Respuesta corta: no. GPT-Live, la familia de modelos de voz full-duplex que OpenAI anunció el 8 de julio de 2026, es una característica de ChatGPT en su lanzamiento. El compromiso exacto de OpenAI con los desarrolladores es una frase: "También planeamos llevarlos a la API pronto, y los desarrolladores y empresas pueden registrarse para recibir notificaciones utilizando este formulario".
Eso es todo. Sin puntos finales, sin IDs de modelo, sin precios, sin cronogramas más allá de "pronto".
Si estás construyendo un agente de voz este trimestre, esperar es el plan equivocado, porque OpenAI ya ofrece una pila de voz de grado de producción: la API en tiempo real, disponible de forma general, con modelos actualizados tan recientemente como el 6 de julio. Esta guía cubre lo que puedes construir hoy, qué tan cerca puedes llegar a la calidad de interacción de GPT-Live con la pila actual, y qué preparar para cuando llegue la API de GPT-Live.
Lo que GPT-Live te daría, eventualmente
Comprender lo que se avecina aclara qué construir ahora. La arquitectura de GPT-Live tiene dos partes distintivas:
- Conversación full-duplex. El modelo procesa el audio entrante mientras genera la salida, decidiendo muchas veces por segundo si hablar, escuchar, pausar, interrumpir o invocar una herramienta. Los canales de retroalimentación ("mhmm", "entendido") vienen incluidos.
- Delegación en segundo plano. "Cuando una pregunta requiere búsqueda, razonamiento o capacidades más agénticas, GPT-Live puede delegar la tarea a otro modelo como GPT-5.5", luego integra la respuesta de nuevo en la conversación en vivo.
Ninguno de los dos está expuesto a los desarrolladores todavía. Ambos tienen aproximaciones prácticas en la API actual.
Lo que puedes construir hoy: la API en tiempo real
La API en tiempo real está disponible de forma general y es la respuesta real detrás de la mayoría de las búsquedas de "GPT Live API". El estado actual:
| Capacidad | Estado actual |
|---|---|
| Modelos | gpt-realtime, gpt-realtime-1.5, gpt-realtime-2.1, gpt-realtime-2.1-mini |
| Transporte | WebSocket y WebRTC |
| Llamadas telefónicas | Soporte SIP |
| Uso de herramientas | Llamada a función + servidores MCP remotos |
| Entradas | Audio, texto, imágenes |
| Precios (gpt-realtime) | $4/M tokens de entrada, $16/M de salida; las tarifas de audio se facturan por separado |
De voz a voz en un solo modelo, latencia de turno inferior a un segundo, manejo de interrupciones mediante detección de actividad de voz del lado del servidor. Hemos cubierto la familia a medida que evolucionaba: la guía original de gpt-realtime, el tutorial de GPT-Realtime-2 y la configuración de GPT-Realtime-2.1-mini, que se lanzó dos días antes de que se anunciara GPT-Live.
Lo que la API en tiempo real no hace es el verdadero full-duplex. Es un medio-dúplex rápido: excelente recuperación de interrupciones, pero el modelo no habla mientras escucha, y no hará "backchannel" mientras tú hablas. Esa es la brecha que la API de GPT-Live eventualmente cerrará.
Acercándose al comportamiento de GPT-Live con la pila actual
Los equipos que desean una UX similar a GPT-Live antes de que exista la API están combinando tres patrones:
1. Ajuste agresivo de interrupciones. VAD de servidor con umbrales ajustados te da turnos de conversación que se sienten cercanos a lo natural. Prueba la configuración con patrones de habla reales, no con guiones de demostración; el ruido de fondo y las pausas para pensar son donde fallan las configuraciones.
2. El patrón de delegación, hecho a mano. El truco de delegación en segundo plano de GPT-Live es reproducible hoy: ejecuta gpt-realtime-2.1 para el bucle de conversación, y cuando el usuario haga una pregunta difícil, haz que una llamada a función envíe la pregunta a un modelo más potente (GPT-5.5 a través de la API estándar) mientras el modelo de voz reconoce y espera con elegancia. Cuando el resultado regrese, insértalo en la sesión. Es exactamente lo que OpenAI ha convertido en producto; tú estás construyendo la infraestructura.
3. Orquestación de audio de relleno. Sin canales de retroalimentación nativos, algunos equipos transmiten audio corto de reconocimiento durante llamadas a herramientas largas. Es un truco. También funciona.
Probando la pila en tiempo real
Los agentes de voz fallan más en la capa de transporte que en la capa de modelo, y aquí es donde un banco de trabajo de API adecuado importa. En Apidog, puedes controlar la sesión WebSocket directamente: conéctate al punto final en tiempo real, envía la configuración de la sesión y los eventos de audio, y observa cómo los eventos del servidor se transmiten de vuelta en orden. Eso hace que los modos de falla sean visibles: límites de VAD que se activan antes de tiempo, eventos de llamada a función que se intercalan con deltas de audio, sesiones que mueren silenciosamente debido a una configuración mal formada.
Dos hábitos prácticos: guarda tu clave API en una variable de entorno de Apidog en lugar de en cada prototipo de cliente, y simula los puntos finales de herramientas de tu agente para que puedas probar el bucle de conversación sin tener tus servicios reales en línea. Descarga Apidog gratis; las pruebas de WebSocket están incluidas.
Cuando llegue la API de GPT-Live: qué preparar
Leyendo el anuncio como una hoja de ruta de API, vale la pena diseñar para tres cambios ahora:
- La semántica de la sesión cambiará. Full-duplex significa que los eventos fluyen en ambas direcciones continuamente, no en ráfagas de solicitud-respuesta. El código que asume "turno del usuario, luego turno del modelo" necesitará reestructuración; las arquitecturas basadas en eventos se adaptarán limpiamente.
- La delegación puede convertirse en una primitiva de primera clase. Si OpenAI expone el mecanismo de transferencia en segundo plano, la infraestructura de delegación hecha a mano se convierte en configuración. Mantén la tuya poco acoplada.
- Espera una familia de variantes, no un solo modelo. GPT-Live se lanza en ChatGPT en cuatro variantes (respaldadas por Instant y respaldadas por Thinking en dos niveles de esfuerzo). Un lanzamiento de API con la misma forma significaría compensaciones de latencia/profundidad seleccionadas por sesión.
Regístrate en el formulario de notificación de OpenAI si el momento es importante para tu hoja de ruta, y observa cuidadosamente la distinción de nombres a medida que la cobertura se multiplica: GPT-Live y GPT-Realtime son pilas diferentes, y muchos artículos del primer día los confunden.
La decisión, claramente
| Tu situación | Haz esto |
|---|---|
| Lanzar un agente de voz en los próximos 3 meses | Construye sobre gpt-realtime-2.1 ahora; la pila es GA y estable |
| Prototipar para un lanzamiento a finales de 2026 | Construye sobre la API en tiempo real, mantén la delegación poco acoplada, regístrate para la notificación de GPT-Live |
| Necesidades de "hablar con ChatGPT" para el consumidor | No necesitas una API; GPT-Live ya está en el producto |
| Decidiendo entre las pilas de OpenAI | Lee GPT-Live vs GPT-Realtime primero |
Preguntas frecuentes
¿Existe una API de GPT-Live? No. GPT-Live solo impulsa ChatGPT Voice. OpenAI dice que planea llevar los modelos a la API "pronto", con un formulario de registro para notificaciones.
¿Cuál es la API más cercana a GPT-Live hoy? La API en tiempo real con gpt-realtime-2.1 o 2.1-mini: de voz a voz, WebSocket/WebRTC, llamadas SIP y soporte de herramientas MCP, disponible de forma general.
¿Puedo replicar la delegación de GPT-Live con la API actual? Sustancialmente, sí: usa la llamada a función para enviar preguntas difíciles del modelo en tiempo real a GPT-5.5, luego inyecta los resultados de nuevo en la sesión. GPT-Live convierte este patrón en producto.
¿Reemplazará GPT-Live a la API en tiempo real? OpenAI no lo ha dicho. Dada la estructura de cuatro variantes y el estado de disponibilidad general de la API en tiempo real, la coexistencia es la suposición más segura para la planificación.