GPT-Live-1 llega a la API y escucha mientras habla
Publicación original: · Sergey Zhadov
Este es un artículo de archivo traducido. La fecha y los precios se refieren a la publicación original, no a un anuncio nuevo de hoy.
OpenAI ha lanzado GPT-Live-1 en la API. El modelo puede escuchar y hablar al mismo tiempo, manejar mejor interrupciones, silencios y ruido de fondo, y mantener una conversación menos acartonada que la de un bot telefónico básico.
Por qué importa hablar sin turnos rígidos
Un agente de voz tradicional suele encadenar reconocimiento del habla, modelo de texto y síntesis de voz. Cada salto añade retraso y otra oportunidad de perder el ritmo o el contexto. GPT-Live-1 procesa a la vez el audio entrante y saliente, así que puede reaccionar cuando alguien interrumpe, duda o cambia de idea a mitad de frase.
Eso no garantiza una llamada perfecta. Sí ofrece una base más firme: el modelo está diseñado para manejar silencios, confirmaciones cortas y voces de fondo sin soltar tonterías encima del usuario. Para soporte, reservas y formularios de voz es una mejora real, no simple purpurina de IA.
La voz sigue rápida mientras el sistema de fondo trabaja
La capa de voz puede mantener la charla mientras un modelo de fondo consulta un pedido, analiza una reclamación o usa una herramienta. Los desarrolladores eligen el modelo y el sistema de agentes que hay detrás. Una petición sencilla de estado no necesita la misma ruta cara que un problema complicado.
Aquí también es fácil meter la pata hasta el fondo. Si cada minucia termina en el modelo más caro, llega una voz natural acompañada por una factura salvaje. Una arquitectura sensata clasifica tareas, limita herramientas y reserva la potencia grande para los casos que de verdad la necesitan.
Las primeras cifras pintan bien, pero hay que probarlas
OpenAI afirma que GPT-Live-1 mejora 30 puntos porcentuales frente a GPT-Realtime-2.1 en Full Duplex Bench. Un cliente inicial también informó de casi un 80 por ciento menos de interrupciones cuando los estudiantes paraban a pensar. Son cifras interesantes, aunque proceden del fabricante y sus socios.
Prueba con tus micrófonos, acentos, salas ruidosas, conexiones malas y clientes impacientes. Un gráfico bonito no descubre cada caso puñetero. Unos cientos de conversaciones reales enseñan rápido dónde todavía fallan el cambio de turno, la transcripción o el uso de herramientas.
Cuánto cuesta y qué medir antes del lanzamiento
La capa de voz frontal está disponible en la API por 0,05 dólares por minuto. Los modelos de razonamiento, las herramientas, el alojamiento y el servicio telefónico suman sus propios costes. Multiplicar minutos por un único precio y llamarlo presupuesto es una cuenta bastante chapucera.
Antes de producción mide la latencia, las interrupciones resueltas correctamente, el coste por contacto solucionado y los traspasos a una persona. La conclusión es sencilla: GPT-Live-1 puede hacer que los agentes suenen menos robóticos, pero no arregla un flujo malo. Sin rutas, límites y revisión, el desastre solo aprende a hablar bonito.
Traducción revisada:
