OpenAI adiciona chamadas SIP ao GPT-Live: IA de voz por 5 centavos o minuto

Até agora, para que um agente de IA pudesse ligar para um cliente ou atender uma chamada, era preciso uma camada separada entre a rede telefônica e o modelo: um serviço de telefonia, um orquestrador de voz e, às vezes, também um servidor de mídia próprio. A OpenAI dá um passo para tornar essa camada mais fina: a empresa publicou um guia para conectar o GPT-Live via SIP, o protocolo padrão de telefonia IP.

Como a conexão é feita

O esquema é bastante direto. Para chamadas recebidas, você obtém um número de qualquer provedor SIP. O autor da análise menciona a Zadarma, mas qualquer outro serve. Depois, configura um webhook para o evento live.transport.incoming e direciona o tráfego para sip.api.openai.com. Para clientes europeus há um endereço separado, sip-eu, o que é importante se você se preocupa com latência e com o local onde os dados são processados.

As chamadas realizadas são iniciadas com uma requisição a /v1/live/sessions, onde se indica para onde ligar. A partir daí, a conversa é conduzida pelo modelo.

A plataforma tem funções telefônicas básicas: transferir a chamada para outra pessoa, enviar dígitos (aquele "digite 1" do menu) e encerrar a ligação. Também há integrações prontas com LiveKit, Twilio, Telnyx, Bandwidth e Daily/Pipecat. Ou seja, se você já trabalha com um desses serviços, não é obrigatório migrar para o novo esquema.

Preço: 5 centavos por minuto, com cobrança por segundo. Mas isso cobre apenas a camada telefônica e de voz; o modelo e as ferramentas são pagos à parte. O custo de uma conversa deve ser calculado pela soma de todos os componentes, e não por esse número.

O que fica do seu lado

A principal conclusão da análise do autor: "direto da caixa", isto ainda é um kit bruto, e não um produto pronto para discagem ativa. Muita coisa você terá de implementar por conta própria:

• encerrar a chamada quando o interlocutor disser "tchau". O próprio modelo não desliga;
• reconhecer uma secretária eletrônica e decidir o que fazer com ela;
• reproduzir literalmente uma saudação gravada, por exemplo por razões jurídicas;
• acompanhar as interrupções, quando a pessoa começa a falar por cima do agente.

Todos esses são problemas conhecidos dos agentes de voz. São justamente eles que as plataformas especializadas resolvem. Por isso é sensato encarar a novidade como um meio de transporte, e não como um contact center pronto.

Idiomas e qualidade da voz

A lista tem 21 vozes, mas o autor encontrou entre elas locução apenas para inglês, português, alemão, francês, japonês e coreano. O russo funciona, mas com sotaque. Para um produto em russo isso não é detalhe: ao telefone, as pessoas logo percebem a fala artificial e desligam com mais frequência. Se o seu cenário não é em inglês, primeiro teste a voz em chamadas reais, e não na demo.

A impressão geral do autor: a OpenAI tem boas vozes, mas o lançamento parece uma versão beta.

O que fazer com isso

Se você está construindo um agente de voz para agendamentos, suporte ou qualificação de leads, vale montar um protótipo com SIP e compará-lo com a sua stack atual em três parâmetros: latência, custo total do minuto junto com o modelo e qualidade da voz no seu idioma. Se hoje você paga a um intermediário por um simples roteamento de chamadas, surge um motivo para rever o contrato.

Por outro lado, se você precisa de detecção de secretária eletrônica, scripts rígidos e tratamento cuidadoso de interrupções, as plataformas prontas são por enquanto mais convenientes. Para os provedores de plataformas de voz, a notícia também é preocupante: parte do valor deles migra para a API da própria OpenAI. Mas, por ora, isto é estritamente uma beta, e o que realmente vale a pena é medir nas suas próprias chamadas.