Trợ lý ảo giọng nói trên thiết bị cho iPhone: cách hoạt động và những gì cần biết

Một trợ lý ảo giọng nói trên thiết bị gồm ba chương trình làm việc nối tiếp nhau: một chương trình nghe bạn, một chương trình quyết định nói gì và làm gì, và một chương trình nói. Phần lớn trợ lý chạy chương trình ở giữa, và thường cả hai chương trình còn lại, trên máy chủ. Orvena mặc định chạy cả ba trên iPhone. Bài này giải thích điều đó bao gồm những gì, cách thiết lập, và giới hạn nằm ở đâu.

Trợ lý giọng nói trên thiết bị chạy những gì trên điện thoại

Nghe. Orvena dùng bộ nhận dạng giọng nói trên thiết bị của Apple, thuộc framework Speech trong iOS 26. Lần đầu bạn nói một ngôn ngữ, iOS sẽ tải mô hình nhận dạng của ngôn ngữ đó, nên lần ấy khoảng chờ ngắn "Đang chuẩn bị…" trước khi bạn nói sẽ kéo dài hơn.

Quyết định. Chính là mô hình trả lời khi bạn gõ: Qwen 3.5 4B, bản tải về 3,1 GB chạy trên GPU của điện thoại, hoặc trên iOS 27 là Apple Intelligence, vốn được tích hợp sẵn trong iOS. Nó có thể dùng các công cụ của điện thoại ngay trong lúc bạn nói: dời một cuộc họp, đặt báo thức, xem thời tiết, tìm một bức ảnh.

Nói. Hai bộ tổng hợp giọng nói neural tạo ra giọng nói ngay trên điện thoại. Một bộ dành cho tiếng Anh, Tây Ban Nha, Pháp, Ý và Bồ Đào Nha, dung lượng tải về khoảng 345 MB; bộ còn lại bao gồm thêm 26 ngôn ngữ và nặng 400 MB. Cả hai được tải về sau khi bạn mở khóa giọng nói và hoàn tất ở chế độ nền.

Dù dùng mô hình trên thiết bị nào trong hai mô hình này, không có gì trong vòng lặp đó đi qua mạng. Chế độ máy bay là phép thử trung thực nhất: bật nó lên, bắt đầu một phiên giọng nói, hỏi lịch ngày mai của bạn có gì, và nghe câu trả lời.

Bắt đầu một cuộc trò chuyện

• Trong ứng dụng. Chạm nút dạng sóng trên thanh hỏi. Màn hình giọng nói toàn màn hình mở ra, và nút bàn phím đưa bạn về chế độ gõ bất cứ lúc nào mà không mất cuộc trò chuyện.
• Từ nút Tác vụ. Mở Cài đặt, chọn Nút Tác vụ, vuốt đến Phím tắt và chọn "Nói chuyện với Orvena". Nhấn nút và nói. Tác vụ "Nói chuyện với Orvena" này cũng dùng được trong Phím tắt và với Siri.
• Từ Dynamic Island. Trong lúc một phiên đang chạy, một Hoạt động trực tiếp hiển thị Listening, Working hoặc Approval (đang nghe, đang xử lý, chờ phê duyệt), và nút Stop kết thúc việc nghe ngay cả khi bạn đã rời ứng dụng.

Một lượt trò chuyện diễn ra thế nào

Orvena lắng nghe và hiển thị bản chép lời trong lúc bạn nói. Nó coi lượt của bạn đã xong sau 1,5 giây im lặng, hoặc 0,6 giây khi bộ nhận dạng đã đánh dấu câu của bạn là hoàn chỉnh, và chính điều đó khiến cuộc trao đổi nhanh gọn mà không cắt ngang khi bạn đang nghĩ dở. Sau đó nó suy nghĩ, dùng một công cụ nếu yêu cầu cần đến và hiển thị kết quả dưới dạng thẻ, rồi nói câu trả lời. Khi câu trả lời kết thúc, nó lại lắng nghe, nên cuộc trò chuyện cứ thế tiếp diễn mà không cần dùng tay. Một phiên kết thúc khi bạn chạm Kết thúc, hoặc sau 90 giây không có ai nói gì.

Micro tắt trong lúc Orvena suy nghĩ và nói. Đó là chủ ý: khi hai bộ nhận dạng cùng nghe một lúc, trợ lý rất dễ tự trả lời chính mình. Điều đó cũng có nghĩa là trên chế độ chạy trên thiết bị, bạn không thể nói chen ngang câu trả lời. Muốn ngắt một câu trả lời, hãy chạm Kết thúc, hoặc Stop trong Dynamic Island.

Những gì hoạt động offline

Mọi thứ ở trên, và mọi công cụ nằm trên điện thoại: lịch, lời nhắc, báo thức và hẹn giờ, ảnh, bản tóm tắt từ ứng dụng Sức khỏe, danh bạ, tệp, nhạc. Những gì cần kết nối là những gì cần đến thế giới bên ngoài: tìm kiếm web, đọc trang web, thời tiết, tìm địa điểm và thời gian di chuyển, các dịch vụ đã kết nối như Notion hay GitHub, Private Cloud Compute, và bất kỳ mô hình đám mây nào bạn thêm bằng khóa của riêng bạn. Mỗi thứ đều được liệt kê, cùng điều kiện khiến nó kết nối mạng, trong sổ cái trên trang chủ.

Các giới hạn

Orvena không có từ khóa đánh thức riêng. iOS dành việc nghe liên tục cho Siri, nên một trợ lý bên thứ ba phải được mở hoặc kích hoạt: nút Tác vụ bắt đầu một phiên giọng nói, và nói "Hỏi Orvena" với Siri sẽ chuyển cho nó một câu hỏi. Mô hình nhỏ hơn các mô hình đứng sau những trợ lý đám mây, và với việc nghiên cứu dài hay một lĩnh vực chuyên sâu, bạn sẽ nhận ra điều đó; còn với những gì người ta hỏi điện thoại thành tiếng, như lịch trình, thời tiết, một lời nhắc, một bức ảnh, một báo thức có tính cả thời gian di chuyển, thì kích thước ấy là vừa đủ. Giọng nói cần iPhone 15 Pro trở lên với 8 GB bộ nhớ, vì mô hình ngôn ngữ cần như vậy. Và những ngôn ngữ Orvena nghe được phụ thuộc vào bộ nhận dạng trên thiết bị của Apple; bộ chọn ngôn ngữ chỉ đưa ra những ngôn ngữ mà nó cũng nói được.

Giọng nói đám mây tùy chọn

Nếu có khóa OpenAI, bạn có thể chạy một phiên giọng nói trực tiếp trên mô hình realtime của OpenAI thay vào đó. Nó nhanh hơn trong những lượt qua lại và bạn có thể ngắt lời nó giữa câu, đổi lại âm thanh của bạn được truyền trực tiếp đến OpenAI. Orvena xin đồng ý trước khi phiên bắt đầu, hỏi lại nếu cuộc trò chuyện đã có dữ liệu sức khỏe hoặc tài chính, và gắn nhãn màn hình giọng nói là "đám mây" màu hổ phách thay vì "trên iPhone này" màu xanh lá, để bạn luôn biết mình đang ở chế độ nào.

Câu hỏi thường gặp

Giọng nói của Orvena có cần kết nối internet không?

Không, khi các gói giọng nói đã có trên điện thoại, cùng mô hình riêng của Orvena nếu bạn dùng nó thay vì Apple Intelligence, và iOS đã tải bộ nhận dạng cho ngôn ngữ của bạn vào lần đầu bạn nói ngôn ngữ đó. Nhận dạng, câu trả lời và giọng nói đều chạy trên điện thoại, trừ khi bạn chọn Private Cloud Compute hoặc một mô hình đám mây. Chỉ những yêu cầu cần đến thế giới bên ngoài, như tìm kiếm web hay thời tiết, mới dùng mạng, và chỉ khi bạn hỏi.

Tôi có dùng được AirPods hoặc tai nghe Bluetooth không?

Có. Phiên giọng nói hỗ trợ cả cấu hình Bluetooth rảnh tay lẫn âm thanh stereo, còn nếu không có tai nghe thì dùng loa tích hợp.

Giọng nói có miễn phí không?

Gõ chữ miễn phí, không giới hạn. Trò chuyện bằng giọng nói thuộc Premium Unlock, một lần mua duy nhất giá 14,99 USD, không có thuê bao.

Vì sao không có từ khóa đánh thức?

iOS chỉ cho phép Siri nghe ở chế độ nền. Bạn có thể nói "Hỏi Orvena" với Siri, và Siri sẽ hỏi bạn muốn hỏi gì, hoặc bắt đầu một phiên giọng nói từ nút Tác vụ, từ Phím tắt, hoặc từ nút dạng sóng trong ứng dụng.