Diseña voz full-duplex que resiste interrupciones: checklist de turnos, tono y handoff del backend

Un agente de voz que te interrumpe mientras aún estás explicando el problema resulta menos inteligente que un humano que espera. OpenAI ha puesto su modelo de voz full-duplex GPT-Live-1 a disposición de los desarrolladores a través de una API. Puede escuchar y producir voz al mismo tiempo, lo que hace que la conversación se sienta menos como una carrera de relevos. La pregunta de diseño es qué debe gestionar la capa de voz y qué debe delegar en el backend.

La capa de voz gestiona la conversación, no la respuesta

La capa de voz tiene un precio de $0,05 por minuto, mientras que los costos de razonamiento del backend y del agente se facturan por separado. Esa división es una pista de diseño. Si la capa de voz es una superficie barata y siempre activa, no debería realizar trabajo lento, costoso o arriesgado. Debe mantener al humano en el circuito.

La gestión de turnos es la prueba central de propiedad. Un agente de voz full-duplex no debería esperar un silencio perfecto antes de decidir que el usuario ha terminado. Debe rastrear la forma de la oración, la intención del usuario y el ritmo social del intercambio. Cuando el usuario se queda a medias, el agente puede hacer una pregunta breve. Cuando el usuario claramente sigue hablando, el agente debe esperar.

Las interrupciones son una superficie de diseño, no un error

El fallo más común es que el agente trate cada sonido como una nueva solicitud. Las primeras evaluaciones de Speak encontraron que GPT-Live-1 redujo las falsas interrupciones en un 80 por ciento en comparación con los sistemas de turnos anteriores. Ese resultado solo importa si el producto tiene un contrato claro sobre qué cuenta como interrupción.

Usa esta auditoría como contrato de propiedad: la capa de voz gestiona los turnos, las interrupciones, los backchannels, el ritmo y el tono, y la continuidad; el backend gestiona el razonamiento, las llamadas a herramientas y el estado; el system prompt define el tono y el ritmo; la telefonía añade reglas de espera, transferencia y respaldo.

• Interrumpe al agente a mitad de frase; debería dejar de hablar y esperar tu siguiente cláusula.
• Dale un backchannel como mm-hm; no debería tratarlo como una nueva solicitud.
• Haz una pausa breve; debería hacer una pregunta aclaratoria corta o continuar el mismo hilo.
• Pídele que consulte un sistema; debería decir que está consultando antes de que comience el trabajo del backend.
• Pídele que transfiera; debería indicar el destino de la transferencia y qué sucede a continuación.
• Lee el system prompt; debería nombrar un tono y ritmo calmos y serviciales, y una regla contra el relleno apresurado.

Cada elemento es un pequeño contrato. La gestión de turnos mantiene al usuario en control. Los backchannels impiden que el agente sobre reaccione. La continuidad evita que la conversación se reinicie tras una pausa. El lenguaje de handoff impide que el usuario adivine qué está haciendo el sistema. Si alguno de estos falla, el usuario no ve un error técnico. Ve una voz que no presta atención, y deja de confiar en ella.

El backend gestiona el trabajo, y el handoff debe ser visible

La latencia de la capa de voz es un problema de confianza. Cuando el agente necesita razonar, llamar a una herramienta o actualizar el estado, la capa de voz debería decirlo. Un usuario que escucha déjame revisar y luego silencio no está siendo atendido; está siendo abandonado. El backend puede gestionar la parte difícil, pero la capa de voz debe gestionar la parte social.

En un benchmark llamado Tau3, GPT-Live-1 emparejado con GPT-6 Astra con esfuerzo de razonamiento medio obtuvo 86,2 por ciento, frente al 45,7 por ciento de GPT-Realtime-2.1 y el 42,4 por ciento de GPT-Realtime-2. La diferencia importa porque los usuarios perdonan una respuesta lenta cuando entienden qué está pasando. No perdonan una respuesta segura que llega después de que la conversación ya ha avanzado.

La misma división se refleja en la ingeniería. Una empresa de salud anónima usó GPT-Live-1 para simplificar su base de código en un 80 por ciento y eliminar 23.000 líneas de código usadas para unir conversaciones de pacientes en tiempo real. Cuando la capa de voz gestiona la conversación, el backend puede gestionar los datos, las herramientas y el estado. El producto se vuelve más fácil de probar, más fácil de auditar y más fácil de depurar en producción.

La telefonía y el servicio al cliente necesitan respaldos explícitos

Yelp integró GPT-Live-1 en su flujo de reservas Yelp Host AI, y el CTO Alex Levy señaló mejores resultados en la gestión de llamadas. La voz suele ser una superficie telefónica, no una superficie de chat. Las llamadas telefónicas hacen que esas reglas sean concretas. Si el agente no puede responder, debería decir qué hará a continuación. Si debe transferir, debería nombrar el destino y qué debe esperar el usuario.

Construye la capa de voz como una recepción, no como un cerebro. Debe mantener la conversación en movimiento, mantener al usuario informado y mantener al backend rendible. Cuando ocurra la próxima interrupción, el producto debería atender la necesidad actual del usuario, no la anterior.