Lanzamos GPT‑Live‑1 en la API para ofrecer a los desarrolladores un potente modelo de voz natural con el que pueden crear aplicaciones de voz y flujos de trabajo empresariales. Presentado por primera vez en ChatGPT, GPT‑Live‑1 puede escuchar y hablar al mismo tiempo y, como se vio con Codex y ChatGPT Work⁠(se abre en una nueva ventana), puede delegar razonamientos más profundos y acciones a los modelos y las herramientas con los que se combina.

Para el lanzamiento de GPT‑Live‑1 en la API, nos enfocamos en nuevas capacidades que permiten a los desarrolladores controlar y personalizar las experiencias de voz según sus usuarios, flujos de trabajo y objetivos. Una fortaleza clave de GPT‑Live‑1, la gestión fluida de interrupciones, ya está generando impacto empresarial: en las primeras evaluaciones, Speak descubrió que GPT‑Live‑1 dio a los estudiantes más tiempo para pensar antes de que respondiera el tutor de idiomas, lo que redujo las interrupciones casi un 80 % frente a los sistemas anteriores basados en turnos.

Principales ventajas de GPT‑Live‑1 en la API:

• Gestión de interrupciones: mejora la gestión de interrupciones mediante un solo modelo que razona conjuntamente sobre el audio entrante y saliente, lo que evita la latencia y las frágiles transferencias de las arquitecturas encadenadas STT–LLM–TTS.

• Delegación de razonamiento y llamadas a herramientas: GPT‑Live‑1 puede delegar el razonamiento y las llamadas a herramientas a un modelo de texto de backend como GPT‑6 Astra o un modelo de terceros.

• Tono, ritmo y estilo: permite a los desarrolladores definir el tono, el ritmo y el estilo conversacional de un agente mediante el prompt del sistema.

• Gestión silenciosa del contexto y ruido de fondo: gestiona mejor el ruido de fondo y el silencio sin interrumpir la conversación ni narrar cada paso en voz alta.

• Fiabilidad en sesiones largas: mejora la retención del contexto y la calidad de la conversación durante interacciones prolongadas.

• Compatibilidad con telefonía: permite implementar agentes de voz full-duplex para llamadas telefónicas, desde reservaciones en restaurantes hasta atención al cliente.

Los agentes de voz tradicionales conectan un sistema de voz a texto, un modelo de razonamiento y un sistema de texto a voz. Cada transferencia añade latencia y aumenta las posibilidades de perder la sincronización, el contexto o el ritmo natural de una conversación. A menudo, los desarrolladores deben coordinar esas etapas, incluso qué sucede cuando alguien interrumpe, hace una pausa o cambia de rumbo.

GPT‑Live‑1 gestiona la escucha y el habla en un solo modelo, lo que simplifica la capa de voz. Puede responder a las interrupciones y respuestas de asentimiento a medida que ocurren, mientras delega razonamientos más profundos al backend. Esto permite que la conversación continúe mientras el trabajo se realiza en segundo plano.

Los desarrolladores eligen los modelos, las herramientas y el arnés de ejecución del agente que respaldan la conversación. Por ejemplo, pueden combinar GPT‑Live‑1 con un modelo como Luna para tareas de gran volumen, como agendar citas o actualizar pedidos, y usar un modelo como Astra para problemas complejos de clientes que requieren razonamiento. Esa flexibilidad permite a los desarrolladores adaptar a cada tarea la profundidad del razonamiento, la velocidad y el costo.

GPT‑Live‑1 proporciona de forma nativa transcripciones de ASR y el texto de las respuestas. También ofrece una sólida comprensión alfanumérica y permite priorizar palabras clave. Aunque GPT‑Live‑1 no es un modelo basado en turnos, admite de forma nativa la detección de turnos, por lo que los desarrolladores pueden seguir desarrollando en torno a límites de turno explícitos.

En nuestras evaluaciones, GPT‑Live‑1 mejora el rendimiento en Full Duplex Bench en 30 puntos porcentuales frente a GPT‑Realtime‑2.1, con grandes mejoras en la latencia en la alternancia de turnos y el comportamiento interactivo. Combinado con GPT‑6 Astra con un esfuerzo de razonamiento medio, también ocupa el puesto n.º 1 en Tau3, que mide la inteligencia de vanguardia de los agentes de voz en tareas de extremo a extremo.

Los desarrolladores necesitan voces que se adapten a su producto y suenen naturales para quienes lo usan. Con GPT‑Live‑1, pasamos de un pequeño conjunto de voces en tiempo real a una selección más amplia de acentos, dialectos e idiomas, para que los desarrolladores tengan más opciones sobre cómo suenan sus asistentes.

Seguiremos ampliando las opciones de voz y la disponibilidad de idiomas durante los próximos meses.

GPT‑Live‑1 ya está disponible hoy en la API⁠(se abre en una nueva ventana) a USD 0.05 por minuto para la capa de voz del frontend. Combínalo con el modelo de backend y la infraestructura de agentes que mejor se adapten a tu producto. Luego, crea una experiencia de voz que pueda escalar según el trabajo que deba realizar.

Para acceder a voces personalizadas, comunícate con el equipo de ventas y obtén más información sobre los requisitos y el proceso de solicitud.

Otra forma de crear flujos de trabajo de voz basados en GPT‑Live‑1 es con OpenAI Presence, que usa el modelo para impulsar interacciones de voz en tiempo real. Presence ayuda a las empresas a implementar agentes de IA confiables capaces de responder preguntas, resolver problemas, usar los sistemas de la empresa, ejecutar acciones aprobadas y derivar la conversación a una persona cuando sea necesario. Comunícate con tu director de cuenta de OpenAI para obtener más información.