GPT Live: a voz full-duplex da OpenAI que delega para o GPT-5.5
GPT Live: a voz full-duplex da OpenAI que delega para o GPT-5.5
A OpenAI lançou a 8 de julho de 2026 o GPT-Live, uma nova geração de modelos de voz que passa a alimentar o ChatGPT Voice e substitui o Advanced Voice Mode. A mudança central é arquitetural: em vez de uma conversa alternada em que o assistente espera pela pausa certa, o GPT-Live usa uma arquitetura full-duplex, capaz de ouvir e falar em simultâneo.
Na prática, isso significa que o modelo pode interromper menos, lidar melhor com pausas e reagir a pequenos sinais de atenção como um "pois" ou um "certo" enquanto o utilizador ainda está a falar. A OpenAI descreve esse comportamento como próximo de uma conversa humana real, com respostas de acompanhamento naturais, em vez do esquema walkie-talkie de turnos rígidos.
O lançamento chega em duas versões. O GPT-Live-1 é o modelo principal, definido por defeito para utilizadores pagos (Go, Plus e Pro), enquanto o GPT-Live-1 mini assumiu o lugar do Advanced Voice Mode como opção base para o escalão gratuito. A empresa refere ainda tiers de raciocínio que ajustam a profundidade do processamento, com variantes como Instant, Mini, Medium e High.
A funcionalidade mais relevante para uso prático é a chamada delegação. Quando a pergunta exige pesquisa, raciocínio mais profundo ou trabalho agente, o GPT-Live entrega a tarefa em segundo plano ao GPT-5.5, o modelo principal da OpenAI lançado a 23 de abril de 2026, e injeta o resultado na conversa quando este está pronto. A conversa de voz não pára: o modelo continua a falar consigo enquanto o trabalho pesado decorre.
Essa ponte com o GPT-5.5 é o que aproxima a voz de um modelo de texto de fronteira. Antes, tarefas difíceis exigiam escrever; agora, o mesmo raciocínio está acessível por voz, o que abre portas a trabalho mais produtivo sem as mãos, em contextos onde escrever seria impraticável.
Nos benchmarks divulgados pela própria OpenAI, o salto é visível. No GPQA, que testa raciocínio científico de nível especializado, o Advanced Voice Mode ficava pelos 45%, enquanto o GPT-Live mini e medium aproximam-se dos 70 a 80%. No BrowseComp, que mede navegação web agente, o modo anterior mal passava 1%; as versões novas aparecem entre 30% no mini e 60 a 75% nos tiers de raciocínio mais alto. Convém notar que estes números são da própria OpenAI e não auditados de forma independente.
Há ainda um teste de robustez em cenários caóticos, com sotaque, ruído de fundo, cortes de linha e sobreposição de falas. O GPT-Live-1 Instant e o Mini pontuam perto de 40% nesse cenário, cerca do dobro do Advanced Voice Mode; ao subir para medium e high, a margem aproxima-se de quatro vezes o resultado anterior. Mais uma vez, são métricas reportadas pela empresa.
Para além da voz, o GPT-Live aceita imagens em conversa: pode analisar o que vê e falar sobre o conteúdo visual. A OpenAI mostrou ainda que o modelo consegue apresentar informação em formato visual, abrindo uma mini janela de browser ou apps ligeiras em vez de se limitar a falar, o que funciona como um onboarding mais intuitivo para quem nunca usou agentes.
A tradução em tempo real é outra vertente demonstrada. O modelo ouve numa língua e responde noutra, alternando de forma fluida entre traduzir e conversar. Isto assenta na família de modelos de tradução em tempo real que a OpenAI já disponibiliza na API, com suporte para dezenas de línguas de entrada.
A consciência temporal é o detalhe mais subtil: porque o modelo percepciona e gera continuamente, ganha noção da passagem do tempo na conversa, o que lhe permite, por exemplo, correr um temporizador de 30 segundos ou lembrar um compromisso iminente sem perder o contexto.
Dois pontos de enquadramento importam. Primeiro, a OpenAI sublinha que não quer fazer disto um "companheiro" de IA, mas sim uma interface de trabalho. Segundo, a afirmação de que nenhuma outra empresa trabalha em voz natural é falsa: Google, xAI e outros têm esforços semelhantes em curso, pelo que o GPT-Live posiciona-se num mercado competitivo e não num vazio.
O GPT-Live é, acima de tudo, um sinal de que a voz está a deixar de ser um acessório de chatbot para se tornar uma interface de agente completa. O valor não está apenas na naturalidade da fala, mas na capacidade de orquestrar, em segundo plano, os modelos de texto mais capazes da empresa enquanto mantém uma conversa fluida.
