GPT-Live-1 llegó a la API de OpenAI el 10 de septiembre de 2026 con un cambio importante para quienes construyen agentes de voz: el modelo puede escuchar y hablar al mismo tiempo. Este comportamiento full-duplex reduce la necesidad de coordinar manualmente cada transición entre reconocimiento de voz, razonamiento y síntesis de voz. En la práctica, la principal promesa no es solo una voz más natural, sino una capa de conversación menos fragmentada, capaz de manejar interrupciones, pausas y cambios de dirección mientras un backend ejecuta tareas.
La decisión arquitectónica, sin embargo, no consiste en "reemplazar todo el agente por GPT-Live-1". La documentación separa dos responsabilidades: GPT-Live-1 conduce la conversación hablada, mientras un backend puede encargarse del razonamiento, las herramientas, las reglas de negocio y el estado duradero. La aplicación sigue siendo responsable de permisos, confirmaciones y ejecución segura de acciones.
Qué cambia frente a un agente de voz en cadena
| Aspecto | Pipeline en cadena | GPT-Live-1 |
|---|---|---|
| Audio | Normalmente separa speech-to-text, modelo de lenguaje y text-to-speech. | Un solo modelo de voz maneja audio de entrada y salida al mismo tiempo. |
| Interrupciones | La aplicación debe coordinar detección de turno, cancelación de audio y reanudación. | El modelo está diseñado para seguir habla superpuesta, pausas y cambios de dirección. |
| Razonamiento y herramientas | Suelen vivir en el mismo orquestador que también gestiona la voz. | Pueden delegarse a un modelo de Responses o a un agente controlado por la aplicación. |
| Telefonía | A menudo requiere un puente propio entre proveedor de telefonía, streaming y modelo. | La documentación incluye rutas para SIP e integraciones con proveedores y frameworks asociados. |
| Voces | La elección depende del servicio TTS separado. | El lanzamiento amplía las opciones integradas y mantiene las voces personalizadas como una opción separada para clientes elegibles. |
| Facturación | Hay que sumar STT, modelo, TTS e infraestructura. | La capa de voz de GPT-Live-1 se cobra por duración de la sesión; el backend y las herramientas se cobran aparte. |
OpenAI describe la arquitectura tradicional como una secuencia de speech-to-text, modelo y text-to-speech, donde cada transición añade latencia y puntos de coordinación. GPT-Live-1 procesa conjuntamente el audio entrante y saliente. En evaluaciones del lanzamiento, OpenAI informó una mejora de 30 puntos porcentuales en Full Duplex Bench frente a GPT-Realtime-2.1. Es una medición reportada por el proveedor, no una garantía para cualquier implementación, por lo que conviene probar con llamadas y condiciones de ruido reales del producto.
Full-duplex cambia principalmente el control de turnos
Full-duplex significa que el sistema puede escuchar mientras habla. Eso es distinto de limitarse a transmitir audio en ambas direcciones. En una conversación humana, el usuario puede interrumpir, decir "sí", corregir un detalle en medio de la respuesta o hacer una pausa larga. En arquitecturas rígidas por turnos, estas situaciones suelen requerir lógica externa para decidir cuándo terminó el usuario y cuándo el agente debe dejar de hablar.
GPT-Live-1 fue entrenado para gestionar esa dinámica en la capa de voz. La documentación también indica que el modelo proporciona de forma nativa transcripciones ASR y texto de respuesta y admite detección de turno cuando la aplicación quiere conservar límites explícitos. Esto permite dos patrones: una conversación más continua o puntos de turno definidos cuando el flujo de negocio los necesita.
Hay una salvedad importante: interrumpir el habla del agente no cancela automáticamente el trabajo que ya fue delegado al backend. La aplicación debe decidir si ese trabajo continúa, se abandona o se sustituye por una solicitud más reciente. Es una diferencia clave entre naturalidad conversacional y control transaccional.
Delegación: dónde vive el razonamiento del agente
GPT-Live-1 puede delegar trabajo mientras sigue gestionando la conversación. La documentación define dos modos principales.
| Modo | Cuándo suele simplificar | Qué sigue controlando la aplicación |
|---|---|---|
| Responses delegation | Cuando un modelo de la Responses API y las herramientas compatibles cubren el flujo. | Funciones privadas, permisos, confirmaciones y reglas de negocio. |
| Client delegation | Cuando un agente, orquestador o servicio existente debe seguir siendo el backend. | Contexto enviado al agente, enrutamiento, validación de resultados, estado y ejecución. |
Con Responses delegation, el servicio Live envía contexto de la conversación al modelo de backend configurado y devuelve el resultado a la sesión de voz. Con client delegation, la aplicación recibe un evento de delegación, construye la entrada a partir de transcripciones y estado propio, ejecuta su agente y devuelve solo el resultado que quiere poner a disposición de la conversación.
Este diseño puede sustituir la capa de STT y TTS sin descartar un agente de texto ya maduro. La guía de migración recomienda mantener en el backend las instrucciones detalladas, herramientas, permisos y estado duradero, mientras el prompt de GPT-Live-1 se centra en el estilo de conversación y en cuándo delegar.
Nuevas voces: más opciones integradas, mientras la voz personalizada sigue aparte
En el anuncio de la API, OpenAI informó que amplió la selección de voces en tiempo real entre distintos acentos, dialectos e idiomas. Entre las nuevas opciones destacadas aparecen Quartz, Ripple, Vesper, Willow, Stone, Gleam, Meridian, Bossa, Tempo, Beacon, Delta y Cinder. La empresa afirma que seguirá ampliando las voces y la disponibilidad de idiomas.
La voz personalizada no debe confundirse con ese catálogo integrado. Las custom voices siguen limitadas a clientes elegibles. La documentación exige una grabación de consentimiento y una muestra coincidente de la misma persona antes de crear la voz. En GPT-Live-1, la voz personalizada se selecciona al iniciar la sesión y la voz de salida no puede cambiarse durante esa misma sesión.
Telefonía: qué se vuelve más directo
Para aplicaciones web, la documentación recomienda WebRTC. Para integraciones de audio en servidor, ofrece WebSockets. Para telefonía, OpenAI documenta SIP y también señala integraciones con LiveKit, Twilio, Telnyx y Daily/Pipecat. La ventaja arquitectónica es que la misma capa de voz full-duplex puede recibir el audio de la llamada sin exigir que el desarrollador monte etapas separadas de STT y TTS en cada extremo.
En flujos de llamadas entrantes, la API incluye operaciones para aceptar o rechazar una llamada, monitorizar la sesión, transferir la llamada y colgar. La documentación también registra una limitación relevante: no se admite crear una llamada SIP saliente directamente mediante POST /v1/live/sessions. Para llamadas salientes controladas por el proveedor, la ruta recomendada es la integración correspondiente.
La telefonía nativa no elimina los controles de aplicación en operaciones sensibles. La detección de buzón de voz, el beep de grabación, las políticas de reproducción, la verificación de identidad y las confirmaciones antes de ejecutar acciones todavía pueden requerir lógica propia o incluso un detector de audio separado.
Cuándo GPT-Live-1 realmente simplifica un agente de voz
| Escenario | Efecto arquitectónico probable |
|---|---|
| Asistente de voz en navegador | Simplificación alta: WebRTC puede conectar micrófono y audio de salida directamente con la sesión Live, manteniendo un backend separado para herramientas. |
| Stack existente de STT + agente de texto + TTS | Simplificación alta en la capa de voz: GPT-Live-1 puede reemplazar reconocimiento y síntesis separados y conservar el agente existente mediante client delegation. |
| Atención telefónica entrante | Simplificación relevante: SIP y las operaciones de llamada reducen parte del pegamento entre telefonía e IA, aunque las reglas de negocio permanecen en el backend. |
| Agente con muchos servicios, políticas y aprobaciones | Simplificación parcial: la conversación se vuelve más simple, pero orquestación, estado, seguridad y validación siguen siendo responsabilidad de la aplicación. |
| Flujos que dependen de señales acústicas específicas | Simplificación menor: buzón de voz, beeps y otras clasificaciones de audio pueden requerir procesamiento paralelo. |
| Marcación saliente a gran escala | Requiere integración adicional con el proveedor porque la creación directa de llamadas SIP salientes desde una sesión Live no está soportada. |
Una regla práctica es separar "complejidad de conversación" de "complejidad de negocio". Si el problema actual está en interrupciones, turnos, buffers, STT, TTS y sincronización de audio, GPT-Live-1 ataca directamente esa capa. Si la mayor parte de la complejidad está en políticas, integraciones, estado, enrutamiento y aprobaciones, la nueva API mejora la interfaz de voz, pero no elimina el backend.
Precio y límites actuales: trátalos como configuración, no como constantes
En la documentación consultada el 16 de septiembre de 2026, una sesión de voz de GPT-Live-1 cuesta US$ 0,05 por minuto, con cobro por segundo y sin redondeo al minuto completo. El uso del modelo de backend y de las herramientas se cobra por separado. Por eso, comparar costes solo por la tarifa de la capa de voz puede resultar engañoso: el coste final depende del modelo delegado, las llamadas a herramientas, la duración media y la concurrencia.
Los límites publicados se miden en sesiones simultáneas: el nivel Free no está soportado; Tier 1 permite 25 sesiones, Tier 2 permite 50, Tier 3 permite 200, Tier 4 permite 300 y Tier 5 permite 500. Como precios y límites pueden cambiar, la planificación de capacidad debe consultar la página del modelo y el panel del proyecto en lugar de dejar esos valores codificados permanentemente.
Checklist antes de migrar
- Mapea cuánto código y cuántos servicios existen solo para coordinar STT, TTS, detección de turnos e interrupciones.
- Separa reglas de conversación de reglas de negocio. Mantén corto el prompt de voz y deja los flujos detallados y las herramientas en el backend.
- Elige Responses delegation cuando el flujo gestionado sea suficiente y client delegation cuando necesites más control sobre contexto, enrutamiento o revisión de resultados.
- Prueba barge-in, pausas largas, habla superpuesta, ruido de fondo y correcciones a mitad de frase con usuarios reales.
- En telefonía, valida llamadas entrantes, transferencias, finalización, caídas de red y la ruta de llamada saliente de tu proveedor.
- Calcula el coste por llamada completa, incluyendo la sesión Live, el backend y las herramientas, no solo el precio por minuto de voz.
