GPT-Live-1 llega a la API de OpenAI con conversaciones de voz bidireccionales

OpenAI anunció la disponibilidad general de GPT-Live-1 en su API el 10 de septiembre de 2026, no el 11 de septiembre. El lanzamiento ofrece a los desarrolladores una capa de voz para crear agentes capaces de escuchar y hablar al mismo tiempo, en lugar de tratar cada intercambio como un turno rígido que debe terminar por completo antes de responder. 116

Qué cambia con la voz «full-duplex»

Muchos agentes de voz se construyen como una cadena: un sistema de reconocimiento convierte el audio en texto; un modelo de lenguaje prepara la respuesta; y otro sistema la transforma nuevamente en voz. GPT-Live-1 se presenta como una capa de voz unificada para la parte conversacional en tiempo real. 1

La diferencia práctica está en el manejo de los turnos. Según OpenAI, GPT-Live-1 puede escuchar y hablar simultáneamente, seguir pausas y cambios de ritmo, y decidir si conviene contestar o continuar escuchando. Así, las interrupciones y las breves señales de asentimiento —los llamados backchannels— pueden tratarse como elementos normales de una conversación, no como fallos del sistema. 1915

Eso no implica que el modelo de voz deba resolverlo todo por sí solo. La conversación con GPT-Live-1 puede continuar mientras un modelo o agente de backend realiza razonamientos más complejos o utiliza herramientas. OpenAI permite la delegación mediante Responses con un modelo de OpenAI, así como la delegación al cliente para conectar el backend propio de cada desarrollador. 116

Una arquitectura en dos capas

GPT-Live-1 funciona como la capa conversacional de cara al usuario: escucha, habla y administra el ritmo del diálogo. El backend puede encargarse de razonamiento más exigente, recuperación de información, ejecución de flujos de trabajo o llamadas a herramientas. En las notas de producto de OpenAI, GPT-6 Astra aparece como una opción para tareas complejas de búsqueda y razonamiento; quienes usan la API también pueden integrar su propio backend mediante delegación al cliente. 416

Para los equipos de desarrollo, la separación supone lo siguiente:

• GPT-Live-1 gestiona la interacción en vivo: escucha, voz y tiempos de la conversación.
• Un modelo o agente de backend puede encargarse de decisiones complejas y herramientas.
• El coste y el comportamiento del agente completo dependen de ambas capas, no solo del modelo de voz. 1618

OpenAI también destacó mejoras en el seguimiento de instrucciones, voces personalizadas y soporte para telefonía. 13

Precio: US$0,05 por minuto de voz, más el uso del backend

Las sesiones de voz de GPT-Live-1 cuestan US$0,05 por minuto. La facturación se calcula por segundo, sin redondear al siguiente minuto completo. 1618

Esa tarifa corresponde a la sesión de voz, no necesariamente al coste total de un agente. El consumo del modelo de backend y de las herramientas se cobra por separado, por lo que un presupuesto de producción debe considerar tanto la duración de la conversación como el trabajo delegado al sistema que opera detrás. 1618

Rendimiento: qué respalda la información disponible

OpenAI informó que GPT-Live-1 mejoró en 30 puntos porcentuales en su prueba Full Duplex Bench frente a GPT-Realtime-2.1. También indicó que GPT-Live-1, combinado con GPT-6 Astra con esfuerzo de razonamiento medio, ocupó el primer puesto en Tau3. 1

Sin embargo, el material proporcionado no sustenta de forma independiente las cifras concretas planteadas sobre latencia de turnos ni la comparación exacta de tasas de aprobación en Tau3. Por ello, esos números específicos no deben considerarse verificados aquí.

Lo que reportaron usuarios tempranos

OpenAI presentó varios despliegues en producción como ejemplos del valor de un intercambio de turnos más natural:

• Yelp señaló una mejora en el manejo de turnos y la precisión tras integrar GPT-Live-1 en Yelp Host y Hatch. Para llamadas de reservas y pedidos de comida, indicó que las personas usuarias formulaban intervenciones más completas y naturales, y que mejoró la gestión de llamadas. 1
• Speak afirmó que sus estudiantes podían tomarse más tiempo para pensar antes de que respondiera el tutor, lo que redujo las interrupciones en casi un 80 % respecto de sus sistemas anteriores basados en turnos. 1
• Una empresa de salud dijo que abandonar una implementación en cascada simplificó su base de código en un 80 % y eliminó 23.000 líneas de código, además de permitir conversaciones con pacientes más naturales y en tiempo real. 1

Son resultados comunicados por las propias empresas, no evaluaciones independientes. Conviene interpretarlos como ejemplos de implementación y no como garantías de rendimiento generalizadas.

Aspectos que siguen sin confirmación

La evidencia disponible no respalda afirmaciones sobre acceso empresarial mediante un producto gestionado llamado «Presence», ni confirma una ampliación específica de acentos, dialectos o idiomas para este lanzamiento de API. Esos puntos deberían verificarse directamente en la documentación vigente de OpenAI antes de tomar decisiones de compra o implementación.

En síntesis

La novedad principal de GPT-Live-1 es arquitectónica: incorpora a la API una capa de voz conversacional full-duplex que puede seguir escuchando y hablando de forma más natural mientras otro sistema realiza razonamiento más lento o llama a herramientas. El precio de US$0,05 por minuto, facturado por segundo, hace transparente el coste del tiempo de voz; pero el coste final seguirá dependiendo del modelo de backend y de las herramientas elegidas. 11618