iRTE 2026: o que são os modelos de tempo real nos quais OpenAI e Thinking Machines apostam

O veículo chinês Jiqizhixin (机器之心) anunciou para a conferência iRTE 2026 uma discussão sobre modelos de interação em tempo real. Segundo os organizadores, OpenAI e Thinking Machines Lab apostam nessa direção. No último ano, as equipes de IA multimodal deixaram de otimizar uma «resposta de voz mais humana» e passaram a um problema mais difícil: como a IA participa de uma interação (互动) que se desenrola naquele exato momento. O trecho disponível do anúncio não traz programação, palestrantes nem datas, mas a própria formulação da pergunta mostra para onde o foco se deslocou.

Três degraus de um mesmo problema

Os organizadores descrevem a evolução como uma escada de três níveis:

• Modelos full-duplex. O agente ouve e fala ao mesmo tempo. Dá para interrompê-lo, e ele não interpreta uma pausa na fala como o fim da vez do interlocutor.
• Multimodalidade completa (omni). Voz, visão e outros sinais são processados em conjunto, e a decisão se baseia no quadro inteiro, e não na transcrição da fala.
• Modelos interativos. O passo seguinte: entender o que exatamente está acontecendo na conversa naquele segundo e escolher a próxima ação.

Cada degrau acrescenta uma nova camada de responsabilidade ao anterior. O full-duplex resolve a questão do tempo: quando entrar, quando se calar. O omni resolve a questão da percepção: o que o modelo vê e ouve. O modelo interativo responde pelo sentido da situação: quem está conduzindo a conversa, o que o interlocutor espera, se é apropriado intervir.

Por que a aposta em tempo real faz sentido

Os assistentes de voz da primeira geração funcionavam no esquema «ouvir, transcrever, pensar, falar». Qualquer cadeia assim gera latência e falha diante da fala real, em que as pessoas se interrompem, se corrigem e dizem «hum…» em vez de responder. A qualidade da voz sintetizada pode até ser alta, mas a conversa continua parecendo uma troca de bilhetes.

A OpenAI já levou os modos de voz e a Realtime API para o nível de produto. A Thinking Machines Lab, startup de Mira Murati, ex-diretora de tecnologia da OpenAI, olha na mesma direção, segundo os organizadores. Se duas equipes desse porte chegam de forma independente ao mesmo vetor, isso é um sinal para o mercado. A conversa em tempo real passa a ser uma classe própria de problemas, com métricas e arquitetura específicas, e não uma camada em cima de uma LLM de texto.

O que fica de fora

O anúncio não traz benchmarks, nomes de modelos nem prazos. A formulação «as duas empresas apostam nisso» vem dos organizadores da conferência, e o texto não traz confirmação das próprias empresas. O termo «modelo interativo» ainda não tem uma definição única: os organizadores não esclarecem onde passa a fronteira entre um agente omni forte e um modelo que entende o andamento da interação. A discussão de fundo, a julgar pelo tema anunciado, deve girar justamente em torno disso na própria conferência.

O que as equipes que criam agentes de voz devem verificar

Se você desenvolve um agente de voz ou de vídeo, essa mudança tem uma consequência prática: as métricas de qualidade precisarão ser revistas. Só a precisão do reconhecimento e a naturalidade da voz já não bastam. Vale medir:

• a latência entre o fim da fala do usuário e o início da resposta;
• a correção da reação a interrupções: se o agente se calou e se manteve o contexto;
• a taxa de entradas falsas, quando o agente começou a falar enquanto a pessoa apenas pensava;
• a capacidade de usar o contexto visual, quando disponível: tela, câmera, gestos.

Também convém decidir de antemão o que você vai construir: uma cascata de ASR, LLM e TTS separados ou um único modelo que trabalha diretamente com áudio. As duas abordagens convivem hoje, mas a conversa na iRTE 2026 mostra para onde caminha o segmento de ponta do mercado.