OpenAI añade 3 modelos de voz a Realtime API

OpenAI ha añadido tres nuevos modelos de voz a Realtime API, y el planteamiento es bastante claro: dejar de tratar la voz como una función de demostración y empezar a tratarla como infraestructura. El buque insignia GPT-Realtime-2 es el más importante, con razonamiento al nivel de GPT-5, una ventana de contexto mucho mayor y mejor manejo de pausas, interrupciones y cambios de tema. OpenAI está posicionando los nuevos modelos de voz en Realtime API frente a Perplexity, Google, Zoom y una multitud de startups que prometen una voz “natural” hasta que la conversación se complica.

La empresa también apuesta a que la fiabilidad, no un acento sintético encantador, será lo que venda. En atención al cliente, flujos de reservas y herramientas empresariales, un agente de voz que mantiene su lugar y realiza llamadas a herramientas correctamente es más útil que uno que simplemente suena agradable durante 20 segundos.

GPT-Realtime-2 recibe la mejora principal

GPT-Realtime-2 es el primer modelo de voz de OpenAI con razonamiento al nivel de GPT-5. La ventana de contexto se ha ampliado de 32K a 128K, y los desarrolladores pueden ajustar el esfuerzo de razonamiento desde “minimal” hasta “xhigh”. OpenAI afirma que el modelo maneja mejor las interrupciones, los errores y los cambios bruscos de tema, que es exactamente donde muchos asistentes de voz se desmoronan y empiezan a parecer que han perdido el hilo.

Las mejoras en las pruebas de referencia son sólidas más que llamativas. GPT-Realtime-2 (high) es un 15,2% mejor que GPT-Realtime-1.5 en Big Bench Audio, mientras que la versión xhigh supera en un 13,8% a la competencia en Audio MultiChallenge. Eso importa porque a los compradores empresariales les preocupa menos la novedad y más si el sistema puede sobrevivir a una conversación real sin descarrilar una llamada o inventar confianza donde no la hay.

Recomendado

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

“Lo que nos impresionó de GPT-Realtime-2 fue la inteligencia y la fiabilidad en la invocación de herramientas en escenarios de voz complejos. En nuestra prueba adversarial más dura, eso se tradujo en un aumento de 26 puntos en llamadas exitosas tras la optimización de prompts, 95% frente a 69%. El modelo también es notablemente más fuerte en el cumplimiento de Fair Housing, que es crítico para nuestro negocio.” Josh Weisberg, vicepresidente senior y jefe de IA de Zillow

Realtime Translate y Whisper se orientan a casos de uso prácticos

Los otros dos modelos son menos espectaculares en el papel pero, posiblemente, más fáciles de monetizar. GPT-Realtime-Translate admite más de 70 idiomas de entrada y 13 idiomas de salida para traducción en vivo, mientras que GPT-Realtime-Whisper ofrece transcripción de voz en streaming con baja latencia. Uno es para la conversación entre idiomas; el otro para subtítulos, notas y cualquier flujo de trabajo en el que esperar a que el hablante termine ya es demasiado lento.

Eso coloca a OpenAI directamente en un territorio ocupado desde hace tiempo por Zoom, Google Meet y una serie de proveedores empresariales de transcripción. El diferenciador debería ser la robustez frente a acentos regionales y la terminología específica de dominio, que es la parte que muchas demos pulidas omiten en silencio. Deutsche Telekom está probando comunicación de voz multilingüe, Vimeo muestra traducción en tiempo real para vídeos de formación, y BolnaAI afirma que ve tasas de error más bajas en reconocimiento de voz para hindi, tamil y telugu.

Precios de los tres modelos de voz

OpenAI también ha fijado precios. GPT-Realtime-2 cuesta $32 por 1 millón de tokens de entrada de audio y $64 por 1 millón de tokens de salida de audio. GPT-Realtime-Translate tiene un precio de $0.034 por minuto, y GPT-Realtime-Whisper cuesta $0.017 por minuto. Los tres modelos están disponibles ahora en Realtime API.

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

OpenAI también se apoya en controles de seguridad, con clasificadores de sesión activos en Realtime API y reglas personalizadas disponibles a través de Agents SDK. Esa es la parte poco glamurosa de la IA de voz, pero también la que decide si estos sistemas son útiles en entornos regulados o de cara al cliente en lugar de convertirse en un problema de moderación con una voz agradable.

La siguiente batalla es sencilla: qué proveedores pueden convertir la voz de una interfaz ingeniosa en un flujo de trabajo empresarial fiable. OpenAI apunta claramente a reservas, soporte, medios y ventas multilingües. Si los rivales quieren conservar ese tráfico, necesitarán algo más que mejor pronunciación y una demo llamativa.