GPT-Live-1: OpenAI reemplaza el pipeline de voz por un solo modelo full-duplex
El nuevo modelo de voz escucha y habla al mismo tiempo, maneja interrupciones y sustituye la arquitectura tradicional de tres etapas para agentes de voz.
OpenAI lanzó el 10 de septiembre GPT-Live-1 en su API, un modelo de voz full-duplex pensado para conversaciones más naturales. A diferencia del enfoque clásico de tres pasos —convertir voz a texto, procesar con un modelo de lenguaje y sintetizar voz de nuevo—, GPT-Live-1 integra todo en un solo modelo capaz de escuchar y hablar de forma simultánea, gestionar interrupciones y mantener el hilo de la conversación mientras un agente de fondo sigue trabajando.
La compañía reporta una mejora de 30% en benchmarks de conversación full-duplex frente a su modelo de voz anterior, GPT-Realtime-2.1, además de menor latencia en los turnos de habla. El acceso vía API cuesta 5 centavos de dólar por minuto en la capa de voz, más lo que corresponda al modelo de backend usado para razonar y ejecutar herramientas.
Para quienes construyen agentes de voz —líneas de atención telefónica, reservas o soporte al cliente— esto simplifica la arquitectura al reducir el número de componentes y la latencia acumulada entre ellos, además de dar control fino sobre el tono, la velocidad y el estilo de respuesta del agente.