OpenAI añade GPT-Realtime-2, Translate y Whisper a su API para aplicaciones de voz

El 7 de mayo de 2026, OpenAI presentó en su API tres modelos de voz en tiempo real: GPT-Realtime-2 para conversar y ejecutar acciones, GPT-Realtime-Translate para traducción en vivo y GPT-Realtime-Whisper para transcripción en streaming. La compañía empuja claramente las interfaces de voz del modo «responder a una frase» hacia un asistente que sabe escuchar, razonar, usar herramientas y no perder el hilo de la conversación.

Tres modelos a la vez

La idea central del lanzamiento es sencilla: la voz en las aplicaciones no debe funcionar como un adorno atractivo, sino como una interfaz completa. OpenAI explica que los desarrolladores construyen cada vez más tres tipos de escenarios: voice-to-action, en el que el usuario formula una tarea por voz y el sistema ejecuta las acciones por sí mismo; systems-to-voice, en el que el software avisa a la persona de lo que ocurre; y voice-to-voice, en el que la IA ayuda a mantener una conversación entre personas que hablan idiomas distintos. La nueva gama se diseñó para ese conjunto de escenarios.

• GPT-Realtime-2 es un modelo de voz con razonamiento de nivel GPT-5, compatible con llamadas a herramientas y con un contexto más largo.
• GPT-Realtime-Translate traduce voz en tiempo real desde más de 70 idiomas de entrada a 13 de salida, casi sin pausas.
• GPT-Realtime-Whisper es una transcripción en streaming que escribe el texto a medida que la persona habla, no cuando termina la frase.
• Los precios también se anunciaron de inmediato: GPT-Realtime-2 cuesta $32 por 1 M de tokens de audio de entrada y $64 por 1 M de salida, Translate cuesta $0.034 por minuto y Whisper, $0.017 por minuto.

Los tres modelos ya están disponibles a través de la Realtime API y se pueden probar en el Playground. Es un detalle importante: OpenAI no muestra un concepto lejano, sino que lanza un conjunto de herramientas listo para equipos que desarrollan soporte, agentes de voz, traducción en tiempo real, notas de reuniones y otros productos con voz en directo. Para el mercado, es una señal de que las herramientas están listas no solo para demos, sino también para pilotos.

Qué mejora en el diálogo

La actualización más visible es GPT-Realtime-2. El modelo puede insertar frases breves de cortesía como «ahora lo compruebo», para que el usuario entienda que el sistema está ocupado con una tarea. Puede llamar a varias herramientas en paralelo, anunciar en voz alta sus acciones, recuperarse mejor de errores e interrupciones y sostener escenarios claramente más largos: la ventana de contexto pasó de 32K a 128K. En producción esto importa mucho más que una «voz agradable», porque los asistentes reales suelen fallar en las cadenas largas de pasos.

OpenAI subraya además la controlabilidad del modelo. El desarrollador puede elegir el nivel de razonamiento, de minimal a xhigh, para equilibrar latencia y calidad de la respuesta. También mejoró la comprensión de términos, nombres propios y vocabulario especializado, por ejemplo médico. En evaluaciones internas, GPT-Realtime-2 en modo high obtuvo un resultado 15.2% superior al de GPT-Realtime-1.5 en Big Bench Audio y, en modo xhigh, fue 13.8% mejor en Audio MultiChallenge, que mide el seguimiento de instrucciones en conversación.

«Tras ajustar los prompts, vimos que el éxito de las llamadas subió del 69% al 95%», así describe

Zillow sus primeras pruebas de GPT-Realtime-2.

Traducción y transcripción

El segundo modelo, GPT-Realtime-Translate, apunta a la conversación multilingüe en vivo. Traduce mientras se habla, conservando el ritmo del interlocutor y el sentido incluso cuando hay acentos, saltos de tema o léxico sectorial. OpenAI cita por separado casos de soporte, ventas transfronterizas, educación, eventos, medios y plataformas para creadores. Deutsche Telekom prueba el modelo en atención al cliente multilingüe, y Vimeo muestra un escenario en el que un vídeo formativo se traduce mientras se reproduce.

El tercer modelo, GPT-Realtime-Whisper, resuelve una tarea más terrenal pero muy demandada: convertir rápidamente la voz en texto. OpenAI lo presenta como base para subtítulos, notas de reuniones, transcripción de clases y emisiones, y para agentes de voz que necesitan entender de forma continua lo que dice la persona.

La compañía recuerda además los mecanismos de protección: en la Realtime API funcionan clasificadores activos, algunas sesiones pueden detenerse si se incumplen las normas y los desarrolladores deben informar con claridad al usuario de cuándo habla con una IA.

Qué significa

OpenAI intenta ocupar no solo el mercado de los modelos de chat, sino también la capa base de los productos de voz. Si la calidad y la latencia realmente se ajustan a las métricas declaradas, la compañía obtiene una posición sólida en centros de llamadas, servicios de viaje, plataformas educativas y asistentes corporativos, donde importan no las demos vistosas, sino una conversación estable, una traducción sin pausas y un texto que aparece en el mismo instante en que la persona habla.