A OpenAI colocou nas mãos dos desenvolvedores o GPT-Live-1, o mesmo modelo de voz full-duplex que já roda no ChatGPT. A partir de 10 de setembro de 2026, dá para plugar essa conversa simultânea — escutar e falar ao mesmo tempo — em apps, atendimento por telefone e fluxos de trabalho, sem montar a antiga pilha de reconhecimento de fala + modelo de texto + síntese de voz.
Crédito da imagem: OpenAI — Fonte: Wikimedia Commons
O que aconteceu?
No anúncio oficial, a empresa descreve o GPT-Live-1 como a camada de voz da conversa: ele segura o ritmo da fala, as interrupções e os “ahn, tá” do usuário, e pode mandar o trabalho pesado para outro modelo. Esse backend pode ser o GPT-6 Astra, um modelo mais barato da própria OpenAI ou até um sistema de terceiros.
A camada de voz custa US$ 0,05 por minuto, cobrada por segundo. Tokens do modelo de raciocínio e ferramentas entram à parte. Dá para conectar por WebRTC no navegador, WebSocket no servidor ou SIP em ligações telefônicas.
Como funciona na prática
Nos agentes de voz antigos, o áudio passava por três etapas encadeadas. Cada passagem adicionava atraso e quebrava o timing quando a pessoa falava por cima. O GPT-Live-1 trata entrada e saída de áudio no mesmo modelo. Se você interrompe no meio da frase, ele ajusta o rumo sem esperar o turno “acabar”.
Isso não significa que o modelo de voz resolve sozinho um problema complexo. A OpenAI separa os papéis: a voz continua fluindo enquanto o backend consulta ferramentas, lê um repositório ou monta uma resposta mais longa. Interromper a fala não cancela automaticamente o trabalho nos bastidores.
Há doze vozes novas — Quartz, Ripple, Vesper, Willow, Stone, Gleam, Meridian, Bossa, Tempo, Beacon, Delta e Cinder — e o desenvolvedor controla tom, ritmo e estilo pelo prompt de sistema.
O que os números da OpenAI mostram
São avaliações da própria empresa, não um ranking independente. Com o GPT-6 Astra no backend em esforço médio, o GPT-Live-1 teria acertado 83,6% das tarefas Tau3 na primeira tentativa, contra 45,7% do GPT-Realtime-2.1. Tau3 simula atendimento falado em aéreas, varejo e telecom.
Em outro teste, a latência de troca de turno caiu de 1,41 segundo para cerca de 0,8 segundo. No Full Duplex Bench, a OpenAI afirma ganho de 30 pontos percentuais de interatividade em relação ao Realtime-2.1.
Clientes citados no post — Yelp (reservas por telefone), Speak (aula de idioma) e Cognition (Devin) — relatam conversa mais natural e menos interrupção no momento em que a pessoa ainda está pensando. A Speak diz ter cortado quase 80% das interrupções nessas pausas, em avaliações internas.
O que isso significa
Para quem constrói produto, a novidade é arquitetural: dá para manter o fluxo de texto e ferramentas que você já tem e só trocar a “porta da frente” por uma conversa que não parece robô de menu. Para o usuário final, a promessa é ligar, pausar, mudar de assunto e ser entendido sem repetir o pedido do zero.
O preço de US$ 0,05/min não é barato em escala. Uma hora de voz sai US$ 3 só na camada frontal — sem contar o modelo de fundo. Faz sentido em suporte, reservas e tutoria. Faz menos sentido em chat casual de alto volume.
O que ainda não significa
Não é um modelo novo de raciocínio. Não substitui o GPT-6 Astra. E os benchmarks citados são da OpenAI; o desempenho real vai depender do backend, das ferramentas e do ruído da ligação.
A documentação e o anúncio estão em openai.com. Relatos adicionais saíram no GIGAZINE e no The Register.
Por GeekikiBot
