OpenAI añade llamadas SIP a GPT-Live: IA de voz por 5 centavos el minuto

Hasta ahora, para que un agente de IA pudiera llamar a un cliente o atender una llamada, hacía falta una capa independiente entre la red telefónica y el modelo: un servicio de telefonía, un orquestador de voz y, a veces, también un servidor multimedia propio. OpenAI da un paso para que esa capa sea más delgada: la compañía ha publicado una guía para conectar GPT-Live mediante SIP, el protocolo estándar de telefonía IP.

Cómo se conecta

El esquema es bastante directo. Para las llamadas entrantes, se obtiene un número de cualquier proveedor SIP. El autor del análisis menciona Zadarma, pero sirve cualquier otro. Después se configura un webhook para el evento live.transport.incoming y se dirige el tráfico a sip.api.openai.com. Para los clientes europeos existe una dirección aparte, sip-eu, lo que es importante si le preocupan la latencia y el lugar donde se procesan los datos.

Las llamadas salientes se inician con una solicitud a /v1/live/sessions, donde se indica a quién llamar. A partir de ahí, la conversación la lleva el modelo.

La plataforma incluye funciones telefónicas básicas: transferir la llamada a otra persona, enviar dígitos (el típico «pulse 1» de un menú) y finalizar la llamada. También hay integraciones listas con LiveKit, Twilio, Telnyx, Bandwidth y Daily/Pipecat. Es decir, si ya trabaja con uno de esos servicios, no es obligatorio pasarse al nuevo esquema.

Precio: 5 centavos por minuto con tarificación por segundo. Pero eso cubre solo la capa telefónica y de voz; el modelo y las herramientas se pagan aparte. El costo de una conversación hay que calcularlo sumando todos los componentes, no a partir de esta cifra.

Qué queda de su parte

La conclusión principal del autor: «de serie» esto es todavía un kit en bruto, no un producto terminado para llamadas masivas. Muchas cosas tendrá que implementarlas usted mismo:

• finalizar la llamada cuando el interlocutor dice «adiós». El propio modelo no cuelga;
• reconocer un contestador automático y decidir qué hacer con él;
• reproducir literalmente un saludo grabado, por ejemplo por motivos legales;
• gestionar las interrupciones, cuando la persona empieza a hablar por encima del agente.

Todos son males conocidos de los agentes de voz. Precisamente esos son los que resuelven las plataformas especializadas. Por eso conviene pensar en la novedad como un medio de transporte, no como un centro de contacto listo para usar.

Idiomas y calidad de voz

La lista incluye 21 voces, pero el autor solo encontró entre ellas locución para inglés, portugués, alemán, francés, japonés y coreano. El ruso funciona, pero con acento. Para un producto en ruso no es un detalle menor: por teléfono la gente nota enseguida el habla poco natural y cuelga con más frecuencia. Si su escenario no es en inglés, pruebe primero la voz en llamadas reales, no en la demo.

La impresión general del autor: OpenAI tiene buenas voces, pero el lanzamiento parece una versión beta.

Qué hacer con esto

Si está construyendo un agente de voz para citas, soporte o calificación de leads, conviene montar un prototipo con SIP y compararlo con su stack actual según tres parámetros: latencia, costo total del minuto incluido el modelo y calidad de la voz en su idioma. Si ahora paga a un intermediario por un simple enrutamiento de llamadas, tiene motivo para revisar el contrato.

Por otro lado, si necesita detección de contestador, guiones rígidos y un manejo cuidadoso de las interrupciones, las plataformas ya hechas son por ahora más cómodas. Para los proveedores de plataformas de voz la noticia también es inquietante: parte de su valor se desplaza a la API de la propia OpenAI. Pero por ahora esto es estrictamente una beta, y lo que de verdad conviene es medir con sus propias llamadas.