OpenAI añade 3 modelos de voz a la API en tiempo real

OpenAI ha incorporado tres modelos de voz a su API en tiempo real, y el mensaje es claro: esto es para asistentes que necesitan escuchar correctamente, mantener el contexto y realmente hacer las cosas. Eso sitúa a OpenAI en competencia directa con Google, Perplexity y una larga fila de startups que aún tienden a crear experiencias de “chatbot con micrófono” en lugar de interfaces de voz utilizable.

La estrella del paquete es GPT-Realtime-2. Incorpora una ventana de contexto que salta de 32K a 128K, niveles de esfuerzo de razonamiento desde minimal hasta xhigh, y un mejor manejo de pausas, errores y cambios bruscos de tema. En otras palabras, el modelo se está afinando para la manera desordenada en que la gente realmente habla, no para la forma ordenada que los guiones de demostración pretenden.

GPT-Realtime-2 gana contexto y control

OpenAI también se apoya en cifras, porque los sistemas de voz son fáciles de elogiar y difíciles de confiar. GPT-Realtime-2 high superó a GPT-Realtime-1.5 en un 15.2% en Big Bench Audio, mientras que la versión xhigh fue un 13.8% mejor en Audio MultiChallenge. Ese tipo de mejora importa más para llamadas de soporte, reservas y otras tareas rentables que para otra voz pulida que empieza a trabarse al cabo de un minuto.

Zillow es uno de los ejemplos iniciales nombrados. Josh Weisberg, vicepresidente senior y jefe de IA de la compañía, dijo que al equipo le impresionó sobre todo la inteligencia del modelo y la fiabilidad en el uso de herramientas en flujos de voz complejos. Tras la optimización de prompts, las llamadas exitosas subieron del 69% al 95%, y según se informa el sistema rindió mejor en los controles de cumplimiento de Fair Housing.

La traducción y la transcripción en vivo se abaratan

La segunda parte del lanzamiento apunta a trabajos más ordinarios. GPT-Realtime-Translate admite más de 70 idiomas de entrada y 13 idiomas de salida, mientras que GPT-Realtime-Whisper ofrece transcripción en streaming con baja latencia. Uno sirve para traducción en vivo; el otro, para subtítulos, notas y cualquier flujo de trabajo en el que esperar al final de una frase ya sea demasiado lento.

Recomendado

Hassabis dice que las STEM te hacen 10 veces mejor en IA

OpenAI entra en un carril muy concurrido, con Zoom, Google Meet y proveedores de transcripción empresariales que ya venden promesas similares. La diferencia es que la cobertura de idiomas y la resistencia a acentos, modos de hablar regionales y jerga de dominio siguen siendo puntos débiles en gran parte de la categoría, así que quien maneje mejor el habla del mundo real se llevará el negocio.

Precios de los modelos de voz de OpenAI

• GPT-Realtime-2: $32 por 1 millón de tokens de audio de entrada y $64 por 1 millón de tokens de audio de salida
• GPT-Realtime-Translate: $0.034 por minuto
• GPT-Realtime-Whisper: $0.017 por minuto

OpenAI dice que los tres modelos ya están disponibles en la API en tiempo real. También está impulsando funciones de seguridad como clasificadores activos de sesión, además de reglas personalizadas a través del Agents SDK, lo cual es una medida sensata en una categoría de producto donde las cosas tienden a desviarse de la forma menos agradable posible.

La verdadera prueba ahora es simple: qué empresa puede hacer que la capa de voz sea lo bastante fiable para venderla, dar soporte y traducir a escala, no solo sonar bien durante 30 segundos. Los ganadores serán quienes consigan que sus asistentes dejen de quedarse colgados a mitad de una frase.