Respuesta corta: no. GPT-Live, la familia de modelos de voz full-duplex que OpenAI anunció el 8 de julio de 2026, es una característica de ChatGPT en su lanzamiento. El compromiso exacto de OpenAI con los desarrolladores es una frase: “También planeamos llevarlos a la API pronto, y los desarrolladores y empresas pueden registrarse para recibir notificaciones utilizando este formulario”.
Eso es todo: sin endpoints, sin IDs de modelo, sin precios y sin cronogramas más allá de “pronto”.
Si estás construyendo un agente de voz este trimestre, no diseñes tu roadmap alrededor de una API que aún no existe. OpenAI ya ofrece una pila de voz de grado de producción: la API en tiempo real, disponible de forma general, con modelos actualizados tan recientemente como el 6 de julio.
Esta guía explica qué puedes implementar hoy, cómo acercarte al comportamiento de GPT-Live con la pila actual y qué preparar para migrar cuando llegue una API de GPT-Live.
Lo que GPT-Live te daría eventualmente
Antes de implementar, conviene separar lo que GPT-Live promete como experiencia de producto de lo que existe hoy como API.
La arquitectura de GPT-Live tiene dos partes distintivas:
- Conversación full-duplex. El modelo procesa audio entrante mientras genera salida. Puede decidir muchas veces por segundo si hablar, escuchar, pausar, interrumpir o invocar una herramienta. Los canales de retroalimentación, como “mhmm” o “entendido”, vienen incluidos.
- Delegación en segundo plano. Cuando una pregunta requiere búsqueda, razonamiento o capacidades más agénticas, GPT-Live puede delegar la tarea a otro modelo como GPT-5.5 y luego integrar la respuesta en la conversación en vivo.
Ninguno de los dos comportamientos está expuesto a desarrolladores todavía. Pero ambos se pueden aproximar con la API actual.
Lo que puedes construir hoy: la API en tiempo real
La API en tiempo real está disponible de forma general y es la opción práctica detrás de la mayoría de búsquedas de “GPT Live API”.
Estado actual:
| Capacidad | Estado actual |
|---|---|
| Modelos |
gpt-realtime, gpt-realtime-1.5, gpt-realtime-2.1, gpt-realtime-2.1-mini
|
| Transporte | WebSocket y WebRTC |
| Llamadas telefónicas | Soporte SIP |
| Uso de herramientas | Llamada a función + servidores MCP remotos |
| Entradas | Audio, texto, imágenes |
Precios gpt-realtime
|
$4/M tokens de entrada, $16/M tokens de salida; las tarifas de audio se facturan por separado |
Con esta pila puedes implementar:
- voz a voz en un solo modelo;
- latencia de turno inferior a un segundo;
- interrupciones mediante detección de actividad de voz del lado del servidor;
- herramientas mediante function calling;
- pruebas por WebSocket o WebRTC;
- integraciones telefónicas mediante SIP.
Hemos cubierto la familia a medida que evolucionaba: la guía original de gpt-realtime, el tutorial de GPT-Realtime-2 y la configuración de GPT-Realtime-2.1-mini, que se lanzó dos días antes de que se anunciara GPT-Live.
La diferencia importante: la API en tiempo real no ofrece verdadero full-duplex. Es un medio-dúplex rápido. Maneja interrupciones muy bien, pero el modelo no habla mientras escucha y no genera backchannels mientras el usuario habla. Esa es la brecha que una futura API de GPT-Live debería cerrar.
Cómo acercarte al comportamiento de GPT-Live con la pila actual
Si necesitas una UX parecida a GPT-Live antes de que exista la API, combina tres patrones.
1. Ajusta agresivamente las interrupciones
Usa VAD de servidor con umbrales ajustados para que los turnos se sientan naturales.
No pruebes solo con guiones limpios de demo. Valida con audio real:
- usuarios que hacen pausas largas para pensar;
- ruido de fondo;
- interrupciones a mitad de frase;
- cambios de volumen;
- respuestas cortas como “sí”, “no”, “ajá”.
El objetivo es detectar cuándo el usuario realmente terminó de hablar, sin cortar frases ni esperar demasiado.
2. Implementa delegación manual con function calling
El patrón de delegación de GPT-Live se puede reproducir hoy:
- Mantén el bucle de conversación con
gpt-realtime-2.1. - Define una herramienta para preguntas complejas.
- Cuando el modelo invoque la herramienta, envía la pregunta a un modelo más potente, como GPT-5.5 a través de la API estándar.
- Mientras esperas, haz que el agente de voz reconozca la espera con naturalidad.
- Cuando llegue el resultado, insértalo de nuevo en la sesión.
Ejemplo de flujo lógico:
Usuario:
"Compara estas tres opciones y dime cuál conviene para producción."
Agente realtime:
"Déjame revisarlo con más detalle."
Tool call:
delegate_reasoning({
question: "Compara estas tres opciones...",
context: session_context
})
Modelo externo:
devuelve análisis estructurado
Agente realtime:
"Listo. La opción más segura para producción es..."
La idea no es imitar internamente a GPT-Live, sino desacoplar el bucle de voz del trabajo pesado.
3. Orquesta audio de relleno para tareas largas
Sin backchannels nativos, algunos equipos reproducen audio corto de reconocimiento durante llamadas a herramientas largas.
Ejemplos:
- “Dame un segundo.”
- “Estoy revisándolo.”
- “Ya casi lo tengo.”
Es un truco, pero mejora la percepción de latencia. Úsalo con moderación: demasiado relleno puede sentirse artificial.
Probando la pila en tiempo real
Los agentes de voz suelen fallar más en la capa de transporte que en la capa de modelo. Por eso necesitas observar los eventos de la sesión, no solo el texto final.
En Apidog, puedes controlar la sesión WebSocket directamente:
- Conéctate al endpoint en tiempo real.
- Envía la configuración de la sesión.
- Envía eventos de audio.
- Observa los eventos del servidor en orden.
- Valida llamadas a función, deltas de audio e interrupciones.
Esto hace visibles fallos como:
- límites de VAD que se activan demasiado pronto;
- llamadas a función intercaladas con deltas de audio;
- sesiones que mueren silenciosamente por configuración mal formada;
- eventos enviados en orden incorrecto;
- herramientas que tardan más de lo esperado.
Dos hábitos prácticos:
- guarda tu clave API en una variable de entorno de Apidog en lugar de repetirla en cada prototipo de cliente;
- simula los endpoints de herramientas de tu agente para probar el bucle de conversación sin depender de tus servicios reales.
Descarga Apidog gratis; las pruebas de WebSocket están incluidas.
Cuando llegue la API de GPT-Live: qué preparar
Leyendo el anuncio como una posible hoja de ruta de API, conviene diseñar desde ahora para tres cambios.
1. La semántica de sesión puede cambiar
Full-duplex significa que los eventos fluyen en ambas direcciones continuamente, no como ráfagas de solicitud-respuesta.
Si tu código asume este patrón:
usuario habla
modelo responde
usuario habla
modelo responde
probablemente tendrás que reestructurarlo.
Diseña mejor con una arquitectura basada en eventos:
audio.input.delta
audio.output.delta
speech.started
speech.stopped
tool.call.created
tool.result.completed
session.updated
Así podrás adaptar tu cliente con menos fricción si GPT-Live expone una API diferente.
2. La delegación puede convertirse en una primitiva de primera clase
Si OpenAI expone el mecanismo de transferencia en segundo plano, tu infraestructura manual de delegación podría convertirse en configuración.
Por eso conviene mantenerla poco acoplada:
- no mezcles lógica de voz con lógica de razonamiento;
- encapsula llamadas a modelos externos;
- define contratos claros para herramientas;
- registra entradas y salidas de delegación para depuración.
3. Espera variantes, no un único modelo
GPT-Live se lanza en ChatGPT en cuatro variantes: respaldadas por Instant y respaldadas por Thinking en dos niveles de esfuerzo.
Si una futura API mantiene esa forma, probablemente tendrás que elegir por sesión entre latencia y profundidad de razonamiento.
Diseña tu configuración para poder cambiar parámetros por caso de uso:
| Caso de uso | Prioridad |
|---|---|
| Soporte en vivo | Baja latencia |
| Asistente técnico | Mejor razonamiento |
| Agente telefónico | Estabilidad de turno |
| Investigación guiada | Delegación y profundidad |
Regístrate en el formulario de notificación de OpenAI si el momento es importante para tu roadmap. Y revisa la distinción de nombres: GPT-Live y GPT-Realtime son pilas diferentes, aunque muchos artículos iniciales las confunden.
La decisión, claramente
| Tu situación | Haz esto |
|---|---|
| Lanzar un agente de voz en los próximos 3 meses | Construye sobre gpt-realtime-2.1 ahora; la pila es GA y estable |
| Prototipar para un lanzamiento a finales de 2026 | Construye sobre la API en tiempo real, mantén la delegación poco acoplada y regístrate para recibir notificaciones de GPT-Live |
| Necesitas “hablar con ChatGPT” como consumidor | No necesitas una API; GPT-Live ya está en el producto |
| Estás decidiendo entre pilas de OpenAI | Lee primero GPT-Live vs GPT-Realtime |
Preguntas frecuentes
¿Existe una API de GPT-Live?
No. GPT-Live solo impulsa ChatGPT Voice. OpenAI dice que planea llevar los modelos a la API “pronto”, con un formulario de registro para notificaciones.
¿Cuál es la API más cercana a GPT-Live hoy?
La API en tiempo real con gpt-realtime-2.1 o gpt-realtime-2.1-mini: voz a voz, WebSocket/WebRTC, llamadas SIP y soporte de herramientas MCP, disponible de forma general.
¿Puedo replicar la delegación de GPT-Live con la API actual?
Sustancialmente, sí. Usa function calling para enviar preguntas difíciles desde el modelo en tiempo real a GPT-5.5 y luego inyecta los resultados de vuelta en la sesión. GPT-Live convierte este patrón en producto.
¿Reemplazará GPT-Live a la API en tiempo real?
OpenAI no lo ha dicho. Dada la estructura de cuatro variantes y el estado de disponibilidad general de la API en tiempo real, la coexistencia es la suposición más segura para planificación.
Top comments (0)