OpenAI presenta GPT‑Live
(openai.com)- Para hacer que ChatGPT Voice se acerque más a una conversación natural en tiempo real, OpenAI presentó GPT‑Live‑1 y GPT‑Live‑1 mini
- Con una arquitectura full-duplex, procesa escuchar y hablar al mismo tiempo, lo que permite respuestas breves de acompañamiento, intercambios rápidos y esperar mientras el usuario piensa
- Los enfoques de voz anteriores, en cascada y basados en turnos, tenían problemas de latencia, pérdida de información e interrupciones poco naturales; GPT‑Live busca reducir esas limitaciones con interacción continua
- Las búsquedas, el razonamiento y las tareas complejas se delegan en segundo plano a modelos más recientes como GPT‑5.5, mientras GPT‑Live mantiene la conversación en curso
- Se está desplegando en iOS, Android y ChatGPT.com; Go, Plus y Pro usarán GPT‑Live‑1, mientras que Free tendrá GPT‑Live‑1 mini como modelo predeterminado de ChatGPT Voice
Cómo GPT‑Live cambia la estructura de las conversaciones por voz
- GPT‑Live es una nueva generación de modelos de voz creada para hacer que las conversaciones de voz con IA se parezcan más a las conversaciones entre personas reales
- La clave es una arquitectura full-duplex que le permite escuchar y hablar al mismo tiempo durante la conversación
- Mientras el usuario habla, puede mostrar que está escuchando con respuestas cortas como “mhmm” o “yeah”
- Maneja conversaciones con intercambios rápidos
- Puede quedarse en silencio y esperar cuando el usuario necesita tiempo para pensar
- Esta arquitectura hace que ChatGPT Voice se sienta más natural y, a largo plazo, permitirá añadir voz a tareas más complejas y prolongadas de tipo agente
Límites del enfoque anterior de ChatGPT Voice
- Los sistemas de voz en cascada como las primeras versiones de ChatGPT Voice procesaban una intervención conectando varios modelos en secuencia
- original ChatGPT Voice encadenaba un modelo para convertir voz en texto, un gran modelo de lenguaje para generar la respuesta y otro modelo para convertir texto en voz
- Aunque permitía conversar por voz con modelos frontier de IA, podía perder información entre modelos y hacer que las respuestas fueran más lentas o rígidas
- Los modelos de voz basados en turnos como ChatGPT Advanced Voice Mode redujeron la latencia procesando y generando audio dentro de un solo modelo
- Aun así, siguen funcionando con una estructura por turnos en la que solo responden cuando el usuario deja de hablar
- Como la detección del turno se basa en silencios, pausas breves o ruido de fondo pueden interpretarse por error como el final del turno
- En esos casos, el modelo puede interrumpir en momentos poco naturales
Interacción continua y delegación de tareas
- GPT‑Live no procesa mensajes separados uno por uno, sino que sigue recibiendo entrada mientras genera salida
- El modelo toma varias veces por segundo decisiones de interacción
- si hablar
- si seguir escuchando
- si hacer una pausa breve
- si interrumpir
- si llamar herramientas
- Este enfoque permite intercambios más naturales, mejor sentido del tiempo y traducción en tiempo real
- El trabajo profundo se procesa por separado de GPT‑Live
- Las preguntas que requieren búsqueda, razonamiento o funciones más agentic pueden delegarse a otros modelos como GPT‑5.5
- Mientras múltiples tareas se procesan en segundo plano, GPT‑Live mantiene la conversación
- Es una arquitectura que combina interacción de voz natural con el uso de los modelos y agentes más recientes
Versiones del modelo y plan de despliegue
- OpenAI comenzó a desplegar de forma gradual dos versiones, GPT‑Live‑1 y GPT‑Live‑1 mini, para usuarios de ChatGPT en todo el mundo
- También se planea ofrecerlo vía API, y desarrolladores y empresas pueden registrarse para recibir avisos en este form
- En el lanzamiento, GPT‑Live usa GPT‑5.5 en segundo plano
- GPT‑Live‑1 instant y GPT‑Live‑1 mini usan el modelo GPT‑5.5 Instant
- GPT‑Live‑1 Medium y GPT‑Live‑1 High usan el modelo GPT‑5.5 Thinking con esfuerzo de razonamiento medium y high, respectivamente
- OpenAI planea seguir actualizando el modelo de fondo que usa GPT‑Live conforme aparezcan nuevos modelos frontier
Resultados de evaluación
- OpenAI creó una nueva evaluación humana para medir qué tan agradable y fluida es una conversación
- En conversaciones emparejadas de 5 a 10 minutos, GPT‑Live‑1 y GPT‑Live‑1 mini fueron claramente preferidos frente a Advanced Voice Mode
- preferencia general
- intercambio de turnos
- interrupciones
- fluidez de la conversación
- naturalidad de la interacción
- GPT‑Live‑1 mostró mejores resultados que Advanced Voice Mode en varios benchmarks
- GPQA: evalúa razonamiento científico a nivel experto en biología, química y física, y GPT‑Live‑1 obtuvo una ventaja amplia
- BrowseComp: evalúa búsqueda web agentic y la capacidad de encontrar información difícil de localizar, y GPT‑Live‑1 mostró una mejora importante
- τ³-Voice Telecom: una variante interna que evalúa agentes de voz en tareas realistas de soporte de telecomunicaciones con múltiples turnos, donde GPT‑Live‑1 rindió mejor
- La evaluación τ³-Voice Telecom usa un modelo de usuario personalizado impulsado por el modelo de razonamiento más reciente
Qué cambia en la experiencia de ChatGPT Voice
- Cada semana, más de 150 millones de personas hablan con ChatGPT usando funciones como Voice y Dictation
- Los usuarios usan la voz para ayuda cotidiana manos libres, practicar idiomas, cuentos para dormir y conversaciones durante el trayecto
- Al presionar el botón Voice, se aplicará una experiencia basada en GPT‑Live
- conversaciones más naturales
- respuestas más inteligentes
- mejor escucha
- respuestas visuales
- Los usuarios pueden interrumpir con una pregunta, hacer una pausa para ordenar sus ideas o pedirle a ChatGPT que hable más despacio
- ChatGPT puede indicar que sigue el hilo con respuestas como “mhmm” o “got it”
- Las 9 voces distintivas de ChatGPT fueron remasterizadas para GPT‑Live
- Los usuarios pueden elegir el nivel de razonamiento
- Instant: respuestas rápidas
- Medium y High: permiten que ChatGPT piense por más tiempo
- ChatGPT Voice puede esperar sin interrumpir cuando el usuario se queda pensando un momento
- Si el usuario le pide que se quede escuchando en silencio, puede hacerlo
- Incluso con ruido de fondo, como autos pasando o conversaciones cercanas, se concentra mejor en la voz del usuario
- Algunos temas, como clima, acciones y deportes, pueden mostrarse con tarjetas visuales enriquecidas durante la conversación
- Voice seguirá siendo compatible con búsqueda, memoria, imágenes y carga de archivos
Medidas de seguridad y monitoreo
- GPT‑Live se basa en las mejoras de seguridad de los modelos más recientes y añade entrenamiento de seguridad específico para voz y nuevas protecciones
- OpenAI amplió las evaluaciones basadas en audio para reflejar mejor el uso real de la voz
- A partir de lo aprendido con Advanced Voice Mode, también creó evaluaciones sintéticas usando audio generado
- autolesión
- psicosis y manía
- dependencia emocional de la IA
- violencia
- contenido sexual
- Expertos internos realizaron pruebas de red team enfocadas en riesgos específicos de la voz
- En las pruebas, GPT‑Live obtuvo resultados similares o mejores que Advanced Voice Mode en casi todas las áreas evaluadas
- Las pruebas detalladas y las protecciones pueden consultarse en la system card de GPT‑Live
- Como las conversaciones de voz ocurren en tiempo real, se añadieron protecciones que funcionan incluso mientras el modelo está hablando
- si detecta una salida potencialmente insegura, la redirige hacia una respuesta más segura
- puede mostrar mensajes o recursos de seguridad adicionales
- en situaciones de mayor riesgo, puede terminar la conversación por voz
- Para conversaciones relacionadas con autolesión, se adaptó a voz el flujo de apoyo de ChatGPT, incluido soporte de líneas de ayuda en crisis revisado por especialistas
- También se diseñaron protecciones adicionales para usuarios adolescentes
- se entrenó directamente al modelo con conductas apropiadas para la edad para reducir el riesgo de respuestas inadecuadas
- los padres pueden elegir en Parental Controls si el adolescente puede usar ChatGPT Voice
- los padres conectados pueden recibir alertas en situaciones de alto riesgo con posibles señales de autolesión o intención suicida
- También se realizan mediciones de largo plazo y monitoreo posterior al lanzamiento centrados en la dependencia emocional
- se basan en el estudio previo sobre affective use and emotional well-being
- se usarán para identificar nuevos patrones en interacciones emocionalmente sensibles y mejorar la forma de responder
- GPT‑Live es un modelo para conversar y no para suplantación de voz
- usa el conjunto predefinido de voces de ChatGPT
- incluye protecciones para impedir que imite la voz de una persona real
Alcance de disponibilidad y limitaciones actuales
- GPT‑Live se está desplegando para usuarios de ChatGPT de todo el mundo en iOS, Android y ChatGPT.com
- GPT‑Live‑1 será el modelo predeterminado de ChatGPT Voice para usuarios Go, Plus y Pro
- GPT‑Live‑1 mini será el modelo predeterminado para usuarios Free
- Más detalles sobre la disponibilidad pueden consultarse en el Help Center
- GPT‑Live está optimizado para algunos de los idiomas más usados en ChatGPT
- en algunos idiomas puede haber limitaciones con acentos no nativos o con la fluidez
- OpenAI está trabajando para mejorar la experiencia en varios idiomas
- En el lanzamiento, no admite video por voz ni compartir pantalla en ChatGPT
- OpenAI está trabajando para incorporar esas funciones pronto
- esas funciones seguirán disponibles en versiones anteriores de ChatGPT Voice, como Standard y Advanced Voice Mode
1 comentarios
Opiniones en Hacker News
Lo estuve probando por adelantado durante algunas semanas y está bastante bueno. Tuve una conversación de una hora mientras paseaba al perro, y también sirvió para hacer una lluvia de ideas bastante decente sobre uno de mis proyectos.
La mejor función es que puede delegar en GPT-5.5 preguntas en segundo plano, así que ya no estás atado a un modelo de voz que va años por detrás de la frontera.
También reporté un bug gracioso: se metía mientras yo todavía estaba hablando y se reía de cosas que no tenían intención de ser chistes. Por suerte parece que redujeron ese comportamiento; en ese momento se sentía algo grosero y condescendiente.
Tengo ganas de probarlo, pero espero que no sea un desastre inquietantemente sobreactuado como Sesame. Sospecho que la dirección que yo quiero difícilmente aumente mucho el engagement, así que probablemente sigan empujando hacia lo de la novia IA falsa.
Quería usar el modo de voz de ChatGPT para hacer lluvia de ideas durante el trayecto al trabajo o al hacer ejercicio, pero esa sensación de estar atrapado en el pasado hizo que lo usara menos.
Si haces una pregunta, responde algo como: “Qué pregunta interesante. Puedo ayudarte. ¿Quieres saber sobre X?”, y si vuelves a preguntar, solo devuelve el mismo tipo de no-respuesta.
Gemini en particular termina cada vez con una pregunta rara, y ni con prompts se puede evitar de forma confiable, así que terminé haciendo mi propio cliente para flujos de trabajo reales que solo hace STT → modelo → TTS. STT y TTS también son útiles por separado.
Puede haber algo de valor en que el modelo responda rápido y con más matices, pero no mucho. Puedo esperar a que termine la respuesta; prefiero que de verdad sea útil. No estoy buscando un amigo digital.
Gracias a la función de delegación, veo algo de valor en el modelo de voz para funciones de orquestación, pero no me gusta tener que hablar con un modelo con capacidades y quirks distintos solo porque cambió el medio de comunicación, y tampoco entiendo bien por qué a la gente le gusta.
Esto es exactamente lo contrario de la dirección en la que debería ir la IA. Las relaciones humanas son lo más valioso que tenemos, y la tecnología tiende naturalmente a intermediar entre ellas, y ahora a reemplazarlas.
No soy católico, pero en este podcast hay un argumento interesante contra tratar a la IA como interlocutor humano: https://newpolity.com/podcasts-hub/debate-chatbots
La gente lo llama ayudar a los humanos, pero yo lo veo como absorber de los humanos aquello que los hace humanos.
Después de que se produzca el daño, las megacorporaciones se encogerán de hombros y dirán: “Solo respondíamos a la competencia empresarial”. Los negocios no son humanos, así que no entienden la humanidad. Las empresas y las máquinas son entidades que ven a los humanos como alimento, y los humanos las crearon creyendo que eran progreso. Lo llamamos progreso porque requería capacidad intelectual y nos ayudó a dominar a otras especies, pero los delfines probablemente se estén riendo de nosotros.
Si hablamos de un modo de voz de IA que reemplaza la socialización o la conversación humana, a mí también me parece cringe y estoy totalmente de acuerdo. Eso aplica tanto en texto como en voz.
Pero si se trata de una interfaz alternativa para interactuar con la IA como herramienta, me parece una gran idea. Hubo momentos en los que estaba demasiado cansado para escribir, o quería hacer una lluvia de ideas de una forma más libre, y me habría encantado tener un modo de voz que funcionara bien.
Por supuesto, hoy la distinción entre usar la IA como una persona o como una herramienta recae puramente en el usuario. Yo quiero mucho lo segundo, y si alguien quiere usarla como lo primero, no es mi problema. Aun así, me da pena que esta función probablemente termine siendo evaluada más por lo regresiva y reduccionista que sea la forma en que la use la persona promedio que por sus ventajas como herramienta.
Una parte considerable de las interacciones humanas también ocurre por texto. Por ejemplo, este comentario.
Aunque también se puede argumentar que deberían hacerla más robótica. Como en Star Trek. Sinceramente, para el trabajo quizá eso sería mejor. Algo así como un “modo hacer las cosas”, frío y de pura eficiencia.
Lo que faltó en este anuncio es la capacidad de usar conectores y herramientas. No lo entiendo bien. Entre los asistentes de punta como Claude, ChatGPT, Gemini y Grok, no hay ninguno que pueda usar herramientas o conectores en modo de voz.
Parece demasiado obvio: quiero investigar material mientras converso, abrir documentos, dejar notas y hacer trabajo productivo. No quiero salir del modo de voz cada vez que necesito conectarme a una app o servicio.
Lo raro es que el modo de voz anterior de Claude sí podía usar herramientas, pero con el rediseño perdió esa capacidad y ahora quedó fijado a Haiku.
Me alegra que por fin haya un modo de voz basado en un modelo de punta, del que se puede esperar que sea tan bueno como la voz de Grok, pero decepciona que todavía no se vea uso de herramientas en el modo de voz.
Todavía no lo probé directamente; solo leí el anuncio.
La reacción de Sam fue: “Sí, no tiene acceso a herramientas como un temporizador. Es un problema conocido y llegará en aproximadamente un año”.
El clip está aquí: https://www.youtube.com/shorts/Py2YgJe8fqQ
Hay un lugar ajustado para poder probar el modelo gpt-realtime-2 incluso con uso de herramientas: https://sippet.ai/?enabler=hn
Eso sí, por el procesamiento multimodal tuve que depurar muchos eventos raros y condiciones de carrera entre mensajes y secuencias de audio. Aun así, en general es bastante excelente.
Más tarde hoy pienso migrar a este modelo y volveré a dejar los resultados.
De todos modos, siempre se puede vibe-codear uno con pi.
Como muchas funciones de IA, es genial y a la vez un poco inquietante. Nunca usé interfaces de voz como las de Siri, Google o las que vienen en la TV, así que probablemente no sea el usuario objetivo, pero sí parece una mejora.
La parte inquietante es que vivimos en una época en la que estamos más desconectados entre nosotros que nunca. ¿De verdad también hay que reemplazar la conversación? El video de demostración con mujeres mayores sugiere algo, y creo que ya existe un problema enorme con la forma en que la sociedad trata a los adultos mayores y con la soledad en la vejez. Imaginar a personas acercándose de verdad a una máquina que en realidad no piensa me provoca tristeza y una clara sensación de incomodidad.
Soy Atty de OpenAI.
GPT-Live-1 es la primera versión de una nueva generación de modelos, y creo que su arquitectura full-duplex y sus capacidades de delegación habilitan una forma completamente nueva de interacción humano-IA.
Me gustaría escuchar comentarios.
Me da curiosidad saber si dentro de 5 años, cuando escuches que adolescentes pasan el tiempo solo con sus chatbots, sentirás algún grado de responsabilidad personal, o ninguna.
Decirlo así puede dar a entender erróneamente que el cliente normal tampoco tiene esa función, así que es misleading.
Me enoja que al ver esto quizá vuelva a suscribirme a ChatGPT. Antes de los LLM no habría creído que terminaría usando tanto las funciones de voz, pero actualmente ChatGPT tiene la mejor interfaz de voz.
Creo que la interfaz de Grok viene después, y luego Claude.
Uno de mis casos de uso favoritos es conversar y aprender sobre temas aleatorios mientras manejo.
Está mucho mejor que antes, pero sigue siendo bastante más débil que el chat directo.
Por ejemplo, pregunté: “A menudo se dice que la magnitud de un vector no codifica la mayor parte de la información útil; entonces, ¿por qué la atención de los LLM debería usar producto punto en lugar de similitud coseno?”.
La respuesta por voz iba en la dirección correcta, pero le faltaban detalles y se sentía un poco evasiva.
La respuesta del chat de texto a la misma pregunta fue de mucha mayor calidad.
En la respuesta de voz dijo “déjame pensarlo…”, así que parece que invoca 5.5 como anunciaron, pero claramente es más débil.
En ambos casos usé la misma configuración de razonamiento.
Por eso, si hay mucho texto, es mejor mostrarlo en pantalla.
Esa conversación sería bastante incómoda.
Me pregunto si existe algún modelo full-duplex de código abierto publicado además de PersonaPlex. Creo que entre los modelos abiertos de China había uno con un nombre parecido a Fun Audio chat que decía que lanzaría una versión full-duplex, pero no sé si realmente lo hizo.
Mi sueño es un modelo full-duplex de código abierto con llamadas a funciones o una salida de texto muy básica. PersonaPlex sigue siendo interesante, pero parecía necesitar fine-tuning para manejar el procesamiento de salida o evitar que se descontrole fácilmente.
https://si.inc/posts/hertz-dev/
Solo es de 8.5B y no suena completamente conversacional.
Ahora hago todo por iMessage, pero estaría bueno poder decirle por voz que agregue cosas a la lista del súper cuando tengo las manos ocupadas en la cocina. También me vendrían bien consejos sobre qué micrófono y bocina elegir, y para el cerebro planeo reutilizar una Raspberry Pi que tengo por ahí.
Gemini live ya podía hacer esto desde hace más de un año. Si lo activas en el teléfono, de verdad funciona sorprendentemente bien, sobre todo al manejar interrupciones.
Lo probé con una abuela neerlandesa de 95 años: cambiaba fluidamente entre inglés y neerlandés, manejaba bien el hecho de que no oye muy bien y aceptaba bien las solicitudes de repetición.
Me sorprende un poco que OpenAI esté alcanzando esto recién ahora.
Si pones el teléfono en un trípode, puede guiarte paso a paso durante toda la reparación.
Lo especial de este modelo es que, mientras conversa, puede delegar tareas a un modelo de frontera.
El peor escenario es que la gente se acostumbre tanto a hablar con una IA que siempre está de acuerdo que pierda la capacidad de conversar con alguien que le presente puntos de vista distintos a los suyos o respuestas que no le acaricien el ego.