OpenAI lanzó GPT-Live, una nueva familia de modelos de voz construidos sobre arquitectura full-duplex, que pueden escuchar y hablar al mismo tiempo, permitiendo un flujo conversacional natural con retroalimentaciones, interrupciones y toma de turnos en tiempo real.
Los modelos, disponibles en ChatGPT desde hoy, representan una importante diferencia arquitectónica tanto del sistema de voz ChatGPT en cascada original como del más reciente Advanced Voice Mode. GPT-Live utiliza un solo modelo que procesa entrada continuamente mientras genera salida, tomando decisiones de interacción muchas veces por segundo: si hablar, escuchar, pausar, interrumpir o invocar una herramienta.
Dos innovaciones arquitectónicas
La primera es el procesamiento full-duplex. Los sistemas de voz anteriores eran por turnos: una persona habla, luego la otra responde, con silencios marcando los límites. GPT-Live elimina esta limitación. El modelo puede agregar retroalimentaciones breves (“mhmm”, “sí”) mientras el usuario todavía está hablando, puede ser interrumpido a mitad de frase, y puede pausar y reanudar de forma natural. También admite traducción en vivo entre idiomas.
La segunda es la delegación. Cuando un usuario pide algo que requiere búsqueda web, razonamiento profundo o capacidad agente, GPT-Live entrega la tarea a GPT-5.5 ejecutándose en segundo plano mientras mantiene el flujo de la conversación. El usuario escucha un rápido aviso (“un segundo, sigo aquí”) y la respuesta llega sin que la interacción de voz se interrumpa.
Evaluaciones
En pruebas de preferencia humana con conversaciones de 5 a 10 minutos, GPT-Live-1 y GPT-Live-1 mini fueron fuertemente preferidos sobre Advanced Voice Mode en todas las dimensiones medidas: preferencia general, calidad de toma de turnos, manejo de interrupciones, flujo conversacional y naturalidad.
En pruebas comparativas automatizadas, GPT-Live-1 superó sustancialmente a Advanced Voice Mode en GPQA (razonamiento científico de nivel experto), BrowseComp (búsqueda web agente) y el punto de referencia tau3-Voice Telecom para tareas de soporte de telecomunicaciones de múltiples turnos.
GPT-Live-1 (instant) y GPT-Live-1 mini utilizan GPT-5.5 Instant como su modelo de razonamiento en segundo plano. GPT-Live-1 Medium y High utilizan GPT-5.5 Thinking con esfuerzo de razonamiento configurable. Video, uso compartido de pantalla y paridad multilingüe completa no están disponibles en el lanzamiento, pero se esperan en actualizaciones futuras. También está planeado un lanzamiento de API.
Fuentes: MarkTechPost (8 de julio)
Traducido por Alessandra