OpenAI lanza gpt-realtime-2.1, modelos de voz de baja latencia para agentes de atención

Qué lanzó OpenAI

El 6 de julio de 2026, OpenAI anunció dos nuevos modelos de voz en la Realtime API: gpt-realtime-2.1 y gpt-realtime-2.1-mini. Según el anuncio oficial de OpenAI (openai.com/index/introducing-gpt-realtime/) y el foro oficial de desarrolladores de la empresa, los modelos fueron diseñados específicamente para aplicaciones de negocio que dependen de voz en tiempo real, como agentes de atención, soporte automatizado y centros de llamadas. El gpt-realtime-2.1 incorpora razonamiento configurable y soporte para uso de herramientas durante la conversación, lo que permite que el agente de voz consulte sistemas externos, valide datos y ejecute acciones mientras habla con el usuario. El gpt-realtime-2.1-mini fue optimizado para costo y velocidad, pensado para operaciones de alto volumen de llamadas. Ambos modelos también traen reconocimiento mejorado de secuencias alfanuméricas, lo que resuelve un problema recurrente en atención por voz: leer en voz alta números de pedido, teléfonos y códigos de confirmación con precisión. Además, OpenAI mejoró el manejo de silencios, ruido de fondo e interrupciones durante la conversación, haciendo que el diálogo se sienta más natural en entornos reales, como un centro de atención con ruido ambiente.

Menor latencia, precio por token

Según el reportaje de MarkTechPost (marktechpost.com/2026/07/06/openai-gpt-realtime-2-1-mini-reasoning-realtime-api/), las mejoras de caché redujeron la latencia p95 en al menos un 25 por ciento, una ganancia relevante para conversaciones por voz, donde cualquier retraso perceptible rompe la naturalidad del diálogo. En cuanto a precios, por 1 millón de tokens, el texto de entrada cuesta US$ 4,00 en el modelo estándar y US$ 0,60 en el mini. El audio de entrada cuesta US$ 32 en el estándar y US$ 10 en el mini. El audio de salida cuesta US$ 64 en el estándar y US$ 20 en el mini. Esta diferencia de costo entre las dos versiones es el principal argumento de OpenAI para posicionar el mini como opción por defecto en operaciones de alto volumen, reservando el modelo completo para casos que exigen razonamiento más sofisticado o uso intensivo de herramientas.

Por qué esto importa para quien construye atención por voz en Brasil

Para pequeñas y medianas empresas brasileñas que desarrollan agentes de atención por voz, ya sea en soporte, ventas o asistencia técnica, los dos puntos centrales de este lanzamiento son costo y confiabilidad. La menor latencia resuelve una de las mayores quejas de quienes ya probaron atención automatizada por voz: la pausa extraña entre el habla del cliente y la respuesta del agente, que hace que la interacción parezca robótica. Con gpt-realtime-2.1-mini, el costo por llamada baja bastante frente al modelo estándar, lo que cambia el cálculo de viabilidad para operaciones de alto volumen, como confirmación de pedidos, agendamiento y triaje inicial de soporte. El reconocimiento mejorado de secuencias alfanuméricas también es un detalle pequeño con impacto grande en el día a día: las pymes que manejan números de protocolo, documentos de identidad, teléfonos y códigos de rastreo por voz obtienen menos errores de transcripción, lo que reduce el retrabajo y las quejas. El mejor manejo de ruido de fondo e interrupciones ayuda justamente en los escenarios más comunes fuera de un estudio controlado, como un cliente que llama desde un ambiente ruidoso o interrumpe al agente a mitad de la frase.

La voz como la nueva frontera de competencia

El movimiento de OpenAI confirma una tendencia que venía gestándose: la disputa entre proveedores de IA está dejando de ser solo sobre texto y pasa a incluir la voz como campo de batalla directo. Latencia, costo por token de audio y naturalidad de conversación se convierten en criterios de decisión tan importantes como la calidad de respuesta en texto. Para quienes construyen productos de atención automatizada, seguir estos lanzamientos dejó de ser opcional: elegir el modelo de voz correcto, en el momento correcto, es lo que separa a un agente que suena humano de uno que todavía suena como aquel viejo menú de voz de un centro de llamadas.