OpenAI gặp vấn đề WebRTC: Giao thức gọi hội nghị không phù hợp cho AI thoại

Một kỹ sư từng chỉ trích gay gắt OpenAI dùng WebRTC cho sản phẩm voice AI đã nhận được phản hồi trực tiếp từ chuyên gia WebRTC tại OpenAI (Sean DuBois và Justin Uberti). Vấn đề cốt lõi: WebRTC được thiết kế cho cuộc gọi người-người, ưu tiên độ trễ cực thấp (<30ms) bằng cách loại bỏ gói tin đến muộn thay vì truyền lại.
Với voice agent, cách làm này gây hại lớn: khi người dùng mất mạng chập chờn (chuyển Wi-Fi, Starlink chuyển satellite), gói tin bị rơi → token bị lãng phí hoặc AI phải đoán mò nội dung. WebRTC có cơ chế truyền lại (retransmission) nhưng tắt mặc định cho audio, và jitter buffer không chờ gói tin truyền lại. Con người nghe/phát âm theo nhịp real-time, nhưng LLM xử lý nhanh hơn nhiều (20x), do đó có thời gian giây để chờ gói tin truyền lại mà không làm tăng độ trễ cảm nhận.
Giải pháp đề xuất là MoQ (Media over QUIC): “không để lại gói tin nào” — tiếp tục truyền lại cho đến khi AI thực sự cần audio. Chi phí thấp vì audio Opus rất nhẹ (1 giây chỉ vài KB). Điều này cho phép voice agent tận dụng lợi thế xử lý song song, bắt kịp luồng real-time của người dùng mà không bị giới hạn bởi thiết kế WebRTC cũ.
Đây là bài học quan trọng cho cộng đồng AI Việt Nam: khi xây dựng voice agent, đừng áp dụng mù mô hình hội nghị truyền thống. Cần chọn giao thức truyền tải phù hợp với đặc thính “nhịp silicon” của AI, không phải “nhịp neuron” của con người.
Bài được AI biên dịch và tóm tắt từ nguồn trên. Xem bài gốc để có đầy đủ thông tin.