OpenAI ha empezado a desplegar GPT-Live, una nueva generación de modelos de voz que cambia la manera en que ChatGPT escucha, responde y coordina tareas mientras el usuario habla. La novedad llega a ChatGPT Voz con dos versiones, GPT-Live-1 y GPT-Live-1 mini , y sitúa la interacción oral en un terreno más cercano a una conversación continua que a un intercambio de órdenes.
El despliegue ya está en marcha para usuarios de ChatGPT en iOS, Android y ChatGPT.com. GPT-Live-1 pasa a impulsar la experiencia de voz en los planes Go, Plus y Pro, mientras que GPT-Live-1 mini queda como opción predeterminada para usuarios de Free. En los ajustes de ChatGPT, la nueva experiencia aparece como «Live».
GPT-Live cambia el turno por interacción continua
La principal diferencia técnica de GPT-Live está en su arquitectura «full-duplex». En lugar de esperar a que el usuario termine de hablar para empezar a procesar una respuesta, el sistema puede escuchar y hablar al mismo tiempo. Ese matiz altera el ritmo de la interacción: permite asentir con expresiones breves, guardar silencio cuando detecta una pausa deliberada, responder a una interrupción o seguir escuchando si el usuario necesita ordenar una idea.
Hasta ahora, los sistemas de voz con IA se habían apoyado en dos aproximaciones dominantes. La primera era el modelo en cascada, donde un sistema transcribe la voz a texto, otro genera la respuesta y un tercero vuelve a convertirla en audio. El esquema abrió la puerta a hablar con modelos avanzados, aunque introducía latencia y pérdidas de información entre componentes. La segunda vía integraba entrada y salida de audio en un único modelo, pero seguía dependiendo de turnos discretos. Una pausa breve o ruido de fondo podían interpretarse como final del turno.
GPT-Live intenta corregir esa rigidez con decisiones de interacción muchas veces por segundo. El modelo no procesa una sucesión de mensajes cerrados, sino una señal continua. Puede interrumpir, esperar, responder o activar herramientas según la evolución de la conversación. Para un usuario, el cambio se percibe como fluidez. En un entorno empresarial, el impacto puede estar en tareas como soporte al cliente, asistencia a técnicos de campo, formación interna o traducción en directo, donde el coste de una interrupción mal calculada no siempre es menor.
GPT-Live separa la conversación del trabajo complejo
El segundo cambio relevante es la separación entre interacción y razonamiento profundo. GPT-Live gestiona el flujo oral, pero cuando una consulta requiere búsqueda web, razonamiento más largo o ejecución de tareas más complejas, puede delegar en otro modelo y devolver el resultado cuando dispone de suficiente información. En el lanzamiento, esa capa de apoyo es GPT-5.5, con la posibilidad de que OpenAI actualice el modelo subyacente a medida que introduzca nuevas generaciones.
La arquitectura apunta a una tensión conocida en productos de IA: los usuarios esperan respuestas inmediatas, pero las tareas valiosas suelen necesitar más tiempo, más contexto y llamadas a herramientas. GPT-Live intenta mantener la conversación mientras ese trabajo ocurre en segundo plano. No elimina la espera, aunque la redistribuye. El usuario puede seguir hablando, matizar la petición o cambiar de prioridad sin que la sesión quede suspendida en un silencio artificial.
Esta separación también tiene lectura para desarrolladores. OpenAI prevé llevar GPT-Live a la API, aunque en el lanzamiento la disponibilidad se concentra en ChatGPT. Para proveedores de software empresarial, contact centers o plataformas de productividad, la promesa está en una voz que no solo responde, también puede coordinar tareas mientras sostiene una interacción natural. La ejecución dependerá de límites, costes, latencia real y controles de seguridad, variables que suelen decidir la adopción en empresas más que la demostración técnica inicial.
Evaluaciones, seguridad y límites de la voz
OpenAI afirma haber creado nuevas evaluaciones humanas para medir agrado y flujo conversacional. En comparaciones directas de conversaciones equivalentes de entre 5 y 10 minutos, la compañía asegura que GPT-Live-1 y GPT-Live-1 mini fueron preferidos frente al modo de voz avanzado en toma de turnos, interrupciones, fluidez y naturalidad. También señala mejoras en GPQA, BrowseComp y τ³-Voice Telecom, pruebas asociadas a razonamiento científico, búsqueda web agéntica y atención al cliente en telecomunicaciones.
Conviene leer esos resultados con prudencia. Las métricas presentadas proceden de la propia compañía y no sustituyen a pruebas independientes en entornos reales, con acentos regionales, ruido de oficina, usuarios impacientes o procesos empresariales conectados a sistemas internos. Aun así, el tipo de evaluación elegido revela la dirección del producto: OpenAI no mide solo si el modelo sabe responder, sino si sabe convivir con las fricciones de una conversación hablada.
La seguridad ocupa un espacio central en el lanzamiento. La tarjeta de sistema de GPT-Live describe evaluaciones nativas de audio, pruebas sintéticas con audio generado y ejercicios de red team centrados en riesgos específicos de la voz. Entre las áreas examinadas figuran autolesiones, psicosis y manía, dependencia emocional de la IA, violencia y contenido sexual. La compañía también ha incorporado medidas que pueden actuar mientras el modelo habla: reconducir una respuesta, mostrar recursos de seguridad o finalizar una conversación en casos de mayor riesgo.
Esa capacidad de intervención en tiempo real será especialmente relevante si la voz se integra en usos sensibles. Una respuesta escrita puede revisarse antes de enviarse; una conversación oral avanza con menor margen de corrección. OpenAI añade protecciones específicas para adolescentes, controles parentales y avisos en situaciones de riesgo relacionadas con posibles autolesiones o intención suicida. La compañía subraya además que GPT-Live está diseñado para usar voces predefinidas, no para imitar la voz de personas reales.
GPT-Live llega con ambición, pero no sin restricciones
La nueva experiencia de ChatGPT Voz incluye respuestas visuales en forma de tarjetas para temas como tiempo, bolsa o deportes, además de compatibilidad con búsqueda, memoria, imágenes y subida de archivos. OpenAI también indica que más de 150 millones de personas usan cada semana funciones de voz o dictado en ChatGPT, una escala que convierte cualquier ajuste en la interfaz oral en un cambio de comportamiento potencialmente masivo.
El lanzamiento, pese a esa escala, mantiene limitaciones. GPT-Live no admite inicialmente voz con vídeo ni compartir pantalla en ChatGPT. La documentación de ayuda añade que Live no está disponible de entrada en chats temporales, la aplicación de escritorio, Work, Codex ni GPTs personalizados, y que tampoco admite inicialmente conectores, aplicaciones conectadas o plugins. En algunos idiomas, el modelo puede mostrar acento no nativo o menor fluidez.
Para las empresas españolas, el punto crítico será menos la novedad conversacional que su encaje en procesos gobernados, medibles y auditables. La voz reduce fricción, pero también desplaza parte de la interacción a un formato más difícil de supervisar que el texto. Si GPT-Live consolida una experiencia oral capaz de escuchar, esperar, delegar y retomar una conversación sin romper el hilo, el siguiente debate estará en la integración: qué tareas se dejan a una voz de IA, qué decisiones exigen trazabilidad escrita y cómo se mide la calidad cuando el canal principal ya no es una pantalla.
