Agente de voz GPT-Live: crea una voz con una frase y actúa mientras hablas

Un agente de voz GPT-Live ya se puede armar con una voz propia creada a partir de una sola frase y con acciones que se ejecutan mientras el cliente todavía está hablando. El 15 de octubre de 2026 OpenAI integró Decisions de forma nativa en GPT-Live, y el 16 de octubre abrió a todos los clientes de la API la creación de voces por descripción. Crear la voz es gratis; hablar con ella se factura como cualquier sesión de GPT-Live.

Qué cambió esta semana en GPT-Live

La noticia no es "una voz nueva": son dos cambios que llegaron con un día de diferencia. GPT-Live es el modelo de voz de OpenAI que escucha y habla al mismo tiempo (full duplex), y estaba disponible en la API desde el 10 de septiembre. Lo de esta semana lo vuelve útil para un negocio: una voz propia y un agente que además hace cosas. Según el Invoca Buyer Experience Benchmark, el 68 % de 500 consumidores de Estados Unidos prefiere llamar a un negocio antes que usar chat o correo, así que la voz sigue importando.

Foto: Shixart1985, CC BY 2.0, vía Wikimedia Commons.

Cómo funciona un agente de voz GPT-Live: dos cerebros

Piensa en dos cerebros. GPT-Live conversa: escucha mientras habla, se puede interrumpir y no se pierde. Detrás hay otro modelo que razona y toca tus sistemas; OpenAI lo llama delegación y la hay de dos tipos: la de Responses, donde OpenAI corre el modelo por ti, y la de cliente, donde conectas el tuyo y controlas el contexto.

La pieza clave de esta semana es Decisions. En lugar de contestar con texto libre, responde preguntas de opción cerrada: subir la temperatura o nada, encender el desempañador o nada. Un sistema que responde con opciones cerradas es uno que tu código puede ejecutar sin adivinar.

El recorrido completo, en seis pasos

1. Crear la voz. Una petición a /v1/audio/voices con type: "prompt", un nombre y tu descripción; opcionalmente un guion de muestra de hasta 2,000 caracteres. La respuesta trae sólo un identificador, nombre, fecha y tu descripción: ni un segundo de audio. Guarda el identificador.
2. Abrir una sesión de GPT-Live y asignar ese identificador como voz.
3. Configurar la delegación tipo Decisions con tus preguntas de opción cerrada.
4. Mandar el estado actual de tu app, esperar a que la sesión lo confirme y, cuando cambie, borrar el estado viejo y mandar el nuevo.
5. Leer la respuesta de Decisions por el identificador de delegación.
6. Ejecutar la acción, verificar que pasó y contárselo a Live.

El ejemplo oficial es un coche: el conductor dice "hazlo más cálido" y la cabina sube de 70 a 71 grados Fahrenheit.

Cuánto cuesta una llamada

GPT-Live cobra $0.05 dólares por minuto, facturado por segundo. Una llamada de 3 minutos son $0.15; 100 llamadas al día, $15; 30 días, $450 al mes. Es sólo la capa de voz: el modelo que razona detrás se factura aparte y el registro de cambios no publica un precio para Decisions. Si una llamada que antes se perdía te deja una venta de $20, esa venta paga 133 llamadas de 3 minutos (supuesto nuestro, no un dato). La comparación justa no es contra una recepcionista, sino contra la llamada que hoy nadie contesta.

Foto: Bjoertvedt, CC BY-SA 3.0, vía Wikimedia Commons.

Tres casos de negocio (análisis nuestro)

Estos casos son un análisis de WAiBOT-AI, no casos publicados por OpenAI.

• Consultorio dental con una sola recepcionista. La paciente llama a las nueve de la noche; el agente entiende "necesito mover mi cita del jueves" y Decisions elige reagendar mientras ella todavía explica por qué.
• Restaurante con pedidos por teléfono en hora pico. Por cada platillo, Decisions responde agregar, quitar o nada, y la app actualiza el total con el estado real del pedido, no con la memoria de la conversación.
• Agencia con una voz distinta por cliente. Una descripción por negocio, guardando el identificador y la descripción de cada voz. El tope es de 100 voces por organización, contando las que tu aplicación crea para tus clientes: con 30 clientes sobra, el cliente 101 ya no cabe. Son voces de adultos y no se puede pedir que imiten a una persona con nombre.

A quién no le sirve

Si necesitas tu propia voz clonada, ese es otro camino: pasa por ventas de OpenAI, una grabación de consentimiento y tiene un tope de 20 voces. Si ya construiste sobre Realtime o Text to Speech, las voces por descripción no funcionan ahí: sólo existen dentro de GPT-Live. Y si nadie en tu equipo puede programar, hay un Playground para crear voces, pero el flujo con acciones es por API.

La objeción: ¿no prefiere la gente hablar con una persona?

Sí. Una encuesta de Kinsta reportada por No Jitter dice que el 93 % de los consumidores de Estados Unidos prefiere un humano a una IA (cifra alta, de un tercero: tómala con cautela). Pero para un negocio pequeño la comparación real suele ser IA contra nadie contesta. Donde la objeción gana es en llamadas delicadas, como una queja, una urgencia o un cobro grande: ahí el agente debe pasar la llamada a una persona. OpenAI exige además avisar que la voz es generada por IA, y ese aviso va desde el primer segundo.

Lo que no te cuentan

OpenAI afirma que GPT-Live rinde 30 puntos porcentuales mejor que su modelo anterior de tiempo real en un benchmark de conversación simultánea. Es un dato del fabricante: para creerlo de verdad haría falta que alguien independiente lo repita con llamadas reales, en español y con ruido. Además, las nueve voces nuevas son para alemán, francés, hindi, japonés y coreano; ninguna se declara en español. Qué acento sale al describir la voz en español no está documentado, y la respuesta de la API no trae audio de muestra.

Dónde se rompe

• Cada petición guarda una voz nueva: repetir la misma descripción da otra voz y gasta un lugar de tus 100.
• La voz se crea a ciegas y se escucha hasta abrir una sesión.
• La guía recomienda repetir la descripción de la voz en las instrucciones de la sesión.
• Cuando Decisions se dispara con la transcripción, los resultados pueden llegar fuera de orden: aplica sólo el más reciente.

¿Cómo aplicarlo en tu empresa?

1. Guarda el identificador y la descripción de cada voz el mismo día que la creas.
2. Repite la descripción en las instrucciones de la sesión.
3. Diseña las preguntas de Decisions con opciones cerradas: agregar, quitar o nada.
4. Haz la cuenta con $0.05 por minuto más el modelo que razona y pon un tope de gasto antes de abrirlo al público.
5. Avisa desde el primer segundo que es una voz de IA y deja una salida a una persona.

Antes de venderlo, haz una llamada de prueba en español y con ruido. Si te interesa otro caso de voz por llamadas, lee el análisis completo de Grok Voice 3.0 y su precio por minuto.

Preguntas frecuentes

¿Cuánto cuesta crear una voz en GPT-Live?

Crear la voz por descripción es gratis; hablar con ella se factura a la tarifa normal de GPT-Live, $0.05 por minuto, además del modelo que razona detrás.

¿Puedo oír la voz antes de usarla?

La respuesta de la API trae sólo metadatos (identificador, nombre, fecha y tu descripción), sin audio de muestra.

¿Cuántas voces por descripción puedo tener?

Hasta 100 por organización, incluidas las que tu aplicación cree para sus clientes.

¿Funciona en español?

Las nueve voces nuevas son para otros idiomas y el acento al describir una voz en español no está documentado: prueba con una llamada real.

¿Sirve para clonar mi propia voz?

No. Una voz clonada requiere ventas de OpenAI, una grabación de consentimiento y tiene un tope de 20 voces.

Conclusión

Esta semana GPT-Live dejó de ser una demo de voz y se volvió algo que puede trabajar en un negocio: un agente de voz GPT-Live con voz propia que hace cosas mientras hablas. La pregunta que queda es qué llamada de tu negocio se pierde hoy. Mira el video completo arriba y cuéntanos qué primer trabajo le darías a tu agente.