OpenAI activa la voz avanzada de ChatGPT para usuarios de pago

OpenAI ha comenzado este martes a desplegar el Modo de Voz Avanzado de GPT-4o en ChatGPT para los suscriptores de los planes Plus y Team. La función acerca el asistente a una conversación telefónica: responde con menos demora, admite interrupciones y puede variar la entonación para expresar, por ejemplo, entusiasmo, calma o empatía.

El lanzamiento materializa una de las demostraciones más llamativas de GPT-4o, el modelo presentado por OpenAI en mayo. No llega aún a todos los usuarios ni a todos los países, pero marca un cambio relevante en la forma de usar un chatbot: la voz deja de ser una capa añadida al texto para convertirse en una interfaz principal.

Una conversación que no espera a que termine la frase

La interacción por voz ya existía en ChatGPT, Siri, Alexa y el Asistente de Google. Sin embargo, esos sistemas suelen funcionar como una cadena de pasos: primero transcriben el audio, después interpretan el texto y, por último, generan una locución. El proceso añade pausas y puede perder señales útiles, como el tono, una risa o la urgencia con que se formula una pregunta.

El Modo de Voz Avanzado se apoya en las capacidades de audio de GPT-4o para procesar y generar voz de forma más directa. En la práctica, permite hablar encima del asistente para corregirlo o cambiar de tema sin tener que esperar al final de su respuesta. También puede adaptar el ritmo y la expresividad de la voz a la conversación.

No es una capacidad menor. En texto, el usuario puede releer, editar y detenerse. En una charla hablada, los silencios largos y los turnos rígidos rompen rápidamente la sensación de diálogo. Reducir esa fricción puede hacer que ChatGPT resulte más útil mientras se camina, se cocina, se estudia un idioma o se prepara una presentación sin tener las manos libres.

Nueve voces y un despliegue gradual

OpenAI ofrece nueve voces predefinidas en esta versión: Arbor, Breeze, Cove, Ember, Juniper, Maple, Sol, Spruce y Vale. Cinco de ellas son nuevas. La compañía limita el sistema a voces aprobadas expresamente, una precaución importante en un momento en que la clonación de voz puede facilitar suplantaciones y fraudes.

El acceso se está habilitando gradualmente en las aplicaciones móviles de ChatGPT para iOS y Android. OpenAI prevé completar el despliegue para los usuarios Plus y Team durante esta semana, aunque mantiene límites de uso diarios que pueden variar según la demanda. Cuando se agote el tiempo disponible con GPT-4o, la aplicación puede pasar a una experiencia de voz basada en GPT-4o mini.

La novedad no está disponible por ahora para los clientes de pago de la Unión Europea, Reino Unido, Suiza, Islandia, Noruega y Liechtenstein. OpenAI ha indicado que trabaja para llevarla a esos mercados, pero no ha fijado una fecha.

La demostración de mayo llega con más controles

La presentación inicial de GPT-4o mostró una IA capaz de mantener una conversación rápida, detectar emociones aparentes y reaccionar a lo que veía a través de una cámara. OpenAI retrasó el lanzamiento de la voz avanzada previsto para junio para realizar pruebas adicionales de seguridad y fiabilidad.

El sistema plantea riesgos distintos a los de un chatbot escrito. Una respuesta con una voz persuasiva puede generar una confianza excesiva; además, una IA capaz de imitar con precisión a una persona tendría un evidente potencial de abuso. Por ello, el modelo se ha entrenado para producir únicamente las voces seleccionadas por OpenAI y cuenta con mecanismos de detección y bloqueo ante intentos de generar contenido problemático.

La primera versión tampoco incorpora las capacidades de vídeo y de compartir pantalla que OpenAI enseñó en mayo. La empresa las mantiene como una ampliación prevista para el futuro.

Para el usuario, la prueba real será comprobar si la naturalidad anunciada se conserva fuera de una demostración controlada: en conversaciones largas, con ruido ambiental, acentos diversos y preguntas complejas. Para el sector, el movimiento eleva la presión sobre los asistentes de voz tradicionales, que llevan años prometiendo diálogo natural pero continúan dependiendo, en buena medida, de órdenes breves y respuestas prefijadas.