OpenAI GPT-Vivo-1 en línea mundial, la comunicación de voz bidireccional reemplaza al Modo de Voz Avanzado

OpenAI lanzó oficialmente el 9 de julio los modelos de voz de doble vía completa GPT-Live-1 y GPT-Live-1 mini, disponibles desde hoy en iOS, Android y ChatGPT.com a nivel mundial, reemplazando el antiguo Modo de Voz Avanzado.

Especificaciones de lanzamiento de GPT-Live-1 y GPT-Live-1 mini: usuarios de pago, usuarios gratuitos y programación de API

Según el anuncio de OpenAI, los dos modelos de GPT-Live tienen el siguiente alcance: GPT-Live-1 es el modelo de voz predeterminado para usuarios con planes de pago Go, Plus y Pro; GPT-Live-1 mini para usuarios gratuitos; en cuanto a API, los desarrolladores actualmente están en lista de espera y aún no está disponible.

Ambos modelos están disponibles de inmediato en iOS, Android y ChatGPT.com a nivel mundial, representando la tercera revisión en dos años de la tecnología de voz de ChatGPT y la declaración de posicionamiento más clara de OpenAI: la voz será la interfaz principal para la interacción entre humanos y IA, y no una función adicional del chatbot de texto.

Principios del esquema de doble vía: problemas de silencio en la versión anterior Modo de Voz Avanzado y la solución de GPT-Live

Según la explicación en el blog de investigación de OpenAI, el problema central del Modo de Voz Avanzado era depender de la detección de silencio para determinar los turnos — pausas breves o ruido de fondo podían ser interpretadas erróneamente como que el usuario había terminado, provocando que el modelo interrumpiera en momentos poco naturales; este "turno en bucle" hacía que solo una persona hablara a la vez, resultando en una experiencia poco natural.

GPT-Live utiliza un esquema de doble vía completa, donde el modelo procesa continuamente la entrada y genera salida simultáneamente, permitiendo múltiples decisiones de interacción por segundo, como cuándo hablar, seguir escuchando, pausar, interrumpir o llamar a herramientas, acercando la conversación a un modo de interacción humana real.

Diseño de separación entre capa de voz y capa de razonamiento: delegación a GPT-5.5, niveles de razonamiento en tres etapas y funciones nuevas

El diseño clave de GPT-Live es la modularidad entre la "capa de interacción de voz" y la "capa de razonamiento": problemas simples son manejados directamente por GPT-Live; problemas complejos (como consultar internet, razonamiento profundo o tareas en múltiples pasos) son delegados a GPT-5.5 en segundo plano, permitiendo que la conversación continúe sin pausas de varios segundos en la línea de proceso anterior.

Las ventajas de este diseño modular incluyen la actualización de la inteligencia de razonamiento sin necesidad de reentrenar el modelo de voz. Empresas y desarrolladores pueden integrar agentes de voz con bases de datos, búsquedas y tareas en múltiples pasos. Las funciones lanzadas junto con la nueva versión incluyen:

• Tres niveles de razonamiento: Instantáneo, Medio y Alto, permitiendo a los usuarios elegir el equilibrio entre velocidad y profundidad.
• Tarjetas visuales en tiempo real: información como clima, cotizaciones, resultados deportivos y mapas aparecen automáticamente durante el diálogo.
• Nueve voces diferentes para la conversación: con énfasis en "diseñadas para diálogo, no en imitación de voces", además de mecanismos para prevenir la simulación de voces humanas.

Preguntas frecuentes

¿Cuál es la diferencia entre GPT-Live-1 y GPT-Live-1 mini en sus planes de uso?

Según el anuncio de OpenAI, GPT-Live-1 es el modelo de voz predeterminado para usuarios con planes de pago Go, Plus y Pro; GPT-Live-1 mini para usuarios gratuitos; y la API está en lista de espera para desarrolladores. Ambos modelos están disponibles de inmediato en iOS, Android y ChatGPT.com a nivel mundial.

¿Cómo maneja GPT-Live problemas complejos y en qué difiere del Modo de Voz Avanzado anterior?

De acuerdo con la explicación de OpenAI, GPT-Live adopta una arquitectura modular con separación entre la capa de voz y la de razonamiento; las tareas complejas se delegan a GPT-5.5 en segundo plano, y la capa de voz mantiene una conversación continua durante el procesamiento, sin pausas de varios segundos como en la versión anterior. El Modo de Voz Avanzado dependía de la detección de silencio, que podía interpretar erróneamente los momentos de interrupción, mientras que GPT-Live funciona en esquema de doble vía completa, procesando entrada y generando salida simultáneamente.

¿Por qué el nuevo diseño de voces de GPT-Live enfatiza "la prevención de la imitación de voces humanas"?

Según informes, este diseño está relacionado con el incidente de la voz "Sky" en mayo de 2024, cuando se afirmó que la voz sonaba muy similar a la actriz Scarlett Johansson, quien rechazó la invitación de Sam Altman para la narración y posteriormente expresó su sorpresa y enojo; OpenAI retiró esa voz y se disculpó. Las nueve nuevas voces enfatizan que "están diseñadas para diálogo, no para imitar voces humanas", e incorporan mecanismos técnicos para prevenir la simulación de voces humanas.