A OpenAI apresentou o GPT-Live, uma nova geração de modelos de voz que agora alimenta o ChatGPT Voice. A mudança principal para desenvolvedores é arquitetural: o GPT-Live ouve e fala ao mesmo tempo, em vez de operar em turnos rígidos.
Nas experiências anteriores de voz do ChatGPT, incluindo o Modo de Voz Avançado, o fluxo era baseado em turnos: você falava, o modelo esperava, depois respondia. O GPT-Live funciona em full-duplex: processa áudio de entrada enquanto gera áudio de saída e decide várias vezes por segundo se deve falar, continuar ouvindo, pausar, interromper ou chamar uma ferramenta.
Na prática, isso permite comportamentos mais naturais:
- emitir sinais como “uhum” enquanto o usuário fala;
- aguardar quando o usuário faz uma pausa para pensar;
- lidar melhor com interrupções no meio da resposta;
- delegar tarefas mais complexas a outro modelo sem “matar” a conversa.
GPT-Live em resumo
| Detalhe | |
|---|---|
| Anunciado | 8 de julho de 2026 |
| O que é | Família de modelos de voz full-duplex que alimenta o ChatGPT Voice |
| Variantes | GPT-Live-1, GPT-Live-1 mini, GPT-Live-1 Medium, GPT-Live-1 High |
| Backend | GPT-5.5 Instant (1 e mini); GPT-5.5 Thinking (Médio e Alto) |
| Padrão para planos pagos (Go/Plus/Pro) | GPT-Live-1 |
| Padrão para camada Gratuita | GPT-Live-1 mini |
| Plataformas | iOS, Android, chatgpt.com (lançamento global) |
| Compartilhamento de vídeo / tela | Não no lançamento; "trabalhando para introduzir essas capacidades em breve" |
| API | Ainda não disponível; a OpenAI planeja trazê-lo para a API "em breve" |
Como pensar no GPT-Live como arquitetura
Para implementação, o ponto mais importante não é apenas “voz melhor”. É a separação entre três responsabilidades:
Camada de interação em tempo real
Mantém a conversa fluida, decide quando falar, pausar ou ouvir.Camada de raciocínio
Resolve perguntas difíceis, pesquisa ou tarefas que exigem mais contexto.Camada de ferramentas
Executa ações externas, busca dados, retorna resultados estruturados e os injeta de volta na conversa.
Esse desenho é relevante porque muitos agentes de voz falham quando tentam usar um único modelo para tudo: baixa latência, fala natural, raciocínio profundo e chamadas de ferramentas.
O GPT-Live tenta resolver isso com full-duplex mais delegação.
As quatro variantes e o que as impulsiona
O GPT-Live é lançado como uma família. Segundo a OpenAI, “GPT-Live-1 (instantâneo) e GPT-Live-1 mini usam o modelo GPT-5.5 Instant em segundo plano, enquanto GPT-Live-1 Medium e GPT-Live-1 High usam o modelo GPT-5.5 Thinking com esforço de raciocínio médio e alto.”
Ou seja: a camada de voz é o produto, e o GPT-5.5 faz o trabalho pesado de raciocínio por trás dela.
Na prática:
- GPT-Live-1: modelo diário principal, padrão para assinantes Go, Plus e Pro.
- GPT-Live-1 mini: padrão para usuários da camada Gratuita, mantendo o estilo full-duplex.
- GPT-Live-1 Medium e High: priorizam raciocínio mais profundo, usando GPT-5.5 Thinking com esforço médio e alto.
Se você está desenhando um produto de voz, essa divisão sugere um padrão útil: use um caminho rápido para turnos simples e um caminho mais forte para tarefas que exigem raciocínio, pesquisa ou execução de ferramentas.
Delegação: a segunda ideia arquitetônica
O full-duplex é apenas metade do design. A outra metade é a delegação.
Segundo a OpenAI, “quando uma pergunta exige pesquisa, raciocínio ou mais capacidades de agente, o GPT-Live pode delegar a tarefa a outro modelo, como o GPT-5.5”, e integrar o resultado de volta à conversa quando estiver pronto.
Isso resolve um problema clássico de IA de voz:
- modelos rápidos são bons para conversação, mas fracos em tarefas difíceis;
- modelos fortes são melhores para raciocínio, mas podem ser lentos para interação em tempo real.
Com delegação, o modelo de voz mantém a conversa ativa enquanto outro modelo trabalha em segundo plano.
Um fluxo conceitual seria:
Usuário fala
↓
Camada de voz detecta intenção
↓
Se for simples:
responde diretamente
↓
Se for complexo:
mantém a conversa
delega para modelo mais forte ou ferramenta
recebe resultado
resume ou continua a resposta em voz
Para desenvolvedores, esse padrão é mais importante do que o nome do modelo. Mesmo antes de uma API do GPT-Live existir, você pode aplicar a mesma ideia em agentes de voz usando filas, eventos e chamadas assíncronas.
O que o GPT-Live pode fazer no lançamento
Além da conversação full-duplex, o conjunto inicial de recursos inclui:
- Pesquisa na web, delegada e integrada de volta ao diálogo;
- Tradução ao vivo entre idiomas na conversa;
- Cartões visuais renderizados na tela para clima, ações e esportes;
- Uploads de imagens e arquivos dentro de uma conversa por voz;
- Memória, consistente com o restante do ChatGPT.
A principal limitação no lançamento: o GPT-Live ainda não suporta voz com vídeo ou compartilhamento de tela no ChatGPT.
O Modo de Voz Avançado mantém essas capacidades para assinantes elegíveis, e os modos de Voz Padrão e Avançado continuam disponíveis. Se seu caso de uso depende de apontar a câmera para objetos ou compartilhar tela, ainda vale comparar os fluxos antes de migrar. Veja: GPT-Live vs Advanced Voice Mode.
Os benchmarks citados pela OpenAI
A OpenAI cita três avaliações, todas comparadas ao Modo de Voz Avançado, não a produtos rivais.
GPQA
O GPT-Live-1 “supera substancialmente” o Modo de Voz Avançado em raciocínio científico de nível especialista em biologia, química e física.
BrowseComp
A OpenAI relata “grandes ganhos” em pesquisa web agêntica e em informações difíceis de localizar.
τ³-Voice Telecom
Em uma variante interna, o GPT-Live apresenta melhor desempenho em tarefas realistas de suporte de telecomunicações com múltiplas interações.
A OpenAI também afirma que usuários “preferiram fortemente” o GPT-Live em conversas frente a frente de 5 a 10 minutos.
O que ainda falta:
- pontuações públicas detalhadas;
- números de latência;
- preços;
- comparação direta com concorrentes em ambiente controlado.
Por isso, trate os benchmarks como sinais direcionais, não como placar final. Comparações mais úteis devem surgir quando for possível testar o produto final lado a lado com alternativas, como em análises de GPT-Live vs Gemini Live.
Onde os desenvolvedores se posicionam
Hoje, não há uma API do GPT-Live disponível.
A OpenAI diz: “Também planejamos trazê-los para a API em breve, e desenvolvedores e empresas podem se inscrever para serem notificados usando este formulário.”
Enquanto isso, para construir agentes de voz, a opção prática atual é a API Realtime, geralmente disponível com a família gpt-realtime-2.1, transporte WebSocket e WebRTC, chamadas telefônicas SIP e suporte a servidor MCP.
Se você está planejando um produto de voz, comece separando o problema em camadas:
Cliente de voz
- captura áudio
- reproduz resposta
- mostra estado da sessão
Sessão em tempo real
- streaming de entrada
- streaming de saída
- eventos de fala, pausa e interrupção
Backend
- autenticação
- ferramentas
- memória
- logs
- integrações externas
Modelos / ferramentas
- resposta rápida
- raciocínio assíncrono
- busca
- chamadas de API
Para entender a diferença entre as pilhas, veja:
Como prototipar enquanto a API do GPT-Live não chega
Se você está criando um agente de voz agora, trate o GPT-Live como referência de UX, não como dependência técnica imediata.
Um plano prático:
-
Defina o fluxo de conversa
- O usuário fala livremente?
- O agente pode interromper?
- A resposta precisa ser instantânea?
- Existem ações externas?
-
Modele eventos
- início de fala;
- fim de fala;
- interrupção;
- resposta parcial;
- chamada de ferramenta;
- resultado de ferramenta;
- erro.
-
Teste o transporte
- WebSocket para streaming bidirecional;
- WebRTC quando latência e mídia forem prioridade;
- SIP se o canal for telefonia.
-
Separe respostas rápidas de tarefas lentas
- respostas simples seguem pelo caminho em tempo real;
- tarefas com pesquisa, banco de dados ou raciocínio podem rodar de forma assíncrona.
Um exemplo conceitual de eventos:
{
"type": "user.audio.started",
"session_id": "sess_123"
}
{
"type": "assistant.response.partial",
"text": "Entendi. Vou verificar isso para você..."
}
{
"type": "tool.call",
"name": "buscar_status_pedido",
"arguments": {
"pedido_id": "A123"
}
}
{
"type": "tool.result",
"name": "buscar_status_pedido",
"result": {
"status": "em_transporte",
"previsao": "sexta-feira"
}
}
Esse modelo ajuda a testar seu backend antes mesmo de plugar um modelo final.
Enquanto isso, ao prototipar com a API Realtime, o Apidog pode ajudar nas partes menos glamourosas: testar sessões WebSocket, inspecionar eventos transmitidos e simular o backend de voz para que o trabalho do cliente não fique bloqueado por uma conexão com um modelo ativo.
Como experimentar o GPT-Live
O lançamento é global, mas escalonado em iOS, Android e chatgpt.com.
Disponibilidade inicial:
- usuários pagos recebem o GPT-Live-1 como novo padrão de Voz;
- usuários gratuitos recebem o GPT-Live-1 mini.
Para testar:
- Atualize o aplicativo do ChatGPT.
- Abra o modo Voz.
- Verifique qual modelo responde.
- Se nada mudou, aguarde o rollout chegar à sua conta.
- Compare com o Modo de Voz Avançado se você precisa de vídeo ou compartilhamento de tela.
A configuração passo a passo, a troca de variantes e o caminho do CarPlay, disponível para todos os planos no iOS 26.4+, estão em como usar o GPT-Live.
Por que este lançamento importa
A voz tem sido uma das interfaces de IA mais fáceis de demonstrar e mais difíceis de colocar em produção.
O problema sempre foi a sensação de walkie-talkie:
Usuário fala → espera → modelo responde → espera
O GPT-Live muda o modelo mental para uma conversa contínua:
Usuário fala ↔ modelo escuta, responde, pausa, delega e continua
Para desenvolvedores, a lição principal é clara: agentes de voz melhores não dependem apenas de transcrição e síntese de fala. Eles precisam de:
- streaming bidirecional;
- baixa latência;
- interrupção natural;
- delegação assíncrona;
- integração com ferramentas;
- observabilidade de eventos;
- fallback quando o modelo ou a ferramenta demora.
A versão para desenvolvedores dessa arquitetura ainda está prometida para “em breve”. Até lá, o caminho da API Realtime é onde sistemas funcionais podem ser construídos.
FAQ
O que é o GPT-Live em uma frase?
É a família de modelos de voz full-duplex da OpenAI que impulsiona o ChatGPT Voice: ele ouve enquanto fala, oferece sinais de retorno naturais e pode delegar perguntas difíceis ao GPT-5.5 em segundo plano.
O GPT-Live é gratuito?
Usuários da camada gratuita recebem o GPT-Live-1 mini como modelo de voz padrão. As camadas pagas Go, Plus e Pro recebem o GPT-Live-1.
O GPT-Live suporta vídeo ou compartilhamento de tela?
Não no lançamento. O Modo de Voz Avançado mantém vídeo e compartilhamento de tela para assinantes elegíveis. A OpenAI diz que está trabalhando para trazer essas funcionalidades ao GPT-Live em breve.
Existe uma API do GPT-Live?
Ainda não. A OpenAI planeja trazer o GPT-Live para a API “em breve”. Hoje, desenvolvedores podem construir agentes de voz com a API Realtime.
Qual modelo alimenta o GPT-Live?
O GPT-Live-1 e o GPT-Live-1 mini rodam no GPT-5.5 Instant. As variantes Medium e High usam o GPT-5.5 Thinking com esforço de raciocínio médio e alto.
Top comments (0)