Una forma distinta de interacción por voz
OpenAI anunció GPT‑Live‑1 para su API el 10 de septiembre. La empresa lo describe como un modelo de voz dúplex completa, capaz de escuchar y hablar simultáneamente, responder a interrupciones y delegar razonamientos más complejos o el uso de herramientas a otro modelo o sistema. El lanzamiento también menciona controles de tono y estilo conversacional y opciones de telefonía.
En una arquitectura de voz tradicional, el reconocimiento del habla, el razonamiento lingüístico y la generación de voz suelen ser etapas separadas. Un modelo integrado en tiempo real puede reducir algunas transiciones, pero el comportamiento de la aplicación sigue dependiendo de la red, la detección del final del turno, la calidad del audio y los servicios conectados.
La conversación natural necesita límites claros
Las interrupciones y las señales breves de escucha hacen que el diálogo parezca más fluido, pero plantean preguntas de diseño. Si alguien cambia de opinión a mitad de una solicitud, ¿se cancela la acción pendiente? Si el sistema no entiende un nombre o un número, ¿pide que se repita o lo adivina? La interfaz debe mostrar la incertidumbre y confirmar los datos importantes.
Las personas deben saber cuándo hablan con un sistema automatizado y si la información puede grabarse o compartirse con otro servicio. Los requisitos de consentimiento y comunicación dependen del contexto y la jurisdicción, por lo que cada equipo debe comprobar las normas aplicables a su producto.
La latencia es solo una medida de calidad
Reducir el tiempo de respuesta importa, pero no basta. Hay que evaluar el reconocimiento de acentos y términos del sector, el ruido de fondo, la conservación del contexto tras una interrupción y la recuperación después de un silencio o una desconexión. Además del tiempo hasta que empieza a hablar, conviene medir si se completa la tarea.
El anuncio de OpenAI incluye evaluaciones internas y ejemplos de clientes. Aportan indicios sobre los usos previstos, pero no sustituyen las pruebas en el entorno concreto del equipo. Los resultados pueden variar según el idioma, el micrófono, la red, el prompt, el modelo de backend y la persona que habla.
Diseñar deliberadamente la transferencia a una persona
Los agentes de voz deberían poder transferir la conversación a una persona cuando hay una reclamación, dudas de identidad, una petición inusual o una tarea que no pueden completar con suficiente confianza. La transferencia debería compartir solo el contexto necesario y aclarar qué ha ocurrido hasta ese momento.
Un piloto adecuado empieza con una interacción limitada y reversible, por ejemplo responder a unas pocas preguntas frecuentes o recoger una solicitud de devolución de llamada. No conviene dar a un nuevo sistema de voz autoridad para tomar decisiones sensibles o modificar registros importantes hasta haber probado sus límites y sus mecanismos de escalado.
Fuentes y lecturas adicionales
¿Quieres señalar un error factual o sugerir una fuente? Contactar con la redacción.
