OpenAI lanzó en beta pública para desarrolladores su Realtime API, una interfaz de programación de aplicaciones diseñada para habilitar experiencias conversacionales de voz bidireccional de bajísima latencia impulsadas por GPT-4o. A diferencia de las arquitecturas clásicas de asistentes de voz —que encadenan tres modelos independientes (reconocimiento automático de voz STT, inferencia sobre texto del LLM y síntesis de voz TTS), acumulando retrasos de varios segundos y perdiendo cualquier matiz afectivo o tono—, la Realtime API procesa directamente audio de entrada y genera audio de salida como un flujo multimodal continuo sobre conexiones WebSocket persistentes, reduciendo la latencia de respuesta a unos 300 milisegundos y permitiendo interrupciones naturales del usuario en tiempo real.
Capítulo 01
La noticia en una frase
OpenAI lanza Realtime API para streaming de audio bidireccional y voz nativa con GPT-4o, reduciendo la latencia de conversación a niveles humanos.
En pruebas de implementación con clientes piloto en servicios de atención telefónica, tutoría idiomática interactiva y navegación asistida, la Realtime API demostró una tasa de interrupción fluida superior al 95%, detectando con precisión cuándo el usuario comienza a hablar para suspender de inmediato la emisión de audio sin desincronizar el contexto conversacional.
Capítulo 02
