OpenAI presento este viernes dos nuevos modelos conversacionales, llamados GPT-Live-1 y GPT-Live-1 mini, con la promesa de que suenan mas naturales y gestionan mejor los turnos de una conversacion. Son modelos full-duplex, es decir que hablan y escuchan a la vez, lo que habilita interrumpir al asistente sin cortar el hilo y funciones como la traduccion en vivo.
La empresa tambien reemplazara por defecto el actual Modo de Voz Avanzado de ChatGPT con GPT-Live-1 mini. Los usuarios de los planes de pago podran acceder al modelo mas grande, GPT-Live-1. El sistema anterior encadenaba tres piezas separadas: un modelo de voz a texto para transcribir, un modelo de lenguaje para generar la respuesta y un modelo de texto a voz para entregarla en audio.
¿Que resuelven los nuevos modelos de voz?
Segun OpenAI, los modelos anteriores fallaban en dos frentes: interrumpian al usuario mientras hablaba y no tenian suficiente capacidad de razonamiento para responder preguntas complejas. Para cubrir ese vacio, GPT-Live-1 deriva la consulta a los modelos de texto mas recientes de la compania, como GPT-5.5, para tareas de busqueda, razonamiento o acciones de agente, mientras mantiene la conversacion en curso.
La empresa mostro ademas que el modelo puede permanecer en silencio durante largos periodos y absorber el contexto de la charla hasta que se lo necesita. Como la nueva voz tiene acceso a los modelos GPT mas nuevos, tambien puede presentar informacion en formato visual. Otras startups como Monogram, que levanto 40 millones de dolares en una ronda semilla de DST y Lux Capital, tambien apuestan por respuestas visuales para volver a los asistentes mas interactivos.
Conversaciones largas y voz como interfaz
OpenAI diseno la nueva voz de ChatGPT para sostener conversaciones extensas. Durante la presentacion a la prensa, el lider de producto de ChatGPT Voice, Atty Eleti, conto que mantuvo charlas de 30 a 40 minutos con la funcion mientras salia a caminar.
La compania cree que la voz puede convertirse en la interfaz principal de la computacion para el trabajo complejo. Algunos reportes sugieren que podria lanzar un par de audifonos con capacidades de IA este ano, aunque OpenAI no entrego informacion sobre productos de hardware.
"Con el tiempo, creemos que esto tambien va a habilitar el uso de la voz como una especie de interfaz principal de la computacion, y para gestionar tareas de agente cada vez mas largas y complejas", dijo Eleti. "Los casos de uso increibles que vemos con Codex y ChatGPT creemos que la voz puede ser la interfaz del futuro para todo tipo de trabajo".
OpenAI viene reforzando sus funciones de voz durante los ultimos anos para que el modo de voz de ChatGPT suene mas natural. La empresa afirmo que mas de 150 millones de personas ya hablan con ChatGPT a traves de funciones como Voz y Dictado.
La competencia tambien busca voces mas expresivas
Los rivales tambien intentan volver mas expresivos a sus asistentes. Tanto Apple como Amazon actualizaron los suyos para que sean mas conversacionales y manejen mejor el contexto. Startups como Sesame, fundada por el cofundador de Oculus Brendan Iribe junto a Ankit Kumar, lanzaron asistentes de IA con conversacion mas natural que completan tareas en segundo plano.
OpenAI se mueve en la misma direccion, con el objetivo de que los usuarios hablen con su asistente sin usar las manos y durante mas tiempo. Pese a que asegura que la nueva voz suena mas natural, la compania recalco que no busca convertirla en un companero de IA. Aclaro que los modelos incorporan salvaguardas para dar respuestas apropiadas a la edad de los adolescentes y ofrecer recursos si la conversacion deriva hacia temas como la autolesion.
Todavia queda trabajo por hacer
El nuevo modo de voz aun necesita ajustes. Durante la demostracion, cuando la empresa mostro la traduccion en vivo al hindi, el asistente hablaba con un marcado acento estadounidense y un hindi poco natural, de tono algo libresco. OpenAI dijo que el nuevo modo esta optimizado para "la mayoria de los idiomas hablados", pero no especifico cuales.
Para el mercado hispanohablante, la calidad del acento sera decisiva: una voz que traduce en vivo pero arrastra un dejo extranjero pierde buena parte de su utilidad frente a interpretes humanos o soluciones locales.
