OpenAI lanza GPT-Live para cambiar la interacción por voz en ChatGPT
La nueva arquitectura permite que la inteligencia artificial escuche y procese audio al mismo tiempo, logrando conversaciones continuas sin la rigidez de los turnos tradicionales.
OpenAI presentó GPT-Live, una actualización del modo de voz para ChatGPT diseñada para sostener conversaciones fluidas en tiempo real. Mediante un sistema que permite la interacción simultánea, la inteligencia artificial puede interrumpir su discurso, escuchar de manera activa y responder de forma inmediata ante las intervenciones del usuario. Esta tecnología busca reducir la fricción de los sistemas anteriores que dependían de turnos estrictos para la comunicación oral.
Durante la presentación del producto, el cofundador de la empresa, Greg Brockman, demostró el funcionamiento de esta herramienta al interrumpir a ChatGPT mientras hablaba. En lugar de detener la reproducción de forma abrupta, la voz de la aplicación se adaptó y dio paso a la nueva instrucción de manera fluida. Este comportamiento responde a la implementación de una arquitectura denominada full-duplex, la cual procesa el audio de entrada de manera paralela a la generación de la respuesta. Con esto, el modelo evalúa constantemente, varias veces por segundo, si debe continuar hablando, escuchar al usuario, realizar una pausa o ejecutar alguna herramienta digital.
Una conversación sin turnos fijos
La evolución de las funciones de voz en los servicios de OpenAI muestra una transformación técnica gradual desde el lanzamiento de ChatGPT a finales de 2022. En un principio, el sistema operaba bajo una estructura en cascada, compuesta por tres pasos independientes: la transcripción del audio de entrada a texto, la formulación de la respuesta textual por parte del modelo y la conversión final del texto resultante en sonido. Posteriormente, el modo avanzado de voz unificó el procesamiento y la generación de audio dentro de un único modelo, aunque mantuvo el esquema de turnos definidos. La llegada de modelos como GPT-4o aportó expresividad al sistema, sentando las bases para GPT-Live, que intenta eliminar las barreras en la interacción cotidiana.
Funciones prácticas en el uso diario
En términos prácticos, los usuarios de la plataforma pueden ahora cortar la alocución de la inteligencia artificial con preguntas secundarias, hacer pausas reflexivas durante el diálogo o solicitar un ritmo de habla más lento. Asimismo, la inteligencia artificial genera confirmaciones breves mientras el usuario habla, como el uso de interjecciones afirmativas para señalar que continúa escuchando. La compañía detalló que optimizó los algoritmos para aislar la voz humana del ruido de fondo, asegurando la recepción del mensaje incluso en entornos con interferencia acústica.
El rediseño del servicio también incluye la incorporación de nueve voces remasterizadas que buscan ofrecer una calidad de audio superior. De igual manera, las respuestas se complementan a nivel visual con tarjetas dinámicas con información meteorológica, datos deportivos, cotizaciones bursátiles y otros indicadores rápidos. El sistema mantiene su compatibilidad con las funciones de búsqueda web, memoria de interacciones previas, interpretación de imágenes y carga de archivos, permitiendo un uso integral de la herramienta de inteligencia artificial sin perder el hilo de la conversación.
