OpenAI lanzó hoy oficialmente una nueva experiencia de voz ChatGPT basada en GPT-Live, que es una importante actualización arquitectónica en su ruta de tecnología de voz. En comparación con el modo de voz avanzado anterior, que se lanzará a más usuarios en 2024, la nueva versión del modo de voz ya no depende del sistema de voz tradicional, sino que recurre a un modelo de audio en tiempo real especialmente diseñado para agentes de voz inteligentes.
El modo de voz avanzado alguna vez se consideró un avance en la experiencia del asistente de voz con su diálogo más natural, velocidad de respuesta mejorada y soporte para interrupciones. Sin embargo, la siguiente generación de modelos de voz en tiempo real lanzada por OpenAI rápidamente expuso las limitaciones de esta antigua tecnología.
Ya en mayo de este año, OpenAI anunció su modelo de voz en tiempo real más avanzado hasta la fecha, GPT‑Realtime‑2, que lleva capacidades de razonamiento de nivel GPT‑5 a escenarios de interacción de audio en tiempo real. En comparación con los sistemas de voz anteriores que solo enfatizaban "hablar rápido y responder bien", GPT‑Realtime‑2 puede manejar mejor solicitudes complejas, rastrear contextos de conversaciones largas de manera más estable y completar tareas de varios pasos mientras mantiene la velocidad y el tono natural del habla. Sobre esta base, OpenAI ha lanzado una nueva generación de experiencia de voz ChatGPT basada en la arquitectura GPT-Live, aumentando aún más el límite de interacción de los asistentes de voz.
El núcleo de esta actualización radica en GPT‑Live, una arquitectura de modelo de voz full-duplex, que permite a ChatGPT "hablar, escuchar y pensar al mismo tiempo", a diferencia de los asistentes de voz tradicionales que requieren que usted termine de hablar y luego responda. En las interacciones reales, GPT-Live puede insertar naturalmente una respuesta de tono leve, como "está bien" y "hmm", cuando los usuarios pausan o ralentizan su discurso, en lugar de interrumpir bruscamente oraciones completas. Cuando el usuario necesita pensar un momento, el modelo también puede optar conscientemente por permanecer en silencio para evitar ser molestado.
En términos de control de interrupciones, los usuarios pueden interrumpir o cambiar la dirección de la pregunta en cualquier momento, y el modelo ajustará instantáneamente la lógica de respuesta para conectarse sin problemas con el nuevo objetivo de la conversación. OpenAI dice que la nueva experiencia de voz también puede manejar preguntas que requieren búsqueda en red, razonamiento más profundo o planificación de tareas complejas porque sus últimos "modelos de vanguardia" son llamados para generar respuestas. Actualmente, GPT‑Live utiliza GPT‑5.5 de forma predeterminada en segundo plano. Esto significa que lo que los usuarios obtienen en un escenario de voz no es sólo un ritmo de diálogo más cercano al humano, sino también una capacidad de "repensamiento" similar al modo de texto.
OpenAI también anunció simultáneamente que lanzará dos versiones del modelo GPT‑Live para usuarios globales de ChatGPT: GPT‑Live‑1 y GPT‑Live‑1 mini. Entre ellos, los usuarios de niveles pagos como ChatGPT Go, Plus y Pro utilizarán el GPT‑Live‑1 más completo de forma predeterminada, mientras que los usuarios gratuitos obtendrán una experiencia de voz impulsada por GPT‑Live‑1 mini. Para los desarrolladores y clientes empresariales, estos dos modelos también estarán abiertos al acceso a través de API, lo que les facilitará la creación de una nueva generación de agentes de voz y aplicaciones verticales.
Desde una perspectiva rítmica, OpenAI está acelerando la actualización del tradicional asistente de voz "walkie-talkie" a un modo de agente inteligente full-duplex que se acerca más a las conversaciones en persona real. Con la implementación de modelos como GPT‑Realtime‑2 y GPT‑Live, el modo de voz ChatGPT se está transformando de una simple herramienta de preguntas y respuestas de voz a un "compañero de conversación inteligente" que puede realizar tareas complejas y mantener interacciones a largo plazo en un entorno de voz.