OpenAI ha dado un nuevo salto en la interacción por voz con el lanzamiento de GPT-Live, una familia de modelos de voz full-duplex que ya impulsa la experiencia ChatGPT Voice. La compañía también ha actualizado su API Realtime con los modelos gpt-realtime-2.1 y gpt-realtime-2.1-mini, diseñados para agentes de voz de baja latencia.

¿Qué es GPT-Live?

GPT-Live se basa en una arquitectura full-duplex: puede escuchar y hablar al mismo tiempo. Durante una conversación, intercala expresiones como «mhmm» o «sí», participa en intercambios rápidos o permanece en silencio mientras el usuario piensa. Cuando necesita búsqueda web o razonamiento profundo, GPT-Live delega la tarea a GPT-5.5 en segundo plano, manteniendo la conversación en curso.

Dos versiones iniciales

OpenAI ha lanzado GPT-Live-1 y GPT-Live-1 mini, ambas ya disponibles para usuarios de ChatGPT a nivel global. Las versiones Instant y mini utilizan GPT-5.5 Instant en segundo plano; las versiones Medium y High emplean GPT-5.5 Thinking con esfuerzo de razonamiento medio y alto.

Mejoras en la API Realtime

Junto a GPT-Live, OpenAI ha actualizado su API Realtime con los modelos gpt-realtime-2.1 y gpt-realtime-2.1-mini, enfocados en experiencias de voz y multimodales de baja latencia. La compañía logró una reducción de al menos un 25% en la latencia p95 en todos los modelos de voz Realtime gracias a mejoras en el sistema de caché.

El caché también reduce costes. Para gpt-realtime-2.1-mini, la entrada de audio en caché cuesta 0,30 $ por cada 1M de tokens, frente a los 10,00 $ por la misma cantidad de audio no cacheado. Las sesiones largas son las más beneficiadas, ya que el prompt del sistema se almacena en caché tras la primera interacción.

Razonamiento y herramientas en el mini

La gran novedad de gpt-realtime-2.1-mini es que incorpora razonamiento, antes ausente en el nivel mini. El modelo puede «pensar» internamente antes de hablar y admite el uso de herramientas (function calling) a través de la API Realtime. El esfuerzo de razonamiento es configurable: mínimo, bajo, medio, alto o muy alto. OpenAI recomienda comenzar con el nivel bajo para la mayoría de los agentes de voz en producción.

Precios destacados

El modelo mini mantiene los precios del anterior gpt-realtime-mini, pero ahora añade razonamiento. La salida de audio en el mini cuesta 20,00 $ por cada 1M de tokens, mientras que gpt-realtime-2.1 cobra 64,00 $ por el mismo concepto, una diferencia de aproximadamente 3x. La entrada de audio en caché para el mini baja a 0,30 $ por 1M, frente a los 10,00 $ del audio no cacheado.

Evaluaciones y preferencias

OpenAI ha desarrollado nuevas evaluaciones humanas para medir la agradabilidad y el flujo conversacional. En pruebas cara a cara, GPT-Live-1 y GPT-Live-1 mini fueron claramente preferidos sobre Advanced Voice Mode. En benchmarks automatizados, GPT-Live-1 mostró mejoras sustanciales sobre Advanced Voice Mode en razonamiento científico de nivel experto (GPQA) y en búsqueda web agentiva (BrowseComp).

Disponibilidad

GPT-Live-1 y GPT-Live-1 mini ya se despliegan para los usuarios de ChatGPT a nivel global. La API de GPT-Live está prevista para un futuro próximo, pero aún no está disponible. Más de 150 millones de personas usan ChatGPT Voice y Dictation cada semana, y al pulsar el botón de Voz ahora acceden a la experiencia GPT-Live. La compañía ha remasterizado las nueve voces distintas para GPT-Live y los usuarios pueden elegir un nivel de razonamiento: Instant, Medium o High.