chiếc điện thoại quay số cổ điển thông qua sóng kỹ thuật số.
Minh họa được tạo riêng cho bài viết này

Được dịch tự động từ bản gốc tiếng Anh.

Google chính thức tích hợp công nghệ giọng nói Google Duplex vào tính năng Tasks (Nhiệm vụ) của ứng dụng Gemini, đánh dấu bước tiến quan trọng trong cách các tác nhân AI xử lý việc phối hợp ngoài đời thực. Được công bố vào ngày 20 tháng 11 năm 2026 bởi các lãnh đạo từ Google Research và Google Maps, bản cập nhật này cho phép trợ lý AI cá nhân thực hiện các cuộc gọi điện thoại trực tiếp đến doanh nghiệp thay mặt người dùng. Động thái này chuyển đổi Duplex từ một thành phần hạ tầng hoạt động phía sau hậu trường thành một khả năng trực tiếp phục vụ người dùng, được vận hành bởi các mô hình nền tảng Gemini mới nhất.

Chuyện gì đã xảy ra

Việc tích hợp này là kết quả của hành trình kiến trúc kéo dài mười năm, bắt đầu từ lần ra mắt ban đầu của Google Duplex vào năm 2018. Ban đầu được thiết kế để xử lý các nhiệm vụ hẹp và cụ thể như đặt bàn nhà hàng, công nghệ này sau đó đã âm thầm hoạt động trên nhiều sản phẩm khác nhau của Google. Trong thời kỳ đại dịch, nó đóng vai trò then chốt trong việc xác minh thông tin thương mại khi giờ mở cửa biến động nhanh chóng, cung cấp dữ liệu đã xuất hiện hơn một nghìn tỷ lần trên Search và Maps. Qua nhiều năm, các mô hình nền tảng cũng được điều chỉnh cho các tính năng chạy trên thiết bị của điện thoại Pixel, chẳng hạn như Call Screen (Chặn cuộc gọi lạ) và Hold for Me (Giữ máy hộ tôi), giúp người dùng quản lý các cuộc gọi từ số lạ và thời gian chờ.

Vào năm 2025 và 2026, phạm vi ứng dụng mở rộng hơn nữa khi các mô hình nền tảng cho phép gọi điện tự chủ (agentic calling) rộng rãi hơn trong Google Search và Ask Maps. Các hệ thống này có thể kiểm tra tình trạng còn hàng, báo giá dịch vụ và giờ mở cửa cho nhiều danh mục đa dạng, từ sửa chữa ô tô đến chăm sóc thú cưng. Bản ra mắt mới nhất trong ứng dụng Gemini loại bỏ những ràng buộc còn lại về loại nhiệm vụ, cho phép AI xử lý các yêu cầu mở thông qua hội thoại giọng nói tự nhiên. Sự chuyển dịch này giúp tác nhân phối hợp các công việc phức tạp thiếu API kỹ thuật số, chẳng hạn như đặt lịch hẹn hoặc đàm phán giải quyết xung đột lịch trình trực tiếp qua điện thoại.

Cách thức hoạt động

Xương sống kỹ thuật của hệ thống này đã phát triển qua ba thế hệ riêng biệt. Phiên bản sớm nhất dựa trên các mạng nơ-ron hồi quy (RNN) trước thời transformer, được huấn luyện trên các cuộc hội thoại ẩn danh, đặc thù theo từng nhiệm vụ. Các mô hình miền đóng (closed-domain) này đòi hỏi quá trình huấn luyện thủ công chuyên sâu cho từng lĩnh vực dọc, chẳng hạn như phân biệt logic giữa đặt bàn ăn tối và kiểm tra giờ mở cửa dịp lễ. Khi các mô hình nền tảng miền mở (open-domain) xuất hiện, Google đã giới thiệu các ngăn xếp lai (hybrid stacks) vào khoảng năm 2022, kết hợp các mô hình tạo sinh như LaMDA với cơ chế theo dõi trạng thái xác định. Cách tiếp cận này cải thiện tính linh hoạt nhưng vẫn cần các rào chắn chính sách nghiêm ngặt để duy trì độ tin cậy và tốc độ.

Kiến trúc hiện tại được xây dựng hoàn toàn trên nền tảng Gemini, hợp nhất khả năng hiểu đa phương thức, lập kế hoạch và tạo hội thoại vào một ngăn xếp duy nhất. Thay vì dựa vào các lĩnh vực dọc cố định, hệ thống giờ đây chấp nhận các mô tả nhiệm vụ dưới dạng văn bản tự do, cho phép nó khái quát hóa sang các danh mục kinh doanh mới và các yêu cầu tinh tế mà không cần xây dựng các mô hình hội thoại riêng biệt. Ví dụ, nó có thể xử lý các kịch bản đa ràng buộc như lên lịch bảo dưỡng xe hơi xung quanh các xung đột lịch làm việc hoặc yêu cầu chỗ ngồi cụ thể. Cách tiếp cận hợp nhất này tận dụng khả năng suy luận của các mô hình tiên phong (frontier models) để điều hướng các tương tác con người không có kịch bản sẵn.

Gọi điện thoại trực tiếp đặt ra những thách thức độc đáo mà quá trình tiền huấn luyện dựa trên web không giải quyết được, đặc biệt liên quan đến độ trễ và nhiễu âm thanh. Hệ thống sử dụng các mô hình âm học và nhịp điệu hội thoại tùy chỉnh để xử lý các đường dây điện thoại nén và tiếng ồn nền như lách cách trong bếp hay tiếng giao thông đường phố. Các mô hình này đảm bảo độ trễ dưới một giây, cho phép AI diễn giải các lời từ chối gián tiếp lịch sự, quản lý khoảng lặng một cách tự nhiên và tránh nói chồng lên người nhận là con người. Nền tảng ngữ dụng (pragmatic grounding) cũng được tăng cường nhờ bối cảnh lịch sử, giúp tác nhân dự đoán xem một nhiệm vụ có khả thi hay không trước khi cuộc gọi bắt đầu, dựa trên các tương tác trước đó với những nhà cung cấp cụ thể.

Chi tiết chính

  • Hệ thống sử dụng các mô hình Gemini 4, bao gồm Gemini 4 Hydrogen và Gemini 4 Neon, để vận hành các quy trình làm việc toàn diện.
  • Mọi cuộc gọi tự động đều bắt đầu bằng một tuyên bố rõ ràng rằng một tác nhân AI từ Google đang nói chuyện.
  • Doanh nghiệp có thể chọn không nhận các cuộc gọi này thông qua cài đặt Hồ sơ Doanh nghiệp Google (Google Business Profile) hoặc bằng cách yêu cầu dừng lại bằng lời nói trong cuộc gọi.
  • Không cần cài đặt phần mềm hay đào tạo nhân viên cho các thương gia, vì AI tương tác thông qua các đường dây điện thoại tiêu chuẩn.
  • Thông tin thu thập được trong các cuộc gọi, chẳng hạn như ưu đãi giờ vàng hoặc mẹo đỗ xe, được sử dụng để cập nhật danh sách trên Google Maps.
  • Tác nhân có thể xử lý giao dịch một cách an toàn bằng Giao thức Thanh toán Tác nhân (Agent Payments Protocol) và phối hợp qua email và RCS.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm và nhà sáng lập kỹ thuật, sự phát triển này làm nổi bật xu hướng chuyển dịch từ tự động hóa cứng nhắc, dựa trên quy tắc sang các hệ thống tác nhân linh hoạt, có khả năng xử lý môi trường phi cấu trúc. Khả năng điều hướng các cuộc hội thoại giọng nói trực tiếp đòi hỏi giải quyết những bài toán khó trong suy luận dòng chảy độ trễ thấp (low-latency streaming inference) và suy luận ngữ dụng, vượt xa các ứng dụng LLM dựa trên văn bản tiêu chuẩn. Nó chứng minh rằng các tác nhân AI thành công phải tích hợp khả năng hiểu bối cảnh sâu sắc với hiệu suất thời gian thực mạnh mẽ để tương tác tôn trọng và hiệu quả với con người.

Sự phát triển này cũng nhấn mạnh tầm quan trọng của việc thiết kế cho cả hai phía của một giao dịch. Bằng cách đảm bảo doanh nghiệp giữ quyền kiểm soát và không yêu cầu thiết lập, Google đã tạo ra một mô hình tương tác AI có khả năng mở rộng mà không làm gián đoạn quy trình làm việc hiện có. Đối với các nhà phát triển xây dựng các công cụ tương tự, việc nhấn mạnh vào tuyên bố rõ ràng, cơ chế từ chối tham gia (opt-out) và không cần thích nghi đối với bên kia cung cấp một khuôn mẫu cho việc triển khai đạo đức và thực tiễn các tác nhân tự chủ trong các kênh truyền thông nhạy cảm.

Bạn có thể làm gì

  • Nghiên cứu sự chuyển dịch từ các ngăn xếp lai sang các mô hình nền tảng hợp nhất để hiểu cách giảm bớt gánh nặng kỹ thuật trong các hệ thống tác nhân.
  • Triển khai các giao thức tuyên bố rõ ràng trong bất kỳ giao diện giọng nói AI nào để duy trì lòng tin và tuân thủ các chuẩn mực mới nổi.
  • Thiết kế các cơ chế dự phòng cho phép đối tác con người dễ dàng từ chối tham gia hoặc chuyển hướng các tương tác tự động.
  • Tập trung vào mô hình hóa âm học độ trễ thấp nếu ứng dụng của bạn liên quan đến xử lý giọng nói thời gian thực trong môi trường ồn ào.
  • Tận dụng dữ liệu tương tác lịch sử để cải thiện nền tảng ngữ dụng và dự đoán khả năng thực hiện nhiệm vụ trước khi thực thi.
  • Khám phá cách nhắc lệnh bằng văn bản tự do (free-text prompting) có thể thay thế các mô hình đặc thù miền cứng nhắc để tăng khả năng khái quát hóa của hệ thống.
  • #google duplex
  • #gemini ai
  • #voice agents
  • #llm architecture
  • #ai ethics

Công cụ từ cửa hàng Bytechap

Đọc tiếp

AI agent

Giảm độ trễ của tác nhân robot bằng cách xử lý song song giữa suy luận và chuyển động

Các kỹ sư đã giảm thời gian hoàn thành nhiệm vụ thực tế của robot từ 18 phút xuống còn 6 phút nhờ tối ưu hóa khung chạy (harness) của tác nhân, sử dụng kernel thường trú và cơ chế thực thi theo đường ống để che giấu độ trễ của mô hình đằng sau các chuyển động

Tất cả bài viết