GPT-Live: OpenAI apresenta novo modelo de voz com interação contínua e arquitetura de baixa latência
A OpenAI anunciou o GPT-Live, uma nova geração de modelos de voz projetada para permitir interação contínua por áudio com inteligência artificial. A tecnologia, que agora alimenta o recurso de voz do ChatGPT, foi construída sobre uma arquitetura chamada full-duplex, que permite ao sistema processar a entrada de áudio enquanto gera uma resposta ao mesmo tempo.
Diferentemente dos sistemas de voz anteriores, que processavam mensagens em sequência de forma separada, o GPT-Live opera de maneira contínua. O modelo é capaz de tomar decisões de interação várias vezes por segundo, avaliando se deve falar, continuar ouvindo, fazer uma pausa, interromper o usuário ou acionar uma ferramenta externa. Esse funcionamento contínuo substitui o antigo modelo baseado em turnos discretos, em que o assistente aguardava o usuário terminar de falar antes de começar a responder.
A nova arquitetura busca tornar as conversas por voz mais naturais e fluidas. O GPT-Live consegue manter uma noção de tempo mais precisa durante o diálogo, realizar tradução em tempo real e lidar com interrupções e mudanças de direção sem quebras abruptas na conversa. Segundo a empresa, o sistema consegue ouvir enquanto fala, perceber quando o usuário interrompe e decidir se deve continuar, parar ou reconhecer a fala do interlocutor.
Entre os comportamentos implementados está a capacidade de demonstrar atenção durante a conversa por meio de expressões curtas como "aham" e "tá", além de participar de trocas rápidas de fala ou simplesmente ficar em silêncio quando o usuário precisa de um momento para pensar. A ideia é reproduzir a dinâmica de uma ligação telefônica, em que há escuta e fala simultâneas, em vez do comportamento de um walkie-talkie, no qual cada lado precisa esperar o outro terminar.
Outro ponto central da arquitetura é a separação entre a interação por voz e o processamento mais aprofundado de tarefas. Quando uma pergunta exige busca, raciocínio complexo ou capacidades mais avançadas, o GPT-Live pode delegar essa parte do trabalho a outro modelo, como o GPT-5.5. Enquanto isso, a camada de voz continua ativa, mantendo a conversa fluindo mesmo enquanto tarefas mais pesadas são executadas em segundo plano.
Esse desacoplamento resolve um dilema comum em modelos de voz, que precisam equilibrar baixa latência, ou seja, respostas rápidas após o usuário terminar de falar, com a capacidade de realizar raciocínios mais elaborados, que normalmente exigem mais tempo de processamento. Com a divisão proposta, o GPT-Live permanece ágil nas trocas casuais e recorre a modelos mais robustos apenas quando a complexidade da pergunta exige.
A OpenAI também destaca que essa mudança arquitetural permite que o GPT-Live utilize de forma contínua os modelos e agentes mais recentes disponíveis. A combinação entre uma camada de interação dedicada e o acesso à inteligência de fronteira da empresa visa oferecer uma experiência de voz que una naturalidade conversacional com capacidade técnica avançada.
Na prática, o modelo foi otimizado para streaming de áudio contínuo e interação full-duplex, com decisões tomadas em intervalos inferiores a um segundo. Isso desbloqueia funcionalidades como sinais de retroalimentação, pequenas frases ditas pelo assistente enquanto o usuário ainda está falando, e o tratamento de interrupções no meio de uma frase, recursos que não estavam presentes de forma estruturada em versões anteriores do modo de voz do ChatGPT.
Com o lançamento do GPT-Live, a OpenAI reposiciona o recurso de voz do ChatGPT como um componente nativo da experiência de conversação por IA, em vez de um recurso adicional acoplado a um modelo de texto. A expectativa é que a nova arquitetura sirva como base para futuras integrações entre agentes e assistentes de voz, mantendo a conversa ativa enquanto diferentes tarefas são processadas simultaneamente nos bastidores.
