OpenAI lança modelos de voz de nova geração para conversas mais naturais

A OpenAI apresentou os novos modelos de conversação GPT-Live-1 e GPT-Live-1 mini, projetados para oferecer interações de voz significativamente mais naturais. A principal inovação reside na arquitetura full-duplex, que permite ao sistema falar e ouvir simultaneamente. Essa capacidade resolve limitações históricas de interrupção e viabiliza recursos avançados, como a tradução ao vivo. O modelo GPT-Live-1 mini substituirá o atual Modo de Voz Avançado como padrão no ChatGPT, enquanto a versão completa ficará restrita aos assinantes pagos.

Diferente da arquitetura anterior, que encadeava modelos de transcrição, linguagem e síntese de fala, os novos modelos processam o áudio de forma mais integrada e inteligente. O sistema é capaz de rotear consultas para os modelos de texto mais recentes da empresa, como o GPT-5.5, para executar buscas e raciocínios complexos sem interromper o fluxo da conversa. Além disso, a inteligência artificial pode permanecer em silêncio para absorver o contexto do ambiente e do diálogo até ser solicitada, eliminando as pausas artificiais típicas de assistentes anteriores.

A experiência do usuário também foi expandida para incluir respostas em formato visual, alinhando o ChatGPT a uma tendência de mercado liderada por startups que buscam tornar os assistentes mais interativos. Segundo Atty Eleti, líder de produto do ChatGPT Voice, a atualização foi desenhada para suportar diálogos prolongados, com o executivo relatando o uso contínuo da ferramenta em caminhadas de 30 a 40 minutos.

No âmbito estratégico, a OpenAI sinaliza que a voz deixará de ser um recurso secundário para se tornar a interface primária de computação. A empresa projeta que essa evolução tecnológica será fundamental para gerenciar tarefas agentivas complexas e de longa duração. Embora rumores de mercado apontem para o lançamento de fones de ouvido com inteligência artificial pela empresa neste ano, o anúncio focou exclusivamente no avanço do software e na consolidação da voz como o novo padrão de interação.