O que foi anunciado
A OpenAI anunciou o GPT-Live-1 na API, um modelo voltado à construção de aplicações com voz e fluxos de trabalho empresariais. A proposta é levar para os desenvolvedores conversas mais naturais, com interação em tempo real e maior controle sobre a forma como os agentes falam e agem. O modelo foi apresentado como uma alternativa para experiências em que a conversa precisa acompanhar o ritmo de uma ligação, sem depender de uma sequência rígida de turnos.
Um dos principais recursos do GPT-Live-1 é a capacidade de ouvir e falar ao mesmo tempo. Isso permite que a pessoa interrompa a resposta, mude de ideia, faça uma pausa ou acrescente uma informação sem precisar esperar o agente terminar. O modelo também pode encaminhar tarefas que exigem raciocínio mais profundo e chamadas de ferramentas para modelos e sistemas associados a ele.
Uma arquitetura com menos etapas
Agentes de voz tradicionais costumam unir reconhecimento de fala, um modelo de raciocínio e síntese de voz. Cada passagem entre essas partes pode adicionar latência e criar oportunidades para perda de contexto, ritmo ou sincronização. Nessa arquitetura, o desenvolvedor também precisa coordenar situações como interrupções, silêncios e mudanças de direção durante a conversa.
O GPT-Live-1 concentra a escuta e a fala em um único modelo de voz. Com isso, a camada de voz pode ficar mais simples, enquanto tarefas que exigem mais processamento continuam acontecendo no back-end. A OpenAI afirma que uma implementação baseada no GPT-Live-1 reduziu em 80% o código de uma arquitetura em cascata e removeu 23 mil linhas de código. Segundo o relato apresentado, essa mudança permitiu concentrar mais esforço na experiência de conversas para pacientes, desde o agendamento até a navegação por serviços de atendimento.
O modelo fornece nativamente transcrições de reconhecimento automático de fala e o texto das respostas. Também oferece compreensão de informações alfanuméricas e suporte a direcionamento por palavras-chave. Apesar de não ser um modelo baseado apenas em turnos, ele mantém suporte à detecção de turnos, permitindo que os desenvolvedores continuem trabalhando com limites explícitos quando esse comportamento for necessário.
O que muda na prática
Na prática, a novidade abre espaço para agentes que lidam melhor com o modo como as pessoas realmente conversam. O GPT-Live-1 foi projetado para tratar ruídos de fundo e silêncios sem interromper a interação ou narrar cada etapa do processamento. A retenção de contexto em interações longas também foi destacada como uma melhoria na qualidade da conversa.
Esse comportamento pode ser usado em ligações telefônicas, reservas em restaurantes, atendimento ao cliente, atualizações de pedidos e agendamentos. A documentação apresentada também descreve cenários em que o agente usa ferramentas e sistemas da empresa para responder perguntas, resolver problemas, executar ações aprovadas e encaminhar o atendimento para uma pessoa quando necessário.
A flexibilidade fica por conta da combinação entre o modelo de voz, modelos de back-end, ferramentas e estruturas de agentes. Um desenvolvedor pode escolher uma configuração voltada a tarefas de alto volume, como agendamento ou atualização de pedidos, e outra mais adequada a solicitações complexas que exigem raciocínio. Essa separação permite ajustar profundidade de raciocínio, velocidade e custo de acordo com cada tarefa.
A OpenAI também afirma que o tom, o ritmo e o estilo de conversação podem ser definidos pelo prompt de sistema. Além disso, a empresa pretende ampliar a seleção de vozes, incluindo opções relacionadas a diferentes sotaques, dialetos e idiomas. A disponibilidade de vozes e idiomas deve continuar sendo expandida nos próximos meses.
Resultados apresentados e limites
Nos testes mencionados pela OpenAI, o GPT-Live-1 melhorou em 30 pontos percentuais o desempenho no Full Duplex Bench em comparação com o GPT-Realtime-2.1, com ganhos em latência de troca de turnos e comportamento interativo. Quando combinado ao GPT-6 Astra com esforço de raciocínio médio, o modelo também aparece em primeiro lugar no Tau3, uma avaliação de inteligência de agentes de voz em tarefas completas.
Os exemplos de uso citados incluem o Yelp Host, em reservas e pedidos de comida, além de experiências da Speak, da Fin e da Devin. Em avaliações iniciais da Speak, o modelo reduziu em quase 80% as interrupções durante pausas de reflexão de alunos, em comparação com sistemas anteriores baseados em turnos. Esses resultados são apresentados como avaliações e relatos de empresas, não como garantia de desempenho igual em qualquer aplicação.
O custo informado para a camada frontal de voz é de US$ 0,05 por minuto. Ainda assim, o valor total de uma aplicação depende do modelo de back-end, das ferramentas e da estrutura de agente escolhida pelo desenvolvedor. A própria proposta do GPT-Live-1 é permitir essa composição, portanto não há uma configuração única que determine custo, velocidade ou profundidade para todos os casos.
Outro ponto importante é que a naturalidade da conversa não elimina a necessidade de projeto técnico. As equipes continuam responsáveis por definir os modelos associados, controlar ferramentas, estabelecer ações aprovadas e determinar quando o atendimento deve ser escalado. A fonte também menciona um processo de elegibilidade e solicitação para determinados usos, mas não apresenta, nos trechos considerados, todos os critérios desse processo.
Conclusão
O GPT-Live-1 representa uma mudança na forma de construir agentes de voz: em vez de tratar cada fala como uma sequência isolada, a aplicação pode acompanhar uma conversa com interrupções, pausas, ruídos e mudanças de intenção. Para o leitor de tecnologia, o ganho mais concreto está na combinação entre menor complexidade na camada de voz, possibilidade de delegar tarefas ao back-end e mais controle sobre o comportamento do agente.
A novidade faz mais sentido em produtos nos quais o ritmo da conversa influencia diretamente o resultado, como suporte, reservas, pedidos e agendamentos. Antes de adotar o modelo, porém, é necessário avaliar o fluxo completo, incluindo ferramentas, contexto, escalonamento humano, idiomas, vozes e custo operacional. A fonte original está disponível em: https://openai.com/index/introducing-gpt-live-1-in-the-api
