OpenAI el miércoles lanzó GPT-Live, una nueva familia de modelos de voz capaces de escuchar y hablar al mismo tiempo.
La compañía dijo que está lanzando dos versiones: GPT-Live-1 y GPT-Live-1 mini, a usuarios a nivel mundial. GPT-Live-1 mini reemplazará el Modo de Voz Avanzado actual en ChatGPT por defecto, mientras que los usuarios de niveles de pago tendrán acceso al modelo GPT-Live-1 más grande, dijo la compañía.
A diferencia de los sistemas de voz tradicionales, los nuevos modelos operan en modo dúplex completo, manejando la entrada y salida de voz al mismo tiempo, lo que abre la puerta a interrupciones naturales y capacidades como la traducción en vivo, informó TechCrunch. El procesamiento de audio en el sistema antiguo funcionaba como un relevo: las palabras habladas se transcribían primero, luego se alimentaban a un modelo de lenguaje y luego se convertían nuevamente en habla antes de llegar al usuario.
En una conferencia de prensa, OpenAI describió las deficiencias en el sistema anterior que los nuevos modelos están destinados a solucionar, señalando casos donde el asistente interrumpía a los usuarios y no cumplía con las respuestas a preguntas. Cuando una consulta requiere búsqueda, razonamiento o capacidades agenciales, el sistema la entrega a un modelo de texto como GPT-5.5 en el fondo sin pausar la interacción de voz, dijo la compañía.
El nuevo modo de voz también está diseñado para conversaciones más largas. El líder del producto de voz de ChatGPT, Atty Eleti, dijo durante una conferencia de prensa que había mantenido conversaciones de 30 a 40 minutos con la función durante caminatas.
Las demostraciones también destacaron la capacidad del modelo para contenerse y escuchar en silencio lo que se dice hasta que se necesita. Debido a que el modo de voz se basa en modelos GPT más nuevos, puede presentar ciertas respuestas visualmente en lugar de solo a través del habla.
La empresa dijo que más de 150 millones de personas usan ChatGPT a través de características de voz como Voz y Dictado. OpenAI dijo que ve la voz como una posible interfaz principal para trabajos de computación complejos.
"Con el tiempo, creemos que esto también desbloqueará la capacidad de usar la voz como una especie de interfaz principal para la computación, y para gestionar trabajos agénticos de larga duración cada vez más complejos," dijo Eleti.
OpenAI dijo que los modelos incluyen características de seguridad, como barandillas que cambian las respuestas para usuarios más jóvenes y sugieren recursos de apoyo si se mencionan temas sensibles como el autolesionamiento. La empresa también dijo que no está presentando el nuevo modo de voz como un compañero de IA.
A principios de este año en mayo, la compañía lanzó un trío de modelos de audio dirigidos a desarrolladores que construyen aplicaciones impulsadas por voz, con un enfoque en hacer que esos agentes suenen más naturales en la conversación, Reuters informó.