OpenAI lança GPT-Live: ouvir e falar simultaneamente, criando uma experiência de conversa realista.

OpenAI lançou esta quarta-feira os modelos de voz full-duplex GPT-Live-1 e GPT-Live-1 mini, substituindo o antigo Advanced Voice Mode. As tarefas complexas serão delegadas ao GPT-5.5, lançado em abril deste ano.
(Notícia anterior: Google Translate atualizado: Gemini 3.5 elimina pausas embaraçosas na interpretação de voz em tempo real)
(Contexto adicional: Crie um assistente de atendimento ao cliente com IA em 2 minutos! xAI lança o Voice Agent Builder sem código, superando a OpenAI em pontuação de voz)

Pondo fim a dois anos de "conversas em estilo de carrossel", a OpenAI fez com que o ChatGPT aprendesse uma coisa esta quarta-feira: ouvir e falar ao mesmo tempo. O novo modelo de voz GPT-Live abandona a lógica do antigo, que dependia do silêncio para determinar a vez de falar, e adota uma arquitetura full-duplex.

O GPT-Live-1 e o GPT-Live-1 mini estão disponíveis globalmente a partir de hoje no iOS, Android e ChatGPT.com. O GPT-Live-1 torna-se o modelo de voz predefinido para os utilizadores pagantes dos planos Go, Plus e Pro, enquanto o GPT-Live-1 mini serve os utilizadores gratuitos. A API estará disponível apenas para programadores em lista de espera. Esta é a terceira grande reformulação da tecnologia de voz da ChatGPT em dois anos, e a declaração mais clara da OpenAI: a voz deixou de ser um extra para chatbots de texto, para se tornar a interface principal da interação entre humanos e IA.

Porque é que a voz antiga estava sempre a interromper?

A OpenAI escreveu no seu blogue de investigação que o GPT-Live processa continuamente a entrada enquanto gera a saída, tomando múltiplas decisões de interação por segundo: se deve falar, continuar a ouvir, fazer uma pausa, interromper ou chamar ferramentas. Um investigador descreveu no X a experiência antiga como "um carrossel", onde apenas uma pessoa podia falar de cada vez, esperando que acabasse para a próxima começar.

Este era precisamente o calcanhar de Aquiles do antigo Advanced Voice Mode. A OpenAI admite que, ao depender do silêncio para determinar a vez, uma pausa breve ou ruído de fundo podiam ser mal interpretados como o fim da fala do utilizador, levando o modelo a interromper de forma não natural.

Quem fala, quem pensa?

Outra conceção chave do GPT-Live é separar a "camada de interação de voz" da "camada de raciocínio". Perguntas simples são respondidas diretamente pelo GPT-Live. Quando é necessário pesquisar na web, raciocínio profundo ou tarefas com múltiplos passos, o trabalho é delegado a um modelo de ponta em execução em segundo plano — atualmente o GPT-5.5, lançado em abril deste ano. Durante o processamento, a conversa com o utilizador continua, sem os segundos de silêncio do pipeline antigo.

Este design modular tem a vantagem de que melhorar a inteligência não exige retreinar o modelo de voz em si. Para empresas e programadores que pretendem integrar agentes de voz com bases de dados, pesquisas ou tarefas de múltiplos passos, esta é uma verdadeira redução de barreiras.

A nova versão inclui também duas pequenas funcionalidades: durante a conversa, surgem cartões visuais com informações como meteorologia, cotações, resultados desportivos ou mapas. Os utilizadores também podem alternar manualmente entre três níveis de raciocínio: Instant (imediato), Medium (médio) e High (complexo), decidindo se querem uma resposta rápida ou mais ponderada. Por outras palavras, rapidez e precisão deixam de ser uma escolha binária — o utilizador pode ajustar o equilíbrio.

A OpenAI aproveitou para renovar o elenco de vozes. Nove vozes são descritas como "projetadas para conversação, não para imitação de vozes", e foram adicionadas proteções contra a simulação de vozes humanas, respondendo, em parte, a uma polémica de dois anos atrás. Em maio de 2024, quando o GPT-4o foi lançado, a voz "Sky" foi considerada semelhante à da atriz Scarlett Johansson, que dá voz no filme "Her". A própria atriz confirmou que recusou um convite de Sam Altman para gravar a voz, e descreveu-se como chocada e zangada quando o produto foi lançado. A OpenAI retirou posteriormente essa voz e pediu desculpas.