El modo de voz en ToRun era un walkie-talkie. Tú hablas, escucha; habla, tu micrófono está cerrado. Así no habla la gente, y todos lo notan en unos treinta segundos — el momento en que quieres decir "no, la otra" y tienes que esperar a que termine una frase primero.
gpt-live-1 es un motor de duplex completo. El micrófono permanece abierto mientras habla. Puedes interrumpirlo como interrumpes a una persona, y te escucha mientras habla, no solo después.
Detrás del mismo contrato
Es un protocolo distinto de la voz en tiempo real que ya teníamos — un punto final distinto, un vocabulario de eventos distinto, sin identificadores de turno, sin marcador de fin de turno. Todo eso se traduce en una sola frontera a los eventos que nuestro puente de voz ya habla. Debajo de eso, nada cambia: la misma sesión, las mismas herramientas durante una llamada, la misma liquidación por minuto, las mismas dos aplicaciones.
Antes de que se escribiera una sola línea, una sonda corrió todo el ciclo contra el proveedor con una clave de desarrollo y grabó los cuadros. Esas grabaciones son los datos de prueba contra los que se valida la capa de traducción — así que lo que se prueba es lo que el proveedor realmente envía, no lo que un documento dice que envía.
El eco es la razón por la que nadie hace esto por defecto
Un micrófono abierto durante la reproducción escucha al asistente. Sin supresión, se responde a sí mismo, para siempre. Por eso en iOS la sesión de audio cambia al perfil de procesamiento de voz, el que cancela el eco y se comporta como altavoz; en Android, el preajuste de captura hace el mismo trabajo.
Eso tiene un costo real, y por eso se decide por modelo en vez de globalmente. La fila del catálogo lleva una marca. Un modelo con esa marca mantiene el micrófono abierto y activa la cancelación; cualquier otra voz en la plataforma mantiene su puerta y su perfil de audio más fuerte, exactamente como antes. La decisión se toma cuando arranca la sesión, y se vuelve a tomar según lo que el servidor realmente abrió, por si un valor por defecto de nivel se resolvió en otra cosa.
En la web nada cambió: el micrófono nunca estuvo bloqueado ahí, y el navegador ya pide cancelación de eco.
Lo que todavía no es
No está en el nivel gratuito. Un minuto gratis desaparecería en un solo intercambio, y una asignación que se agota a mitad de frase es peor que una que nunca se ofreció.
Y la primera versión se comporta más como una mejora que como una transformación en el móvil, porque ambas aplicaciones conservan parte de su propio bloqueo hasta que la cancelación del lado del dispositivo se confirme en hardware real. El motor es de duplex completo; los teléfonos lo están alcanzando.