OpenAI ha presentado GPT-Live, una nueva generación de modelos de voz diseñada para hacer que la interacción con la IA se parezca más a una conversación real.
La idea central del lanzamiento es clara: mejorar la experiencia de ChatGPT Voz mediante una arquitectura capaz de escuchar y hablar al mismo tiempo, mantener el ritmo de la conversación y delegar tareas más complejas en modelos de mayor capacidad cuando sea necesario.
GPT-Live empieza a desplegarse en dos versiones, GPT-Live-1 y GPT-Live-1 mini, para usuarios de ChatGPT de todo el mundo. OpenAI también prevé llevar estos modelos próximamente a la API.
Qué es GPT-Live
GPT-Live es una nueva generación de modelos de voz orientada a la interacción natural entre humanos e IA.
Según OpenAI, el modelo está basado en una arquitectura full-duplex. Esto significa que puede escuchar y hablar al mismo tiempo, en lugar de limitarse a esperar a que una persona termine de hablar para responder.
Esta capacidad permite que GPT-Live pueda:
- mostrar que está prestando atención con expresiones como “ajá” o “claro”;
- participar en intercambios rápidos;
- guardar silencio cuando el usuario necesita pensar;
- mantener una conversación con un ritmo más cercano al humano.
Por qué OpenAI cambia el enfoque de la voz
OpenAI sitúa GPT-Live dentro de una visión más amplia: permitir una interacción entre humanos e IA más fluida, receptiva y natural.
Para explicar el cambio, el artículo distingue entre tres enfoques: los sistemas de voz en cascada, los modelos de voz por turnos y el nuevo enfoque de GPT-Live.
Las limitaciones de los sistemas de voz anteriores
Sistemas de voz en cascada
Los sistemas de voz en cascada funcionan mediante varios modelos encadenados. En el caso del ChatGPT Voz original, el proceso incluía tres pasos:
- un modelo de voz a texto para transcribir lo que decía el usuario;
- un modelo de lenguaje para generar la respuesta;
- un modelo de texto a voz para convertir esa respuesta en habla.
Este enfoque permitió hablar por primera vez con modelos avanzados de IA, pero también introducía costes en la experiencia. Según OpenAI, podía perderse información entre modelos y las respuestas podían resultar lentas y poco naturales.
Modelos de voz por turnos
Los modelos de voz por turnos mejoraron la fluidez al procesar y generar audio dentro de un único modelo. Sin embargo, seguían dependiendo de turnos discretos.
Esto implicaba que el modelo tenía que esperar a que el usuario dejara de hablar antes de responder. Además, como la detección de turnos se basaba en el silencio, una pausa breve o el ruido de fondo podían interpretarse como el final del turno.
El resultado era una conversación más fluida que en los sistemas anteriores, pero todavía rígida en determinados intercambios.
El nuevo enfoque: interacción continua y delegación
GPT-Live aborda esas limitaciones con dos cambios principales en la arquitectura.
Interacción continua
El primer cambio es la interacción continua mediante una arquitectura full-duplex.
En lugar de procesar una secuencia de mensajes separados, GPT-Live procesa la entrada de forma continua mientras genera la salida. Esto permite al modelo tomar decisiones de interacción muchas veces por segundo.
Entre esas decisiones están:
- hablar;
- seguir escuchando;
- hacer una pausa;
- interrumpir;
- invocar una herramienta.
OpenAI señala que este enfoque permite intercambios más naturales, una mejor noción del tiempo e incluso traducción en directo.
Delegación para tareas más profundas
El segundo cambio consiste en separar la gestión de la interacción continua del trabajo más complejo.
Cuando una pregunta requiere búsqueda, razonamiento o capacidades más agénticas, GPT-Live puede delegar la tarea en otro modelo, como GPT-5.5. Mientras tanto, puede seguir manteniendo la conversación con el usuario.
Esta arquitectura también permite que GPT-Live utilice de forma continua los modelos y agentes más recientes, combinando interacción natural con capacidades avanzadas en segundo plano.
Evaluaciones de GPT-Live
OpenAI afirma haber creado nuevas evaluaciones humanas para medir el agrado y el flujo de la conversación.
En comparaciones directas, GPT-Live-1 y GPT-Live-1 mini fueron preferidos frente al modo de voz avanzado en conversaciones equivalentes de 5 a 10 minutos. Las evaluaciones midieron aspectos como:
- preferencia general;
- toma de turnos;
- interrupciones;
- fluidez de la conversación;
- naturalidad de la interacción.
El artículo también menciona tres evaluaciones específicas:
- GPQA: GPT-Live-1 supera ampliamente al modo de voz avanzado en esta evaluación de razonamiento científico experto en biología, química y física.
- BrowseComp: GPT-Live-1 muestra grandes mejoras frente al modo de voz avanzado en búsqueda web agéntica y localización de información difícil de encontrar.
- τ³-Voice Telecom: GPT-Live-1 supera al modo de voz avanzado en tareas realistas y de varios turnos relacionadas con atención al cliente en telecomunicaciones.
OpenAI también indica que GPT-Live-1 Instant y GPT-Live-1 mini usan GPT-5.5 Instant en segundo plano, mientras que GPT-Live-1 Medium y GPT-Live-1 High usan GPT-5.5 Thinking con niveles medio y alto de esfuerzo de razonamiento.
Cómo cambia ChatGPT Voz con GPT-Live
OpenAI afirma que cada semana más de 150 millones de personas hablan con ChatGPT mediante funciones como Voz y Dictado.
Con GPT-Live, la experiencia de ChatGPT Voz se actualiza en cuatro ámbitos principales.
Conversaciones más naturales
ChatGPT Voz debería parecer más una conversación real. El usuario puede interrumpir con una pregunta, hacer una pausa para ordenar sus ideas o pedir a ChatGPT que vaya más despacio.
GPT-Live también permite que ChatGPT reconozca de forma natural lo que dice la persona con expresiones como “ajá” o “vale”. Además, OpenAI ha remasterizado las nueve voces diferenciadas de ChatGPT para GPT-Live.
Respuestas más inteligentes
ChatGPT Voz puede aprovechar los modelos de vanguardia más recientes de OpenAI para ofrecer respuestas más inteligentes cuando sea necesario.
El usuario también puede elegir el nivel de razonamiento que se ajuste a sus necesidades:
- Instant, para respuestas rápidas;
- Media y Alta, cuando se quiere que ChatGPT dedique más tiempo a pensar.
Mejor escucha
OpenAI señala que ChatGPT Voz ahora espera cuando el usuario necesita un momento para pensar, en lugar de adelantarse e interrumpir.
También puede guardar silencio si se le pide que escuche. En entornos con ruido de fondo, como tráfico o conversaciones cercanas, ChatGPT se centra mejor en la voz del usuario.
Respuestas visuales
Algunas respuestas pueden ser más útiles cuando se muestran visualmente. Mientras el usuario habla, ChatGPT puede presentar tarjetas visuales enriquecidas sobre temas como el tiempo, la bolsa o los deportes.
OpenAI indica que Voz sigue siendo compatible con búsqueda, memoria, imágenes y subida de archivos.
Seguridad diseñada para conversaciones de voz
OpenAI afirma que GPT-Live ha sido diseñado para ser seguro por defecto.
El modelo se basa en avances de seguridad de modelos recientes y añade entrenamiento específico en áreas de riesgo clave, además de nuevas protecciones pensadas para el formato de voz.
Pruebas de seguridad ampliadas
Para reflejar mejor el uso real de la voz, OpenAI amplió sus pruebas de seguridad con nuevas evaluaciones nativas de audio.
También creó evaluaciones sintéticas con audio generado para analizar áreas clave de seguridad, entre ellas: autolesiones; psicosis y manía; dependencia emocional de la IA; violencia; y contenido sexual.
Expertos internos también sometieron el modelo a pruebas de red team para identificar riesgos específicos de la voz.
Según OpenAI, GPT-Live rindió de forma comparable o mejor que el modo de voz avanzado en casi todas las áreas evaluadas.
Medidas de protección integradas
Como las conversaciones de voz ocurren en tiempo real, OpenAI incorporó medidas de protección que pueden actuar mientras el modelo habla.
Cuando el sistema detecta una salida potencialmente poco segura, puede:
- orientar el modelo hacia una respuesta más segura;
- mostrar mensajes o recursos de seguridad adicionales;
- finalizar la conversación de voz en casos de mayor riesgo.
Para conversaciones sobre autolesiones, OpenAI ha adaptado los flujos de apoyo de ChatGPT al formato de voz, incluyendo la posibilidad de ofrecer ayuda mediante servicios telefónicos de crisis supervisados por expertos.
También se han diseñado protecciones adicionales para usuarios adolescentes, con comportamientos adecuados a la edad entrenados directamente en el modelo. Los padres pueden decidir si sus hijos adolescentes pueden usar ChatGPT Voz mediante Controles parentales, y los padres vinculados pueden recibir avisos en situaciones de mayor riesgo con indicios de posibles autolesiones o intención suicida.
Aprendizaje tras el lanzamiento
OpenAI también está implementando mediciones a más largo plazo y supervisión posterior al lanzamiento centradas en la dependencia emocional.
El objetivo es identificar patrones emergentes y mejorar cómo responde el sistema en interacciones con un alto componente emocional.
Además, OpenAI señala que GPT-Live está diseñado para conversar, no para suplantar voces. El sistema usa un conjunto de voces predefinidas en ChatGPT y cuenta con medidas de protección para impedir que imite la voz de una persona real.
Disponibilidad y limitaciones de GPT-Live
GPT-Live ya se está desplegando para usuarios de ChatGPT de todo el mundo en iOS, Android y ChatGPT.com.
OpenAI indica que GPT-Live-1 será el modelo predeterminado de ChatGPT Voz para usuarios de Go, Plus y Pro; y GPT-Live-1 mini será el modelo predeterminado para usuarios de Free.
El modelo se ha optimizado para algunos de los idiomas más populares en ChatGPT. En determinados idiomas, puede tener un acento no nativo o una fluidez no perfecta. OpenAI afirma que está trabajando para mejorar la experiencia en todos los idiomas.
En el momento del lanzamiento, GPT-Live no admite voz con vídeo ni compartir pantalla en ChatGPT. OpenAI señala que está trabajando para incorporar pronto estas capacidades.
Mientras tanto, siguen disponibles versiones anteriores de ChatGPT Voz, incluidos los modos de voz estándar y avanzado, donde esas funciones sí están disponibles.
Fuente
Fuente OpenAI, “Presentamos GPT-Live”, OpenAI, 8 de julio de 2026.