OpenAI ha annunciato GPT‑Live, una nuova generazione di modelli vocali progettata per rendere le conversazioni con l’intelligenza artificiale molto più simili a un dialogo umano reale. Il sistema debutta da subito come motore di ChatGPT Voice, sostituendo gradualmente le versioni precedenti dell’assistente vocale su iOS, Android e ChatGPT.com.
Due generazioni precedenti e i loro limiti
Prima di descrivere l’architettura di GPT‑Live, vale la pena ripercorrere i due approcci che OpenAI ha adottato finora per la voce, perché aiutano a capire dove sta l’innovazione.
La prima versione di ChatGPT Voice si basava su un sistema a cascata, con tre modelli distinti collegati in sequenza per la trascrizione vocale, l’elaborazione del linguaggio e la sintesi vocale. L’approccio ha permesso per la prima volta di parlare con un modello frontier, ma la complessità aveva un costo: perdita di informazioni tra un passaggio e l’altro, risposte lente e innaturali.
Con Advanced Voice Mode (introdotto con GPT-4), OpenAI è passata a un modello unico che elabora e genera audio, riducendo la latenza. Il limite però restava lo schema a turni: il modello doveva attendere che l’utente smettesse di parlare prima di rispondere, e poiché il rilevamento del turno si basava sul silenzio, anche una breve pausa o un rumore di fondo potevano essere scambiati per la fine del turno, causando interruzioni fuori luogo.
L’architettura full-duplex: l’innovazione principale
GPT‑Live risolve questo problema con un’architettura full-duplex: invece di elaborare una sequenza di messaggi separati, il modello elabora l’input in modo continuo mentre genera l’output. Questo gli permette di prendere decisioni di interazione più volte al secondo – parlare, continuare ad ascoltare, mettere in pausa, interrompere o richiamare uno strumento – anziché seguire uno schema rigido a turni.
Un effetto collaterale interessante di questa architettura, sottolineato da OpenAI, è che il modello acquisisce un migliore senso del tempo e diventa capace di eseguire traduzione simultanea dal vivo, una funzione che gli approcci precedenti non permettevano in modo naturale.
La delega: separare conversazione e ragionamento profondo
Il secondo cambiamento architetturale è la separazione tra interazione continua e lavoro cognitivo complesso. Quando una richiesta necessita di ricerca web, ragionamento approfondito o capacità più agentiche, GPT‑Live delega il compito al modello frontier più recente – al lancio, GPT‑5.5 – mantenendo viva la conversazione mentre il risultato viene elaborato in background. OpenAI dichiara che aggiornerà continuamente il modello delegato man mano che verranno rilasciate nuove versioni frontier, disaccoppiando quindi il ciclo di aggiornamento della “voce” da quello dell’”intelligenza” sottostante.
Due modelli, tre livelli di ragionamento
OpenAI sta distribuendo globalmente due versioni: GPT‑Live‑1, che diventerà il modello predefinito per gli utenti Go, Plus e Pro, e GPT‑Live‑1 mini, predefinito per gli utenti del piano gratuito. Su entrambi sono disponibili tre livelli di ragionamento, pensati per bilanciare velocità e profondità:
- Instant – usato da GPT‑Live‑1 (variante base) e da GPT‑Live‑1 mini, si appoggia a GPT‑5.5 Instant
- Medium – usa GPT‑5.5 Thinking con sforzo di ragionamento medio
- High – usa GPT‑5.5 Thinking con sforzo di ragionamento massimo
L’arrivo in API è previsto nei prossimi mesi; sviluppatori e aziende possono registrarsi tramite un modulo dedicato pubblicato da OpenAI.
I risultati delle valutazioni
OpenAI ha sviluppato nuove valutazioni umane per misurare piacevolezza e fluidità conversazionale, confrontando GPT‑Live con Advanced Voice Mode su conversazioni di 5-10 minuti che misurano preferenza complessiva, gestione dei turni, interruzioni e naturalezza percepita. In questi test testa-a-testa, sia GPT‑Live‑1 sia GPT‑Live‑1 mini risultano nettamente preferiti.
Sul fronte delle competenze, GPT‑Live‑1 mostra miglioramenti sostanziali su GPQA, il benchmark che misura il ragionamento scientifico avanzato in biologia, chimica e fisica, e guadagni altrettanto marcati su BrowseComp, che valuta la capacità di ricerca web agentica su informazioni difficili da reperire. A questi si aggiungono risultati superiori su τ³-Voice Telecom, una variante interna che testa gli agenti vocali su attività di assistenza telefonica realistiche e multi-turno nel settore delle telecomunicazioni, valutate con un modello-utente personalizzato basato sui modelli di ragionamento più recenti di OpenAI.
Cosa cambia nell’esperienza ChatGPT Voice
Con oltre 150 milioni di persone che ogni settimana usano funzioni come Voice e Dettatura, OpenAI aggiorna l’esperienza su più fronti. Le conversazioni diventano più naturali: è possibile interrompere con una domanda, fermarsi a pensare o chiedere di rallentare, e il sistema riconosce questi momenti con segnali di ascolto attivo come “mhmm” o “ho capito”; le nove voci disponibili in ChatGPT sono state rimasterizzate per GPT‑Live. Le risposte sono anche più intelligenti, grazie all’accesso ai modelli frontier più recenti e alla possibilità di scegliere il livello di ragionamento. L’ascolto è migliorato: il sistema attende invece di interrompere quando l’utente si ferma a riflettere, rispetta la richiesta di restare in silenzio ed è più efficace nel distinguere la voce dell’utente dal rumore di fondo, come traffico o conversazioni vicine. Infine, durante una conversazione vocale ChatGPT può ora mostrare risposte visive – schede per meteo, sport, quotazioni di borsa e mappe di locali nelle vicinanze – oltre a continuare a supportare ricerca, memoria, immagini e caricamento di file.
Sicurezza progettata per la voce
OpenAI dichiara di aver ampliato i test di sicurezza con valutazioni audio-native e simulazioni sintetiche generate ad hoc, concentrate su autolesionismo, psicosi e mania, dipendenza emotiva dall’IA, violenza e contenuti sessuali – aree individuate a partire dall’esperienza con Advanced Voice Mode. Team interni hanno inoltre condotto attività di red teaming specifiche per i rischi legati alla voce. Nei test, GPT‑Live ha ottenuto risultati comparabili o migliori rispetto ad Advanced Voice Mode in quasi tutte le aree valutate, come descritto nella system card pubblicata separatamente da OpenAI.
Tra le misure implementate figurano meccanismi in grado di intervenire mentre il modello sta parlando, indirizzandolo verso risposte più sicure, mostrando messaggistica o risorse aggiuntive, oppure terminando la conversazione vocale nei casi a rischio più elevato; percorsi di supporto adattati per la voce nelle conversazioni sull’autolesionismo, incluso l’accesso a linee di assistenza verificate da esperti; protezioni dedicate per gli utenti adolescenti, con comportamenti appropriati all’età addestrati direttamente nel modello, mentre i genitori possono gestire l’accesso tramite i Controlli Parentali e ricevere notifiche in situazioni ad alto rischio legate a segnali di autolesionismo o intenti suicidari; e un programma di monitoraggio post-lancio a lungo termine sulla dipendenza emotiva dall’IA, che si inserisce nel filone di ricerca già avviato da OpenAI sul benessere emotivo e sull’uso affettivo dei chatbot.
OpenAI precisa infine che GPT‑Live è progettato per la conversazione e non per l’imitazione vocale: utilizza un set di voci predefinite ed è dotato di salvaguardie contro la possibilità di riprodurre la voce di una persona reale.
Disponibilità e limiti
GPT‑Live è in fase di distribuzione globale su iOS, Android e ChatGPT.com. Il sistema è stato ottimizzato per le lingue più diffuse su ChatGPT; per alcune lingue potrebbe presentare un accento non nativo o lacune di fluidità, aspetto su cui OpenAI dichiara di continuare a lavorare. Al lancio, GPT‑Live non supporta ancora la modalità vocale con condivisione di video o schermo: per queste funzioni restano disponibili le versioni precedenti, Standard e Advanced Voice Mode.
