OpenAI lanza GPT-Live: puede escuchar y hablar al mismo tiempo, creando una experiencia de conversación similar a la humana.

OpenAI lanzó el miércoles los modelos de voz full-duplex GPT-Live-1 y GPT-Live-1 mini, reemplazando el antiguo Advanced Voice Mode. Las tareas complejas serán delegadas al GPT-5.5, presentado en abril de este año.

(Preámbulo: Google Translate se actualiza: Gemini 3.5 elimina las pausas incómodas en la interpretación de voz en tiempo real) (Contexto adicional: ¡Crea un servicio de atención al cliente con IA en 2 minutos! xAI lanza un creador de agentes de voz sin código que supera a OpenAI en puntuaciones de voz)

Poniendo fin a dos años de "turnos de carrusel" en las conversaciones, OpenAI logró el miércoles que ChatGPT aprendiera algo nuevo: escuchar y hablar al mismo tiempo. El nuevo modelo de voz GPT-Live abandona la lógica anterior de turnos basada en silencios y adopta una arquitectura full-duplex.

GPT-Live-1 y GPT-Live-1 mini ya están disponibles globalmente en iOS, Android y ChatGPT.com. GPT-Live-1 se convierte en el modelo de voz predeterminado para los usuarios de pago de Go, Plus y Pro, mientras que GPT-Live-1 mini atiende a los usuarios gratuitos. La API estará disponible para desarrolladores en lista de espera. Esta es la tercera renovación de la tecnología de voz de ChatGPT en dos años, y la declaración más clara de OpenAI: la voz ya no es un accesorio del chatbot de texto, sino que se convertirá en la interfaz principal de la interacción humana con la IA.

¿Por qué la voz anterior siempre interrumpía?

OpenAI escribió en su blog de investigación que GPT-Live procesa la entrada y genera salida de forma continua; el modelo puede tomar múltiples decisiones de interacción por segundo, determinando si debe hablar, seguir escuchando, pausar, interrumpir o llamar a una herramienta. Un investigador describió en X la experiencia anterior como "turnos de carrusel", donde solo una persona podía hablar a la vez, y el turno pasaba al siguiente solo después de terminar.

Este era el punto débil del antiguo Advanced Voice Mode. OpenAI reconoció que, al depender del silencio para determinar los turnos, pausas breves o ruidos de fondo podían ser malinterpretados como señal de que el usuario había terminado, lo que llevaba al modelo a interrumpir en momentos poco naturales.

¿Quién se encarga de hablar y quién de pensar?

Otro diseño clave de GPT-Live es separar la "capa de interacción de voz" de la "capa de razonamiento". Las preguntas simples son respondidas directamente por GPT-Live; cuando se requiere consultar la web, realizar razonamiento profundo o tareas de múltiples pasos, el trabajo se delega al modelo de vanguardia que se ejecuta en segundo plano, actualmente el GPT-5.5 lanzado en abril de este año. Durante el proceso computacional, sigue manteniendo la conversación con el usuario, evitando los segundos de silencio que producía el antiguo pipeline.

Este diseño modular tiene la ventaja de que actualizar la inteligencia no requiere volver a entrenar el modelo de voz en sí mismo. Para empresas y desarrolladores que quieran conectar agentes de voz a bases de datos, búsquedas o tareas de múltiples pasos, esto es una verdadera reducción de barreras.

La nueva versión también añade dos pequeñas funciones: durante la conversación aparecen tarjetas visuales en tiempo real con información como el clima, cotizaciones bursátiles, resultados deportivos o mapas. Los usuarios también pueden cambiar entre tres niveles de razonamiento: Instant (inmediato), Medium (intermedio) y High (complejo), decidiendo si quieren una respuesta rápida o más reflexiva. En otras palabras, rapidez y precisión ya no son una disyuntiva; el usuario puede ajustar el equilibrio.

Openaprovechó la ocasión para rediseñar por completo su elenco de voces. Nueve voces que enfatizan "diseñadas para la conversación, no para la imitación", e incorporaron protecciones contra la imitación de voces reales, respondiendo en cierto modo a una controversia de hace dos años. En mayo de 2024, durante la presentación de GPT-4o, la voz "Sky" fue considerada similar a la de la actriz Scarlett Johansson en la película Her. Ella confirmó que había rechazado la invitación de Sam Altman para doblar, y tras el lanzamiento del producto, se mostró conmocionada y enfadada; OpenAI retiró la voz y se disculpó.