Home / IA & ML / OpenAI publica GPT-Live-1.1 en su API para agentes de voz
OpenAI publica GPT-Live-1.1 en su API para agentes de voz

OpenAI publica GPT-Live-1.1 en su API para agentes de voz

22 November 2026 · 18 min de lectura ··

OpenAI amplía su familia de voz con GPT-Live-1.1

OpenAI ha incorporado a su API un nuevo modelo de voz, GPT-Live-1.1, pensado para quienes construyen agentes conversacionales que hablan y escuchan en tiempo real. Según la documentación para desarrolladores de la compañía, se trata de un modelo full-duplex y multilingüe: puede seguir escuchando mientras genera su propia respuesta hablada, algo que se acerca más al ritmo de una conversación humana que al turno estricto de las interfaces de voz tradicionales. La documentación lo presenta como sucesor de GPT-Live-1, con mejoras en el reconocimiento del habla y en la coherencia de voz y acento entre idiomas.

La publicación llega a través del endpoint v1/live/sessions y con un esquema de precios que cambia la unidad de cobro: en lugar de contar tokens de entrada y salida de audio, la factura se calcula por la duración de la sesión. OpenAI no ha confirmado una fecha de lanzamiento concreta para la versión 1.1; lo que existe es la ficha del modelo en la documentación, y a ella se atiene esta información. Todo lo que sigue procede de esa ficha o del anuncio previo de GPT-Live-1, salvo donde se indique lo contrario.

El movimiento es relevante para equipos de producto y de backend por una razón práctica. Los agentes de voz han sido durante años un ensamblaje de piezas: reconocimiento de voz, un modelo de lenguaje y síntesis de voz, unidos por código propio y por colas de audio difíciles de afinar. Un modelo que integra la escucha y el habla en una sola pieza reduce esa complejidad, pero también obliga a repensar dónde vive la lógica de negocio, cómo se factura y qué garantías ofrece la plataforma. Este artículo repasa qué es GPT-Live-1.1, qué cambia respecto a su predecesor, cómo funciona su modelo de delegación al backend, qué límites tiene y qué preguntas deberían hacerse los equipos antes de migrar.

Qué significa full-duplex en un modelo de voz

La mayoría de los asistentes de voz comerciales funcionan por turnos. El usuario habla, un detector de silencio decide que ha terminado, el sistema procesa y finalmente responde. Ese diseño es robusto, pero produce interrupciones torpes: si el usuario corrige a mitad de una frase del asistente, el sistema suele seguir hablando hasta que un mecanismo externo corta el audio. Los silencios de procesamiento, además, son perceptibles y rompen la naturalidad.

Un modelo full-duplex trata la conversación como dos flujos simultáneos. Escucha de forma continua incluso cuando está hablando, de modo que puede reconocer una interrupción, un asentimiento breve o una corrección, y adaptar lo que dice en consecuencia. La documentación de GPT-Live-1.1 describe precisamente esa capacidad: el modelo mantiene la escucha mientras emite su voz. No es un detalle cosmético, porque condiciona el diseño de toda la aplicación. Si el modelo gestiona la dinámica del diálogo, el desarrollador deja de escribir lógica de detección de turnos, de cancelación de audio y de reanudación tras una interrupción, que históricamente han sido fuente de errores sutiles.

También hay un coste conceptual. Cuando el modelo escucha y habla a la vez, el sistema que lo rodea debe transportar audio en ambos sentidos sin pausas, y la latencia de red deja de ser un problema secundario. Por eso la documentación hace referencia a sesiones WebRTC, un protocolo pensado para audio en tiempo real, y por eso el concepto de sesión, y no el de petición individual, es la unidad alrededor de la cual se organiza el producto.

Qué cambia frente a GPT-Live-1

OpenAI resume la diferencia entre las dos versiones en dos frentes. El primero es el reconocimiento del habla: la ficha de GPT-Live-1.1 indica que convierte la voz en texto con mayor precisión que GPT-Live-1. En un agente de voz, esa calidad es el punto donde se pierden más conversaciones. Un nombre propio mal entendido, un número de teléfono con un dígito equivocado o una dirección confusa pueden arruinar una reserva o una gestión de soporte, por mucho que el razonamiento posterior sea impecable.

El segundo frente es la consistencia entre idiomas. Según la documentación, el nuevo modelo mantiene el acento y la voz más estables cuando la conversación cambia de idioma. Para aplicaciones con público bilingüe o con hablantes que alternan lenguas dentro de una misma llamada, esa estabilidad evita el efecto de que el asistente parezca otra persona cada vez que cambia de idioma. Es una mejora que se percibe en la experiencia más que en una métrica, y que importa sobre todo en servicios de atención al cliente de mercados con varios idiomas.

Hay que ser prudentes con la magnitud de estas mejoras. La ficha habla de un reconocimiento más preciso y de voz más consistente, pero en lo consultado no se publica una cifra comparativa verificable que cuantifique cuánto. Quien evalúe la migración debería medir con sus propios audios, sus propios acentos y su propio vocabulario de dominio, en lugar de dar por hecho que la mejora será uniforme.

El predecesor: el anuncio de GPT-Live-1 en septiembre

Para entender el papel de la versión 1.1 conviene retroceder hasta GPT-Live-1. OpenAI lo anunció en su API el 10 de septiembre de 2026, tras haber presentado la familia GPT-Live en julio como la nueva generación de voz de ChatGPT. En su presentación a desarrolladores, la compañía lo describió como un modelo que gestiona escucha y habla en una única pieza, eliminando la cadena clásica de reconocimiento, razonamiento y síntesis, y con soporte para telefonía, de modo que pudiera usarse en agentes que atienden llamadas.

Ese anuncio incluyó un caso de cliente que ilustra el argumento comercial: Yelp. Según OpenAI, la empresa simplificó en un 80 % su arquitectura en cascada al adoptar el modelo. La cifra es una afirmación del proveedor, no una auditoría independiente, y conviene leerla como tal. Aun así, señala hacia dónde apunta la propuesta: menos componentes, menos puntos de fallo y menos código de integración que mantener. Yelp también comunicó que había integrado el modelo en dos de sus herramientas, una de voz para restaurantes y otra de comunicación para negocios de servicios del hogar, y que la primera ya había gestionado más de un millón de llamadas desde su lanzamiento en octubre de 2025.

GPT-Live-1.1 hereda ese planteamiento. No es un cambio de paradigma, sino un refinamiento del mismo modelo de producto: una voz integrada, con delegación de las tareas pesadas a un backend, y con una facturación por tiempo de sesión.

La delegación al backend descrita en lenguaje natural

Una de las ideas más interesantes de la documentación es cómo se decide cuándo el modelo de voz debe recurrir a algo más potente. Un modelo de voz en tiempo real tiene que responder rápido, y eso limita la profundidad del razonamiento que puede permitirse en mitad de una frase. Para tareas que requieren más cálculo, consultar una base de datos o ejecutar una acción, el sistema necesita un mecanismo de delegación.

En GPT-Live-1.1, el desarrollador describe en lenguaje natural cuándo delegar esas tareas al backend, tanto para razonamiento adicional como para el uso de herramientas. En vez de programar reglas explícitas de enrutamiento, se redactan instrucciones que explican al modelo en qué situaciones debe pasar la petición a un modelo de razonamiento más capaz o invocar una herramienta concreta. Es un enfoque coherente con la forma en que se configuran hoy los agentes: el comportamiento se declara con texto y se afina iterando sobre ejemplos reales.

Esta aproximación tiene ventajas claras. Reduce el código de pegamento, permite que perfiles no estrictamente técnicos participen en el ajuste del comportamiento y facilita cambiar la política de delegación sin redesplegar el servicio. Pero también traslada riesgos. Una instrucción ambigua puede producir delegaciones innecesarias, que encarecen la sesión y añaden latencia, o la ausencia de delegación cuando era necesaria, con respuestas que suenan seguras pero carecen de fundamento. Quien adopte este patrón necesita pruebas de conversaciones representativas y registros que permitan ver qué decisiones tomó el modelo y por qué.

Function calling sí, salidas estructuradas y fine-tuning no

La ficha técnica es explícita sobre las capacidades soportadas y las que no. GPT-Live-1.1 admite function calling: el modelo puede solicitar la ejecución de funciones definidas por el desarrollador, como consultar la disponibilidad de una mesa, buscar un pedido o crear una incidencia. Es la vía natural para conectar la voz con los sistemas de la empresa, y encaja con la delegación descrita antes.

En cambio, el modelo no admite salidas estructuradas ni ajuste fino. La ausencia de salidas estructuradas significa que no se puede forzar que el modelo responda con un esquema JSON garantizado. Para una interfaz de voz tiene cierto sentido, porque la salida principal es audio, pero obliga a que cualquier dato estructurado pase por las llamadas a funciones o por el backend. Quien necesite extraer campos de una conversación, como un nombre, una fecha o un importe, deberá hacerlo mediante herramientas o con un procesamiento posterior sobre el texto de la conversación.

La falta de fine-tuning pesa más para organizaciones con vocabulario muy especializado, como términos médicos, nombres de productos o jergas sectoriales. Sin la posibilidad de ajustar el modelo, la personalización se limita a las instrucciones, al contexto que se le proporcione y a las herramientas. Es una restricción que debe sopesarse en el diseño: si el reconocimiento de ciertos términos falla de forma sistemática, la solución no será reentrenar, sino reforzar el contexto y validar los datos críticos mediante confirmaciones en la propia conversación.

Cómo se factura: tiempo de sesión en lugar de tokens

El cambio más llamativo para quienes gestionan costes es la unidad de cobro. Según la documentación, GPT-Live-1.1 se factura por la duración de la sesión. El precio de lista es de 0,05 dólares por minuto activo y de 0,02 dólares por minuto en espera, esta última tarifa aplicada a sesiones WebRTC en las que la inferencia está en pausa. La distinción tiene sentido operativo: una llamada incluye silencios, esperas mientras el usuario piensa o mientras una herramienta responde, y no todos los minutos exigen el mismo cómputo.

Hay un detalle importante que la propia ficha subraya: el uso de modelos y herramientas del backend se factura aparte. La tarifa por minuto cubre la capa de voz, no el razonamiento adicional que se delegue ni las herramientas que se invoquen. En términos prácticos, el coste de una conversación es la suma de tres componentes: el tiempo de sesión de voz, el consumo de los modelos de razonamiento a los que se derive trabajo y el coste de las herramientas externas.

Para un equipo financiero, la facturación por minutos tiene la virtud de la previsibilidad. Se puede estimar el gasto multiplicando minutos de llamada por la tarifa, algo más fácil de comunicar que una cuenta de tokens de audio. El inconveniente es que castiga los diseños con sesiones largas e inactivas. Si un agente mantiene la sesión abierta durante mucho tiempo sin necesidad, aunque a tarifa reducida, el gasto se acumula. Conviene por tanto decidir con criterio cuándo abrir, pausar y cerrar sesiones, y medir el ratio entre minutos activos y minutos en espera.

Un ejemplo de cálculo para equipos de producto

Un ejemplo ilustrativo, con los precios de lista, ayuda a dimensionar. Supongamos un servicio que atiende mil llamadas al mes con una duración media de cuatro minutos, y que en promedio tres de esos minutos son activos y uno es de espera en una sesión WebRTC. Con 0,05 dólares por minuto activo, los tres minutos suponen 0,15 dólares; el minuto de espera a 0,02 dólares añade otros 0,02. La capa de voz costaría así unos 0,17 dólares por llamada, es decir, alrededor de 170 dólares al mes por las mil llamadas, antes de contar nada del backend.

Es un cálculo de referencia, no una predicción, y descansa en suposiciones sobre la distribución del tiempo. Lo que sí deja claro es dónde se concentra la incertidumbre: no en la tarifa de voz, que es fija por minuto, sino en el consumo de los modelos y herramientas delegados. Un agente que delega casi todo a un modelo de razonamiento costoso puede acabar gastando mucho más en esa parte que en la voz. De ahí que la política de delegación, descrita en lenguaje natural, sea también una política de costes, y que merezca tanta atención como la calidad de la conversación.

Límites de concurrencia y operación en producción

Otro aspecto que la documentación destaca son los límites de sesiones concurrentes. GPT-Live-1.1 tiene los suyos, separados de los de GPT-Live-1. En la práctica, esto significa que una organización que ya usa la primera versión no hereda automáticamente su capacidad en la nueva: debe comprobar qué cupo tiene asignado en cada modelo, y solicitar ajustes si prevé picos de llamadas.

La concurrencia es crítica en voz porque cada conversación ocupa una sesión durante todo el tiempo que dura, a diferencia de las peticiones de texto, que son breves y se reparten con facilidad. Un centro de atención con picos a ciertas horas puede toparse con el límite en el peor momento, con llamadas rechazadas o degradadas. Lo prudente es planificar la capacidad, monitorizar el número de sesiones simultáneas y definir qué ocurre cuando se alcanza el techo: cola de espera, desvío a un agente humano o mensaje de reintento.

La separación de límites también tiene una lectura favorable para una migración gradual. Al no compartir cupo, un equipo puede ejecutar ambas versiones en paralelo, dirigiendo una fracción del tráfico a la nueva y comparando resultados, sin que una compita con la otra por la capacidad disponible. Esa estrategia permite validar la calidad del reconocimiento y la coherencia de voz con llamadas reales antes de un cambio completo.

Del modelo en cascada al modelo integrado: lo que se gana y lo que se pierde

La arquitectura en cascada ha dominado los agentes de voz porque ofrece control. Cada etapa se puede elegir, medir y sustituir por separado: un motor de reconocimiento para un idioma, un modelo de lenguaje para el razonamiento, una voz sintética con la personalidad deseada. Cuando algo falla, se sabe qué pieza revisar. A cambio, la suma de etapas añade latencia, complica el manejo de interrupciones y multiplica los servicios que operar.

Un modelo integrado como GPT-Live-1.1 invierte el equilibrio. Gana en naturalidad y en simplicidad, y la propuesta de OpenAI, con el caso de Yelp como ejemplo, es que esa simplificación compensa. Pierde, en cambio, parte de la capacidad de intervenir en cada etapa. Si el reconocimiento falla, no hay un motor alternativo que enchufar; si la voz no encaja con la marca, la personalización queda limitada a lo que el modelo permita. La ausencia de fine-tuning refuerza esa dependencia del proveedor.

Para muchos equipos la decisión será híbrida. Los casos de volumen alto y conversaciones relativamente previsibles, como reservas, confirmaciones o preguntas frecuentes, son los candidatos naturales al modelo integrado. Los casos con requisitos regulatorios estrictos, auditoría detallada del texto intercambiado o vocabulario muy específico pueden seguir justificando una cascada donde cada etapa sea inspeccionable. No hay una respuesta universal, y la mejor práctica es medir con datos propios antes de comprometerse.

Lo que esto dice del mercado de agentes de voz

La llegada de una versión 1.1 apenas unas semanas después de la primera, si se atiende al calendario que dibuja la documentación y el anuncio de septiembre, sugiere un ritmo de iteración rápido en este segmento. La voz en tiempo real se está convirtiendo en una categoría de producto con versiones numeradas, límites propios y tarifas diferenciadas, igual que antes ocurrió con los modelos de texto. Para los desarrolladores, eso implica gestionar el ciclo de vida de los modelos: saber cuándo conviene actualizar, cómo comparar versiones y cómo evitar quedar atado a una concreta.

También se aprecia una convergencia entre voz y agentes. La delegación al backend en lenguaje natural convierte al modelo de voz en la capa de interacción de un sistema mayor, en el que otros modelos y herramientas hacen el trabajo pesado. Es una visión coherente con el movimiento general hacia agentes que actúan, y no solo conversan. Una tendencia comparable se observa en el terreno de los asistentes de plataforma: el análisis sobre cómo Apple abre Siri AI a los desarrolladores muestra que las grandes compañías están abriendo sus capas de voz a terceros, lo que aumenta la competencia por ser el punto de entrada de las conversaciones.

En paralelo, la evaluación de estos sistemas sigue siendo un desafío. Los resultados en pruebas de agentes, como los que recoge la noticia sobre Copilot Fusion Max y su 71,2 % en Terminal-Bench 4.1, recuerdan que las cifras de referencia dependen del benchmark, de su configuración y de quién las publica. Lo mismo vale para la voz: las mejoras declaradas por un proveedor deben contrastarse con medidas propias.

Buenas prácticas para una migración ordenada

Antes de adoptar GPT-Live-1.1, un equipo puede seguir una secuencia de pasos razonable. Primero, reunir un conjunto de llamadas representativas, con los acentos, los ruidos de fondo y los términos de dominio que aparecen en producción, y usarlo como banco de pruebas para comparar el reconocimiento de la versión actual con la nueva. Segundo, revisar las instrucciones de delegación escritas para el modelo anterior y comprobar que siguen produciendo las mismas decisiones, porque un cambio de versión puede alterar cómo se interpreta un texto.

Tercero, instrumentar el sistema para separar costes: minutos activos, minutos en espera, consumo de modelos del backend y uso de herramientas. Sin esa separación es imposible saber si un aumento de gasto procede de conversaciones más largas o de una delegación excesiva. Cuarto, definir confirmaciones explícitas para datos críticos como importes, fechas y números de contacto, ya que no hay salidas estructuradas que garanticen el formato y el reconocimiento del habla, aunque mejore, no es infalible.

Quinto, preparar la operación: monitorizar sesiones concurrentes frente al límite asignado, establecer alertas, y diseñar un camino de escalado a una persona cuando el agente no pueda resolver. Y sexto, desplegar de forma gradual, aprovechando que los límites de las dos versiones son independientes para enviar primero una pequeña parte del tráfico a la nueva. Estas prácticas no son específicas de OpenAI, pero cobran peso cuando la unidad de facturación es el tiempo y la conversación ocurre en directo.

Riesgos, privacidad y confianza del usuario

Los agentes de voz plantean cuestiones que van más allá de la ingeniería. Una voz sintética que mantiene un acento y un timbre coherentes en varios idiomas es más convincente, y eso eleva la responsabilidad de informar al interlocutor de que habla con un sistema automático. Muchas jurisdicciones y políticas internas exigen esa transparencia, y ninguna mejora de naturalidad debería servir para eludirla.

La grabación y el tratamiento del audio añaden obligaciones de protección de datos. Una conversación contiene información personal, a menudo sensible, y el equipo debe decidir qué se almacena, durante cuánto tiempo y con qué base legal. Cuando la delegación envía contenido a modelos y herramientas del backend, el flujo de datos se ramifica, y cada destino debe revisarse. La documentación de la que parte esta información se centra en capacidades, precios y límites; las decisiones de cumplimiento corresponden a cada organización.

Por último, está la confianza del usuario. Un agente que interrumpe mal, que malinterpreta un nombre o que delega en silencio durante demasiado tiempo erosiona la experiencia, por avanzada que sea la tecnología. La naturalidad full-duplex eleva las expectativas: si el sistema suena humano, se le exige un comportamiento humano. Diseñar respuestas de cortesía mientras una herramienta trabaja, y reconocer abiertamente cuando algo no se ha entendido, sigue siendo tan importante como la elección del modelo.

Qué implica para el oficio del desarrollador

La tendencia de fondo es que el desarrollador pasa de ensamblar componentes a orquestar comportamientos. En un agente de voz basado en GPT-Live-1.1, buena parte del trabajo consiste en redactar instrucciones, definir herramientas, modelar sesiones y medir resultados, más que en escribir código de bajo nivel para audio. Es un cambio de énfasis que recuerda al debate sobre cómo la automatización acelera la producción pero redefine las competencias, un tema que se aborda en el análisis de por qué programar con IA acelera el trabajo pero el oficio se resiente.

La lección es doble. Por un lado, las plataformas absorben complejidad que antes era responsabilidad del equipo, lo que libera tiempo para el producto. Por otro, el criterio técnico se vuelve más importante, no menos: saber evaluar un reconocimiento de voz, diseñar una política de costes, anticipar fallos de concurrencia y razonar sobre privacidad exige comprender cómo funciona el sistema por dentro, aunque ya no se construya pieza a pieza.

Situación actual

A fecha de esta publicación, GPT-Live-1.1 figura en la documentación para desarrolladores de OpenAI como un modelo disponible a través del endpoint v1/live/sessions, con soporte de streaming y function calling, sin salidas estructuradas ni fine-tuning, con facturación por duración de sesión y con límites de concurrencia propios. OpenAI no ha confirmado públicamente una fecha de lanzamiento para esta versión, y en lo consultado no constan análisis independientes ni pruebas comparativas específicas de GPT-Live-1.1, por lo que las mejoras en reconocimiento y consistencia de voz descansan por ahora en la descripción del propio fabricante.

Su predecesor, GPT-Live-1, sigue siendo la referencia con casos de cliente documentados, como el de Yelp y su reducción del 80 % en la complejidad de la arquitectura en cascada, según la compañía. Los precios mencionados son los de lista y pueden variar según el acuerdo de cada cliente; el coste del backend se suma aparte. Los equipos interesados deberían consultar la ficha oficial del modelo para confirmar condiciones actualizadas antes de planificar un despliegue.

Conclusiones

GPT-Live-1.1 es una iteración que consolida la apuesta de OpenAI por la voz integrada: un modelo full-duplex y multilingüe que escucha mientras habla, transcribe con más precisión que su predecesor y mantiene mejor la voz y el acento entre idiomas. Su mecanismo de delegación en lenguaje natural simplifica la conexión con modelos de razonamiento y herramientas, y el soporte de function calling cubre la integración con sistemas existentes.

Sus límites son igual de claros. No admite salidas estructuradas ni fine-tuning, factura por tiempo de sesión con el backend aparte y aplica cupos de concurrencia independientes de GPT-Live-1. Esas condiciones obligan a pensar en costes, capacidad y verificación de datos críticos desde el diseño.

La recomendación prudente es medir antes de migrar: probar con audio real, separar los costes por componente, desplegar de forma gradual y mantener una vía de escalado a personas. Las mejoras declaradas por el proveedor son una buena razón para evaluar el modelo, pero no sustituyen la validación propia. Con una fecha de lanzamiento aún sin confirmar y pocos datos independientes, la actitud más sensata es seguir la documentación oficial y avanzar con pruebas controladas.