OpenAI estrea modelos de voz máis naturais para a interacción en vivo

OpenAI presentou GPT‑Live, unha xeración de modelos de voz deseñados para que falar cun sistema de intelixencia artificial resulte tan natural como conversar cunha persoa. A compañía de Sam Altman destaca que esta tecnoloxía funciona en modo full‑duplex, capaz de escoitar e responder ao mesmo tempo, o que permite unha comunicación fluída e sen quendas ríxidas.
A arquitectura de GPT‑Live procesa entrada e saída de maneira continua, tomando decisións en tempo real sobre cando falar, interromper ou manter o silencio. Esta aproximación evita pausas artificiais e reduce interrupcións provocadas por ruídos ou pequenas vacilacións do usuario, un problema habitual en sistemas anteriores baseados en detección de silencios . Ademais, o modelo pode realizar tarefas como tradución en directo e manter un ritmo conversacional máis natural.
Outra das innovacións clave é a delegación de tarefas complexas. Cando a conversa require busca na web, razoamento profundo ou execución de accións máis elaboradas, GPT‑Live deriva o traballo ao modelo GPT‑5.5, mantendo ao mesmo tempo a interacción co usuario e integrando os resultados sen romper o fío da conversa.
OpenAI asegura que as avaliacións internas mostran unha preferencia clara polos novos modelos fronte ao modo de voz avanzado anterior, tanto en fluidez como en comodidade de uso. GPT‑Live destaca tamén en probas de razoamento científico e en tarefas de busca complexa, así como en escenarios de soporte en telecomunicacións, onde mellora o rendemento en interaccións longas e con múltiples pasos.
A experiencia de ChatGPT Voice intégrase agora con esta tecnoloxía. Os usuarios poden interromper, facer pausas ou pedir que o sistema fale máis amodo, e este responde con sinais de escoita activa como “mhmm” ou “got it”, reforzando a sensación de conversa real . As voces foron remasterizadas e o sistema pode mostrar información visual en tempo real, como datos meteorolóxicos, deportivos ou financeiros, mentres se mantén a interacción por voz.
GPT‑Live comeza a despregarse globalmente en iOS, Android e ChatGPT.com. A versión GPT‑Live‑1 será a predeterminada para usuarios de Go, Plus e Pro, mentres que GPT‑Live‑1 mini será a opción por defecto para contas gratuítas. A compañía traballa para ampliar a compatibilidade con máis idiomas e para incorporar capacidades de voz con vídeo e compartición de pantalla nunha futura actualización.