GPT-Live: o modelo da OpenAI que escuta e fala ao mesmo tempo

No dia 8 de julho de 2026, a OpenAI lançou o GPT-Live, uma nova geração de modelos de voz que substitui o antigo Advanced Voice Mode no ChatGPT. A diferença central é uma só: em vez de escutar, esperar você terminar e só então responder, o GPT-Live escuta e fala ao mesmo tempo. É o que se chama de arquitetura full-duplex — e ela muda de forma decisiva como a conversa por voz com uma IA se sente. Não é mais um walkie-talkie; é uma ligação.

O que é arquitetura full-duplex

Modelos de voz anteriores — inclusive o Advanced Voice Mode da própria OpenAI — funcionavam em meio-duplex: um lado fala, o sistema espera identificar o fim da fala, processa e responde. Isso gerava três problemas que qualquer pessoa que usou voz com IA reconhece:

• Ruído de fundo era interpretado como pausa e disparava respostas prematuras.
• Interromper para corrigir algo no meio era desajeitado — o modelo travava.
• Silêncios longos eram comuns, porque a IA só começava a processar depois que você terminava.

O GPT-Live opera em full-duplex: processa entrada e gera saída simultaneamente. Isso significa que ele pode dar sinais de atenção ("mhmm", "sim"), interromper educadamente, esperar você pensar ou aceitar sua interrupção sem perder o fio. Segundo a OpenAI, o modelo toma múltiplas decisões por segundo sobre falar, escutar, pausar, interromper ou chamar uma ferramenta — em vez de processar uma mensagem por vez.

A arquitetura de dois modelos

A segunda mudança estrutural do GPT-Live é menos visível mas tão importante. O modelo não faz tudo sozinho: ele é a camada de conversação. Quando aparece uma pergunta que exige raciocínio profundo, busca na web ou passos agentivos, o GPT-Live delega a tarefa para o GPT-5.5 em segundo plano e continua a conversa com você enquanto o outro modelo trabalha. É por isso que ele consegue manter naturalidade de diálogo sem sacrificar profundidade quando você precisa.

Na prática: você pode pedir "acha aí quantos habitantes tem Juiz de Fora e me diz se é maior que Petrópolis". O GPT-Live continua conversando, talvez comentando algo trivial ("boa pergunta, deixa eu conferir"), enquanto o GPT-5.5 busca a resposta no background. Quando o resultado chega, o GPT-Live entrega naturalmente, sem quebra de ritmo.

As duas variantes: GPT-Live-1 e GPT-Live-1 mini

A OpenAI lançou o modelo em duas versões, seguindo o padrão dela de mini para gratuitos e completo para pagantes:

Nas duas versões, a arquitetura full-duplex está presente. A diferença fica no raciocínio complexo e em recursos avançados como algumas integrações.

Onde funciona e o que ainda não funciona

O rollout começou em 8 de julho de 2026 para o mundo inteiro, mas com algumas restrições que a própria OpenAI documentou:

Funciona em:

• chatgpt.com (web)
• App ChatGPT para iOS
• App ChatGPT para Android
• Traduções ao vivo entre mais de 70 idiomas
• Visual cards (respostas com widgets visuais dentro da conversa)

Ainda não funciona em:

• App ChatGPT para Desktop (Windows/Mac)
• Temporary Chats
• Custom GPTs
• ChatGPT Work, Enterprise e Edu
• Codex e cenários de plugins/apps conectados
• Compartilhamento de vídeo/tela (esse continua no Advanced Voice Mode antigo para quem tem)
• API (a OpenAI abriu um formulário de espera para acesso; sem data pública)

O que os benchmarks mostram

A OpenAI publicou testes internos comparando o GPT-Live-1 com o Advanced Voice Mode anterior. Os saltos são grandes, sobretudo em raciocínio científico:

Os números são da OpenAI, e vale lembrar que benchmarks de fabricante são otimizados. Ainda assim, o salto no GPQA (praticamente dobra) é consistente com a mudança arquitetural: quando o modelo pode delegar raciocínio pesado ao GPT-5.5 em vez de tentar fazer tudo por voz, ele pode parecer mais leve e ao mesmo tempo ser mais capaz.

Segurança e proteção para menores

A OpenAI passou o modelo por avaliações de segurança específicas para voz. Entre as categorias testadas estão voz codificada como infantil (child-coded voice), impersonation, identificação de falantes, dependência emocional, golpes e ataques específicos de áudio. A empresa afirma que o GPT-Live performou igual ou melhor que o Advanced Voice Mode em quase todas as avaliações. Existem também proteções específicas para adolescentes, com barreiras adicionais em conteúdo sensível.

GPT-Live vs Claude por voz

A Anthropic ainda não tem um modelo de voz nativo full-duplex equivalente ao GPT-Live. O Claude opera por texto, com integrações de voz por meio de dispositivos e apps de terceiros. Isso é uma escolha estratégica — a Anthropic tem investido em profundidade textual, agentes e integração com fluxos de trabalho profissionais, deixando a voz em segundo plano. Se voz em tempo real é essencial para você, hoje o GPT-Live está à frente. Se profundidade textual, código e integração corporativa pesam mais, o Claude Fable 5 segue à frente — inclusive com o benefício da memória por entradas categorizadas para conversas recorrentes.

Vale registrar que o Gemini Live do Google já era full-duplex, e o Gemini 3.1 Flash Live tem processamento nativo áudio-para-áudio com streaming WebSocket desde março de 2026. A OpenAI, portanto, não chegou primeiro — mas trouxe o full-duplex para o produto de voz mais usado do mundo (mais de 150 milhões de pessoas por semana usam voz no ChatGPT).

Como testar hoje

Se você tem ChatGPT no celular (iOS ou Android) ou usa chatgpt.com, o GPT-Live já é o padrão do modo voz. Basta ativar o modo voz no app ou site. Você não precisa configurar nada. Alguns sinais de que está usando o GPT-Live e não o antigo Advanced Voice Mode:

• A IA solta pequenos sinais de atenção como "mhmm", "sim", "entendi" enquanto você fala.
• Você pode interromper no meio da resposta e ela ajusta.
• Silêncios curtos não disparam respostas prematuras.
• Perguntas complexas continuam fluindo — não há longos silêncios de "processando".

Onde isso está indo

Esse é um passo importante em direção a agentes de voz que operam em tempo real dentro de aplicativos — não como novidade em si, mas como camada padrão de interação. O impacto real, para quem constrói produtos, é abrir espaço para ecossistemas de automação conversacional: fluxos onde o cliente não digita, não abre menu, apenas fala — e o sistema entende, responde, executa. Escrevemos um artigo separado sobre como planejar e implementar um ecossistema desse tipo, exatamente pensando em quem quer usar essa tecnologia para negócios.

Preço, latência e o que isso significa para o negócio

A OpenAI ainda não abriu detalhes de preço específico para o GPT-Live nem para o mini — o modelo está integrado ao plano ChatGPT do usuário. Para desenvolvedores que querem construir com essa tecnologia, a via oficial é a API do GPT-Realtime-2.1, lançada em 6 de julho de 2026, que oferece pipeline de voz em tempo real semelhante. O preço da GPT-Realtime-2.1 está na faixa de US$ 4 por milhão de tokens de entrada de áudio e US$ 16 por milhão de tokens de saída de áudio na versão completa; o mini fica na faixa de US$ 1 por milhão de tokens de entrada. A latência típica é abaixo de 300ms para a primeira resposta — o limiar em que a conversa por voz começa a sentir-se natural para o cérebro humano.

Para operações que querem usar voz em atendimento, essa é a matemática que importa: latência sub-300ms e custo por conversa inteira que fica abaixo de US$ 0,15 em conversas curtas. É a primeira vez que voz em tempo real com raciocínio complexo por trás fica economicamente viável em escala. O impacto disso sobre call centers, agendamento e suporte é o assunto do nosso artigo sobre ecossistema conversacional.

A concorrência silenciosa: o que Google, Anthropic e chineses estão fazendo em voz

O GPT-Live entrou como manchete, mas não sozinho no ringue:

• Google Gemini Live e Gemini 3.1 Flash Live: full-duplex há mais tempo que o GPT-Live. Menos manchete, mas técnicamente equivalente em muitos aspectos. Integrado à Assistant do Android e disponível via WebSocket para desenvolvedores.
• Apple Siri (iOS 27): a Apple contratou um modelo customizado do Google — cerca de 1,2 trilhão de parâmetros — para o novo Siri conversacional, com lançamento no iOS 27. Vai colocar full-duplex nos dispositivos de mais de 1 bilhão de usuários.
• Anthropic: ainda focada em texto e trabalho profundo. Não há sinalização de que a Anthropic esteja construindo modelo de voz nativo. O caminho aqui pode ser integração com terceiros — o que abriria oportunidade de negócio para provedores brasileiros de voz sobre Claude.
• China (Alibaba Qwen, Baidu, ByteDance): várias apostas em voz sintética de alto nível, particularmente para atendimento e assistentes móveis. Menos visibilidade internacional, mas maturidade real no mercado interno.

O ponto estratégico: voz full-duplex está deixando de ser diferencial e virando padrão de mercado. Empresas que ainda oferecem experiência de voz em turnos vão parecer desatualizadas em 6-12 meses.

Limites reais do GPT-Live hoje

Um contraponto honesto: apesar do salto, o GPT-Live ainda tem limitações práticas:

• Sotaques regionais brasileiros (nordestino carregado, mineiro cerrado) ainda geram falha de reconhecimento maior que em sotaque paulista/carioca de classe média. É reflexo do dataset de treino.
• Ambiente barulhento continua sendo desafio — apesar da arquitetura full-duplex reduzir gatilhos falsos, ruído sustentado degrada a conversa.
• Contexto muito longo por voz é ineficiente — se você precisa fornecer 20 páginas de contexto, texto ainda vence.
• Segurança em contas — voz sintética identificando falantes tem implicações que a OpenAI está apenas começando a discutir publicamente.

Resumo em uma linha