OpenAI GPT-Live-1 lançado globalmente, comunicação de voz bidirecional substitui o Modo de Voz Avançado

OpenAI lançou oficialmente em 9 de julho os modelos de voz full-duplex GPT-Live-1 e GPT-Live-1 mini, disponíveis a partir de hoje no iOS, Android e ChatGPT.com globalmente, substituindo o antigo Modo de Voz Avançado.

Especificações de lançamento do GPT-Live-1 e GPT-Live-1 mini: planos pagos, gratuitos e fila de API

De acordo com o anúncio da OpenAI, os dois modelos GPT-Live têm as seguintes aplicações: GPT-Live-1 é o modelo de voz padrão para utilizadores de planos pagos Go, Plus e Pro; GPT-Live-1 mini destina-se a utilizadores gratuitos; na API, os desenvolvedores estão atualmente na lista de espera, ainda não disponível.

Ambos os modelos estão disponíveis imediatamente no iOS, Android e ChatGPT.com globalmente, representando a terceira reformulação da tecnologia de voz do ChatGPT em dois anos e a declaração mais clara da OpenAI: a voz será a principal interface de diálogo entre humanos e IA, não uma funcionalidade adicional do chatbot de texto.

Princípios da arquitetura full-duplex: problemas do modo de voz avançado silencioso e a solução do GPT-Live

Segundo a explicação no blog de investigação da OpenAI, o problema central do modo de voz avançado antigo residia na determinação de turnos por silêncio — pausas breves ou ruído de fundo podiam ser erroneamente interpretados como fim de fala do utilizador, levando o modelo a interromper de forma pouco natural; esse "turno de roda" fazia com que apenas uma pessoa pudesse falar de cada vez, tornando a conversa artificial.

O GPT-Live usa uma arquitetura full-duplex, onde o modelo processa continuamente a entrada enquanto gera a saída, podendo tomar múltiplas decisões de interação por segundo, como quando falar, continuar a ouvir, pausar, interromper ou chamar ferramentas, tornando o diálogo mais próximo de uma comunicação humana real.

Design de separação entre camada de voz e camada de raciocínio: delegação ao GPT-5.5, níveis de raciocínio em três etapas e novas funcionalidades

O principal design do GPT-Live é a modularização entre a "camada de interação de voz" e a "camada de raciocínio": questões simples são tratadas diretamente pelo GPT-Live; questões complexas (como pesquisa na internet, raciocínio aprofundado ou tarefas em múltiplos passos) são delegadas ao GPT-5.5 em segundo plano, mantendo a conversa contínua sem pausas de alguns segundos que ocorriam na antiga pipeline.

As vantagens deste design modular incluem a possibilidade de atualizar a inteligência de raciocínio sem precisar treinar novamente o modelo de voz. Empresas e desenvolvedores podem integrar o agente de voz a bases de dados, buscas e tarefas em múltiplos passos. As novas funcionalidades incluem:

• Níveis de raciocínio em três etapas: Instantâneo, Médio e Avançado, permitindo ao utilizador escolher o equilíbrio entre velocidade e profundidade.
• Cartões visuais em tempo real: informações como clima, ações, resultados esportivos e mapas aparecem automaticamente durante a conversa.
• Nove tipos de voz de diálogo: vozes recriadas com foco em "diálogo, não imitação de voz", com mecanismos de proteção contra a simulação de vozes humanas.

Perguntas frequentes

Qual a diferença entre GPT-Live-1 e GPT-Live-1 mini?

Segundo o anúncio da OpenAI, GPT-Live-1 é o modelo de voz padrão para utilizadores de planos pagos Go, Plus e Pro; GPT-Live-1 mini é para utilizadores gratuitos; a API está na lista de espera para desenvolvedores. Ambos estão disponíveis imediatamente no iOS, Android e ChatGPT.com globalmente.

Como o GPT-Live trata questões complexas e qual a diferença do modo de voz avançado antigo?

De acordo com a explicação da OpenAI, o GPT-Live usa uma arquitetura modular com camada de voz e camada de raciocínio separadas; tarefas complexas são delegadas ao GPT-5.5, enquanto a camada de voz mantém a conversa contínua durante o processamento, sem pausas de alguns segundos como na versão antiga. O modo antigo dependia de silêncio para determinar turnos, podendo interpretar erroneamente o momento de interrupção; o GPT-Live usa arquitetura full-duplex, processando entrada e gerando saída simultaneamente.

Por que o novo design de voz do GPT-Live enfatiza "prevenir a simulação de vozes humanas"?

Segundo relatos, essa preocupação remonta ao evento "Sky" em maio de 2024, quando uma voz semelhante à atriz Scarlett Johansson foi criada, levando a OpenAI a retirar a voz e pedir desculpas. As nove novas vozes reforçam que o objetivo é "para diálogo, não imitação de voz", incluindo mecanismos técnicos para evitar a simulação de vozes humanas.