GPT-Live inaugura una nova etapa per a ChatGPT Voice: un model de veu capaç d’escoltar i parlar al mateix temps, mantenir una conversa molt més natural, delegar tasques complexes a models de frontera i mostrar respostes visuals sense trencar el flux del diàleg.
OpenAI ha presentat GPT-Live, una nova generació de models de veu dissenyada perquè parlar amb una intel·ligència artificial s’assembli molt més a conversar amb una altra persona. La novetat ja comença a alimentar la nova experiència de ChatGPT Voice i representa un dels canvis més importants en l’evolució de la interacció entre humans i màquines des de l’arribada de ChatGPT. La companyia no es limita a millorar la qualitat d’una veu sintètica o a reduir alguns segons d’espera. El que planteja és una arquitectura completament diferent: un sistema capaç d’escoltar i parlar simultàniament, seguir el ritme natural d’una conversa, esperar quan l’usuari necessita pensar, interrompre de manera més humana quan té sentit i delegar en models més potents aquelles tasques que exigeixen cerca, raonament profund o treball complex.
La clau tècnica de l’anunci és l’arquitectura full-duplex. Fins ara, moltes experiències de veu amb IA funcionaven com una successió de torns rígids: l’usuari parlava, el sistema detectava el silenci, transcrivia el contingut, el processava, generava una resposta i la convertia novament en àudio. Aquest esquema permetia conversar amb models molt avançats, però també generava pauses llargues, interrupcions poc naturals i una sensació evident d’artificialitat. GPT-Live modifica completament aquesta lògica perquè processa l’entrada de veu mentre genera la sortida de veu. És a dir, pot escoltar i parlar al mateix temps. OpenAI explica que el model és capaç de decidir desenes de vegades per segon si ha de continuar escoltant, respondre, fer una pausa, interrompre, mantenir-se en silenci o activar alguna eina. Aquesta capacitat permet una conversa molt més fluida, amb senyals d’escolta activa com ara “mm”, “sí”, “t’entenc” o “d’acord”, i amb una gestió molt més natural dels silencis de l’usuari.
Aquest canvi pot semblar subtil, però és profundament transformador. Les converses humanes no funcionen com un formulari on cadascú espera pacientment el seu torn. Les persones se superposen, dubten, es corregeixen mentre parlen, deixen frases a mitges, fan pauses per pensar i reaccionen amb petits sons que indiquen que continuen escoltant. Una IA que espera sempre que l’usuari acabi completament abans de respondre ofereix una experiència més semblant a deixar un missatge de veu que no pas a mantenir una conversa real. GPT-Live pretén acostar-se molt més al comportament humà, on escoltar activament és tan important com saber respondre.
OpenAI presenta aquesta tecnologia com un pas decisiu cap a una relació molt més natural amb la intel·ligència artificial. La seva visió és que col·laborar amb una IA pugui arribar a sentir-se tan fluid com treballar amb una altra persona, mentre les tasques més complexes s’executen en segon pla. Aquesta idea resumeix perfectament el canvi de paradigma. La veu deixa de ser un simple canal d’entrada i sortida per convertir-se en una capa conversacional contínua. La IA ja no espera únicament instruccions: acompanya el procés, manté el context, administra els silencis i decideix quan intervenir.
GPT-Live també resol una de les grans limitacions històriques dels sistemes de veu: la pèrdua d’informació provocada per l’encadenament de diferents models. La primera generació de ChatGPT Voice funcionava mitjançant una arquitectura en cascada: un model convertia la veu en text, un altre generava la resposta i un tercer la transformava novament en veu. Aquest enfocament feia possible parlar amb un model de frontera, però també introduïa friccions. Cada pas podia perdre matisos, augmentar la latència o produir respostes menys naturals. OpenAI reconeix que aquelles converses podien resultar lentes i excessivament rígides.
La següent evolució, coneguda com a Advanced Voice Mode, va reduir bona part d’aquesta rigidesa integrant l’àudio dins d’un únic model, però continuava funcionant per torns. El sistema havia d’esperar que l’usuari deixés de parlar abans de començar a respondre. A més, com que la detecció del final de cada intervenció es basava principalment en els silencis, qualsevol pausa breu o soroll ambiental podia interpretar-se erròniament com el final del missatge. Això provocava interrupcions poc naturals o respostes precipitades. GPT-Live neix precisament per superar aquestes limitacions.
La segona gran innovació és la delegació intel·ligent de tasques complexes. OpenAI explica que GPT-Live s’encarrega de mantenir la conversa fluida mentre delega en models molt més potents aquelles operacions que exigeixen cerca web, raonament profund o comportaments agèntics. En aquesta primera fase utilitza GPT-5.5 en segon pla per resoldre aquestes tasques, però la companyia ja ha anunciat que anirà incorporant els futurs models de frontera a mesura que estiguin disponibles.
Aquesta separació entre conversa i raonament és especialment rellevant. Fins ara els usuaris detectaven fàcilment quan un sistema d’IA havia de “pensar”: la conversa es congelava durant uns segons mentre el model elaborava la resposta. GPT-Live manté el fil del diàleg mentre el treball més intens es desenvolupa al darrere. L’usuari pot continuar parlant, matisar la seva petició o aportar nova informació mentre el sistema busca dades, consulta eines o genera una resposta molt més elaborada.
Aquest enfocament anticipa una nova generació d’assistents digitals. Els antics assistents de veu servien principalment per executar ordres simples: posar una alarma, reproduir música, consultar el temps o enviar un missatge. GPT-Live apunta cap a una IA capaç d’acompanyar processos molt més llargs: preparar una reunió, estudiar un tema complex, practicar idiomes, organitzar una agenda, revisar un informe, explicar un concepte científic o col·laborar en una tasca professional. La veu deixa de ser una simple interfície per donar ordres ràpides i es converteix en una eina de treball continu.
OpenAI afirma que cada setmana més de 150 milions de persones utilitzen la veu per interactuar amb ChatGPT, ja sigui per obtenir ajuda mentre tenen les mans ocupades, practicar idiomes, explicar contes abans d’anar a dormir o conversar durant els desplaçaments. Aquesta dada demostra que la veu ja no és una funció complementària, sinó una de les principals formes d’interacció amb la plataforma.
La nova experiència s’està desplegant progressivament a iOS, Android i ChatGPT.com. GPT-Live-1 serà el model predeterminat per als usuaris dels plans Go, Plus i Pro, mentre que GPT-Live-1 mini alimentarà la versió gratuïta. OpenAI també ha anunciat que pròximament incorporarà GPT-Live a la seva API perquè desenvolupadors i empreses puguin construir els seus propis assistents de veu sobre aquesta tecnologia.
La diferenciació entre GPT-Live-1 i GPT-Live-1 mini respon a una estratègia cada vegada més habitual dins la IA generativa: oferir diferents nivells de prestacions segons el cost computacional. Les converses de veu en temps real consumeixen una gran quantitat de recursos, especialment quan exigeixen baixa latència, escolta contínua, resposta expressiva i connexió amb models de frontera. La versió mini permet estendre aquesta experiència a milions d’usuaris sense disparar els costos d’infraestructura.
OpenAI resumeix les millores visibles per a l’usuari en quatre grans blocs. El primer és una conversa molt més natural, amb la possibilitat d’interrompre ChatGPT, demanar-li que parli més lentament o deixar espais de silenci perquè l’usuari pugui pensar. El segon és una major intel·ligència gràcies a la connexió amb GPT-5.5 quan cal resoldre tasques més exigents. El tercer és una escolta molt més precisa, capaç d’ignorar millor els sorolls de fons i de respectar els silencis de l’usuari. El quart és la incorporació de respostes visuals enriquides que poden mostrar informació meteorològica, cotitzacions borsàries, resultats esportius o altres continguts gràfics sense abandonar la conversa oral.
Aquestes millores situen OpenAI en una posició molt competitiva dins la batalla pels assistents de veu. Durant anys, Siri, Alexa i Google Assistant van popularitzar la idea dels assistents conversacionals, però sempre van estar limitats per sistemes rígids, poca memòria contextual i escassa capacitat de raonament. GPT-Live intenta superar definitivament aquestes limitacions i acostar-se molt més a una conversa real.
La veu també adquireix una nova dimensió social. Per a moltes persones, parlar és molt més ràpid que escriure. En contextos com la conducció, la cuina, els desplaçaments, l’aprenentatge d’idiomes, l’accessibilitat o l’acompanyament de persones grans, la veu pot convertir-se en la principal forma d’interacció amb la IA. Però aquesta mateixa proximitat emocional també incrementa els riscos.
Per aquest motiu OpenAI dedica una part important de GPT-Live a la seguretat. La companyia explica que ha desenvolupat entrenaments específics sobre riscos relacionats amb l’àudio i ha realitzat proves intensives centrades en autolesions, dependència emocional, psicosi, mania, violència i contingut sexual. També ha reforçat les proteccions per als adolescents, ha adaptat els recursos de suport per a persones vulnerables i ha introduït mecanismes que poden interrompre o redirigir una conversa si detecten situacions potencialment perilloses.
La protecció davant la suplantació de veu és un altre element fonamental. GPT-Live utilitza únicament un conjunt limitat de veus oficials d’OpenAI i incorpora salvaguardes per impedir la imitació de persones reals, reduint així el risc de fraus, estafes o deepfakes de veu.
Segons les proves internes d’OpenAI, GPT-Live és clarament preferit pels usuaris respecte a l’antic Advanced Voice Mode en aspectes com la naturalitat, el ritme de conversa, la gestió dels torns de paraula, les interrupcions i la qualitat global de la interacció. També supera els models anteriors en proves de raonament científic, cerca web i atenció telefònica basada en múltiples torns de conversa.
Aquesta evolució apunta també cap al món empresarial. GPT-Live pot convertir-se en la base de futurs assistents telefònics, sistemes d’atenció al client, tutors educatius, entrenadors personals, assistents sanitaris, eines d’accessibilitat o plataformes de formació. La diferència respecte als antics bots telefònics és enorme: en lloc de seguir arbres de decisió rígids, aquests nous sistemes poden comprendre el context, mantenir el fil de la conversa, consultar informació i adaptar les seves respostes.
Tanmateix, aquesta evolució també obliga a actuar amb prudència. Automatitzar completament determinades converses sensibles pot comportar riscos importants. La IA pot resultar extraordinàriament útil en gestions rutinàries, però continuarà essent necessari mantenir la supervisió humana en àmbits com la salut mental, els conflictes legals, les emergències o les decisions financeres complexes.
L’anunci de GPT-Live també té una lectura cultural. Durant dècades la ciència-ficció va imaginar assistents capaços de conversar de manera completament natural amb els humans. OpenAI acosta aquesta visió al gran públic, però ho fa en un moment en què la societat també es pregunta fins a quin punt aquestes converses poden influir en les emocions, les relacions socials o la confiança que dipositem en les màquines.
