OpenAI lanzó GPT-Live, un par de nuevos modelos de voz que mejoran las interacciones con ChatGPT al permitir hablar y escuchar simultáneamente, similar a las conversaciones humanas. Los modelos, GPT-Live-1 y GPT-Live-1 mini, comenzaron a implementarse globalmente en iOS, Android y ChatGPT.com el mismo día del lanzamiento. GPT-Live-1 servirá como modelo de voz predeterminado para usuarios pagos, mientras que GPT-Live-1 mini está designado para usuarios de nivel gratuito. OpenAI también planea hacer que estos modelos estén disponibles a través de API para desarrolladores.
Esto marca la tercera generación de la tecnología de voz de ChatGPT en dos años, con OpenAI como objetivo crear una experiencia de usuario más fluida que se sienta más natural que simplemente consultar un motor de búsqueda. La innovación clave es la «arquitectura full-duplex», que permite al modelo procesar el audio entrante continuamente mientras genera sus respuestas habladas.
Según OpenAI, esta nueva arquitectura permite decisiones de interacción rápidas, permitiendo reconocimientos conversacionales como «mhmm» y «entendido» mientras los usuarios siguen hablando, así como una gestión más eficaz de las interrupciones. El modo de voz avanzado anterior se basaba en intercambios por turnos que a veces resultaban en interrupciones incómodas debido a pausas breves o ruido de fondo.
En GPT-Live, las funciones de interacción y razonamiento de voz están separadas, lo que permite que el sistema continúe las conversaciones mientras las consultas complejas se delegan a un modelo de backend, específicamente GPT-5.5. Este cambio tiene como objetivo facilitar una experiencia de interacción más fluida, permitiendo a los agentes de voz realizar tareas como consultar bases de datos sin interrumpir el flujo de la conversación. OpenAI espera que este cambio estructural mejore las aplicaciones empresariales, permitiendo interacciones más complejas.
OpenAI informó que más de 150 millones de usuarios interactúan con funciones de voz cada semana, lo que refleja la creciente importancia de las interacciones de voz en diversas aplicaciones, incluida la práctica de idiomas y la asistencia de manos libres. GPT-Live introduce mejoras como tarjetas visuales que muestran información contextual y tres niveles de razonamiento para las respuestas: Instantáneo, Medio y Alto.
OpenAI ha implementado nuevas medidas de seguridad para abordar los riesgos asociados con la interacción de voz en tiempo real. Estos incluyen salvaguardas en tiempo real para situaciones de alto riesgo y evaluaciones centradas en la dependencia emocional y otros peligros exclusivos de la comunicación por voz. En comparación con el modo de voz avanzado anterior, las puntuaciones de seguridad mejoraron significativamente en varias categorías, como comportamiento ilícito y autolesión.
Los competidores, incluidos Google, ByteDance y Nvidia, también están avanzando en el campo de la tecnología de voz full-duplex. OpenAI enfrenta desafíos, incluido el soporte limitado de idiomas y la falta inicial de acceso a API, lo que podría obstaculizar su penetración en el mercado. A pesar de estos obstáculos, OpenAI pretende que GPT-Live establezca la voz como una interfaz principal para las interacciones de IA, lo que podría conducir a capacidades de gestión de tareas más sofisticadas en el futuro.
