OpenAI abarata las llamadas de voz con IA cuando nadie habla

Su nuevo modelo GPT-Live-1.1 cobra 0,02 dólares por minuto en los momentos de silencio, frente a 0,05 cuando la conversación está activa. OpenAI asegura además que mejora los acentos y la precisión al hablar.

OpenAI abarata las llamadas de voz con IA cuando nadie habla

OpenAI ha puesto a disposición de los desarrolladores GPT-Live-1.1, una nueva versión de su modelo de voz, disponible en su API con el identificador gpt-live-1.1. La principal novedad para las empresas que montan asistentes telefónicos o de voz es un nuevo modo de espera que reduce lo que cuesta mantener una llamada abierta sin que nadie hable.

GPT-Live-1.1 es un modelo que escucha y habla a la vez, algo que los especialistas llaman «full-duplex». En la práctica, puede seguir escuchando mientras responde, como hacemos las personas en una conversación. Está pensado para conversaciones en varios idiomas. OpenAI afirma que sus acentos son más naturales y coherentes entre lenguas, y que completa las tareas con más fiabilidad que su predecesor, GPT-Live-1, lanzado en la API el 10 de septiembre.

Cómo funciona por dentro

Hasta ahora, un asistente de voz típico encadenaba varias piezas: un sistema que convierte la voz en texto, un modelo de lenguaje que piensa la respuesta y otro que la vuelve a convertir en voz. La familia GPT-Live sustituye esa cadena por un único modelo que procesa el audio de entrada y de salida a la vez. Según OpenAI, también gestiona por sí mismo cuándo le toca hablar al usuario y devuelve la transcripción de lo que se ha dicho.

Cuando la tarea se complica, el modelo de voz puede delegar el razonamiento y las llamadas a herramientas en un modelo de texto de respaldo. OpenAI menciona GPT-6 Astra para los problemas complejos y Luna para las tareas de mucho volumen. También admite modelos de otras empresas como respaldo.

La guía de conversaciones en directo permite elegir entre dos modos de delegación. En el modo «responses», la delegación usa modelos de OpenAI. En el modo «client», el desarrollador conecta su propio sistema. Las instrucciones pueden ocupar hasta 16.384 tokens, una unidad con la que se mide el texto que procesa el modelo.

Qué cambia respecto a GPT-Live-1

OpenAI destaca cuatro mejoras: acentos más naturales y consistentes entre idiomas, una transcripción de la voz más precisa, un manejo más fino de los detalles concretos como letras y números, y un seguimiento de instrucciones y de tareas más fiable. Son mejoras que la propia empresa describe, sin publicar ninguna cifra de evaluación que permita compararlas con el modelo anterior.

El modelo solo funciona en la nube de OpenAI, no tiene versiones abiertas que se puedan descargar y ejecutar en un equipo propio. Acepta audio y texto como entrada y salida, pero no imágenes ni vídeo, y tampoco admite salidas estructuradas ni el ajuste fino con datos propios. Sí permite el streaming y la llamada a funciones.

El modo espera, paso a paso

El modo de espera, que OpenAI llama «standby», pausa la inferencia durante los silencios mientras la conexión sigue abierta. Para activarlo hay que configurar tres ajustes: que el sistema se reactive al detectar voz, cuánto tiempo puede pasar en silencio antes de pausar, un valor que puede ir de 5 a 60 segundos, y un umbral de sensibilidad opcional para detectar la voz.

Tras el tiempo de inactividad, el servidor avisa de que la sesión está en pausa. Cuando el usuario vuelve a hablar, la sesión se reanuda con su identificador y su historial intactos. OpenAI advierte de que la primera respuesta tras una frase corta puede tardar algo más, y recomienda mantener activa la pista del micrófono durante la espera. El modo funciona tanto con GPT-Live-1 como con GPT-Live-1.1.

Cuánto cuesta

Las sesiones de voz se cobran por duración. Según la página del modelo, el cobro es por segundo. Pero el modelo de voz no es lo único que se paga: el razonamiento y las herramientas del modelo de respaldo se facturan aparte, y puede resultar más caro que la propia voz si el respaldo trabaja mucho.

Disponibilidad y llamadas telefónicas

GPT-Live-1.1 solo se usa a través de la API. Para cambiar una sesión existente basta con indicar gpt-live-1.1 como modelo, aunque hay que abrir una sesión nueva. Desde el 2 de noviembre, las llamadas salientes por SIP, el protocolo que conecta con la telefonía tradicional, están disponibles para todas las organizaciones, así que los agentes telefónicos ya son posibles con este modelo.

GPT-Live-1 y GPT-Live-1.1 tienen límites separados de sesiones simultáneas, que se aplican en todas las regiones de inferencia. OpenAI no publica todavía las cifras de esos límites para la versión 1.1.

La novedad es, sobre todo, económica: para una empresa que mantiene un asistente de voz abierto todo el día, la factura de los momentos sin conversación baja de forma notable. Las mejoras de calidad, en cambio, dependerán de que OpenAI publique números que permitan comprobarlas.

Newsletter · gratis

La semana de la IA, en cinco minutos.

Únete a los lectores que empiezan la semana sabiendo qué pasa en la IA. Cada domingo, en tu correo.