OpenAI disponibilizou o GPT-Live-1.1 em sua API sob o ID de modelo gpt-live-1.1. O modelo de voz GPT-Live-1.1 é um modelo full‑duplex para conversas multilingues. Ele pode ouvir enquanto fala. A equipe da OpenAI afirma que ele fala com sotaques mais naturais e consistentes entre idiomas e completa tarefas de forma mais confiável. O lançamento também inclui o modo standby, um estado de cobrança mais barato para sessões ociosas. Para equipes que executam agentes de voz, o tempo ocioso em uma chamada agora custa menos. Você pode conferir as opções de implantação e especificações aqui através da extensão Chrome do GPULeaderboard.com. TL;DR Tamanho: sessões ao vivo mantêm uma janela de contexto padrão de 128.000 tokens. Executa apenas na nuvem da OpenAI, via v1/live/sessions. Clientes se conectam via WebRTC ou WebSocket. Não há pesos abertos, nem variantes quantizadas. Desempenho: a OpenAI afirma melhor sotaque, transcrição, tratamento de letras e números, e conclusão de tarefas em comparação ao GPT‑Live‑1. Nenhuma pontuação publicada. Melhor: o modo standby cobra o tempo ocioso de WebRTC a $0,02 por minuto versus $0,05 ativo, uma redução de 60%. Pior: a OpenAI não publicou pontuações de benchmark para o 1.1. Saídas de imagem, vídeo e estruturadas não são suportadas. Conclusão: Melhor: sessões de voz sempre‑ligadas mais baratas. Pior: ganhos de qualidade são auto‑relatados sem números. O que é o GPT‑Live‑1.1? O GPT‑Live‑1.1 é um modelo de fala full‑duplex da OpenAI que ouve e fala em um único fluxo. Ele segue o GPT‑Live‑1, que chegou à API em 10 de setembro de 2026. Conforme anúncio no fórum da OpenAI, ele alimenta a voz do ChatGPT Plus e Pro desde 15 de outubro. Entradas e saídas são áudio e texto. Imagem e vídeo não são suportados. Streaming e chamada de funções funcionam. Saídas estruturadas, fine‑tuning e previsões não funcionam. Como funciona o GPT‑Live‑1.1? A família GPT‑Live substitui a cascata usual de speech‑to‑text, um LLM e text‑to‑speech. A OpenAI diz que o modelo raciocina sobre áudio de entrada e saída simultaneamente em um único modelo. Ele também gerencia a detecção de turno e devolve transcrições ASR nativamente. Trabalhos mais profundos são delegados.
Fonte: MarkTechPost
Publicado em 2026-11-21