GPT-Live-1 ya puede realizar llamadas salientes: qué habilita realmente el SIP GA y qué sigue sin poder hacer

Lo más útil que puede hacer un nuevo agente de voz de OpenAI es pulsar 1. Desde finales del 4 de noviembre de 2026, una sesión de GPT-Live-1 puede realizar una llamada saliente a un número de teléfono real a través de un troncal SIP, escuchar el menú que responde y enviar tonos de teclado de vuelta por la línea. Esa última parte —la DTMF bidireccional— es la diferencia entre un agente de voz que habla y un agente de voz que puede abrirse paso por un árbol telefónico hasta el departamento que realmente necesita.

El modelo en sí no es nuevo. GPT-Live-1 está en ChatGPT Voice desde el 8 de julio de 2026 y en la API desde el 10 de septiembre de 2026 a 0,05 USD por minuto. Lo que cambió el 4 de noviembre es el transporte. Justin Uberti, de OpenAI, anunció que la API de telefonía saliente había sido “recién promovida… a GA”, “lo que permite a los desarrolladores hacer llamadas telefónicas desde su agente de voz Live” a través de “cualquier proveedor de troncal SIP (p. ej., Telnyx o Twilio)”; Greg Brockman se hizo eco esa misma noche. El anuncio añade que las llamadas pueden usar HD Voice y pueden enviar y recibir eventos del teclado numérico.

Así que esta es una historia de capacidades, no una historia de modelos, y el material interesante está en la documentación, no en la publicación. La guía de Telephony y SIP de OpenAI ahora indica que las llamadas salientes están «disponibles para todas las organizaciones a través de la Live API, no del endpoint de creación de llamadas de la Realtime API»: dos frases que descartan silenciosamente una gran parte de las integraciones que la gente intentará reutilizar.

Qué cambió "GA", y qué no

Antes de la promoción, las llamadas salientes existían, pero no estaban disponibles de forma general; eso es lo que significa «promoted». El mecanismo ya estaba construido y la puerta se abrió. La documentación de OpenAI ahora incluye la frase correspondiente: que las llamadas salientes por SIP «están disponibles para todas las organizaciones a través de la Live API», lo que es lo más parecido a una declaración de disponibilidad general (GA) en la página: la propia guía no lleva ninguna etiqueta beta, preview ni alpha.

Lo que no cambió es el modelo de voz. El ejemplo de llamadas salientes en la propia documentación de OpenAI todavía establece model: "gpt-live-1", y la lista de verificación para socios todavía indica a los integradores que busquen "una versión del paquete que sea compatible con gpt-live-1". No hay un modelo específico para llamadas salientes, ni un precio separado, ni un nivel de telefonía. Estás pagando los mismos $0.05 por minuto por la capa de voz que pagabas en septiembre; simplemente ahora se te permite gastarlo en llamadas que salen de tu servidor.

Una advertencia operativa se esconde en la guía, no en el anuncio: OpenAI te indica que confirmes que «el soporte SIP de GPT-Live está habilitado para tu proyecto y que el troncal SIP de tu proveedor está enrutado a ese proyecto antes de usar este flujo». Una etiqueta de GA y una configuración de proyecto habilitada no son lo mismo, y el primer ticket de soporte de la semana será de alguien que tiene una sin la otra.

Los requisitos previos que determinan si tu trunk funciona en absoluto

OpenAI no adoptó SIP en el sentido general. Adoptó una porción estrecha y moderna de él, y un trunk que no cumpla cualquiera de los siguientes requisitos no se conectará, sin importar lo que el anuncio prometiera sobre «cualquier proveedor de trunk SIP».

• Señalización: TLS es obligatorio, no opcional. SIP en claro sobre UDP o TCP queda descartado.

• Medios — se requiere SDES-SRTP, y SRTP debe estar activado en el proveedor, no solo ser admitido por este.

• URL del proveedor: se espera un sips: endpoint con el puerto 5061 por defecto, sin credenciales, sin ruta y sin parámetros de URI asociados.

• Destino — un número E.164 como +14155550123 y nada más. Los URI SIP no son compatibles explícitamente, por lo que un esquema de extensión interno no es un atajo.

• Autenticación — digest, con un nombre de usuario y contraseña SIP, además de un caller_number en E.164 que se convierte en el identificador de llamada que ve la persona que recibe la llamada.

• Higiene de red — se rechazan los nombres de host locales y las direcciones IP privadas literales, lo que descarta un banco de pruebas apuntado a una máquina de laboratorio.

• Formato de audio — deja audio.format sin establecer, porque lo negocia SIP. Establecerlo es el tipo de parámetro que parece útil pero que rompe la llamada.

Ten en cuenta lo que esto significa para la afirmación de «cualquier proveedor». Cualquier proveedor que use señalización TLS con medios SDES-SRTP funcionará; muchísimos troncales SIP baratos siguen usando UDP y RTP simple de forma predeterminada, y esa frase no los abarca. La integración consiste en crear una sesión en lugar de un webhook: haces POST a /v1/live/sessions con transport.type establecido en sip, y la guía indica explícitamente que «no necesitas un webhook para llamadas entrantes ni una solicitud de aceptación para una llamada saliente».

Lo que recibes es un session.id y un tipo de transporte, y la documentación es inusualmente franca sobre la brecha entre eso y la realidad: «Esta respuesta no significa que la llamada se haya contestado». El timbrado, la contestación y el fallo llegan más tarde como los siguientes eventos: transport.ringing, transport.answered y transport.failed en un WebSocket de banda lateral en /v1/live/sessions/{session_id}/attach. Conéctate de inmediato —solo se reproducen los eventos de los tres segundos anteriores— y deduplica por event_id, porque la guía advierte que las entregas duplicadas son normales.

El sobre: tres minutos para que suene, dos horas para hablar

Dos cifras concretas de la guía determinarán qué casos de uso de outbound son viables, y ninguna de las dos apareció en el anuncio.

• Límite de timbre: tres minutos. Una llamada que no se haya contestado para entonces se da por finalizada.

• Límite de conexión: dos horas, tras las cuales la sesión finaliza independientemente de lo que esté sucediendo.

• Superficie de control: transferencia mediante /v1/live/sessions/{id}/refer, colgar mediante /v1/live/sessions/{id}/hangup, DTMF enviado por la banda lateral con transport.dtmf.send.

• Modos de fallo: una configuración de sesión incorrecta falla de forma explícita al crearse, la configuración del transporte puede devolver 502, un tiempo de espera de inicialización devuelve 504, y todo lo posterior llega de forma asíncrona como transport.failed.

El timbre de tres minutos está bien para las llamadas salientes de consumo y resulta incómodo para las centralitas empresariales que dejan llamadas en espera. El límite máximo de dos horas es generoso hasta que diriges al agente a una cola de soporte, donde una espera prolongada más una conversación larga pueden rozarlo de forma plausible. Ninguno de los límites es una sorpresa en un producto de voz en tiempo real; ambos son el tipo de cosa que quieres saber antes de prometer a un cliente un SLA de campaña.

Cuánto cuesta una llamada, sinceramente

La página de precios de OpenAI indica que las sesiones de voz de GPT-Live-1 cuestan $0.05 por minuto, "facturado por segundo, sin redondear a un minuto completo". Ese es el precio publicado en su totalidad, y es solo una de las dos facturas que genera una llamada saliente. El cargo de terminación del operador es la otra, y depende del destino, del volumen y del proveedor de troncales que hayas elegido. OpenAI conserva el procesamiento de audio y la lógica de la sesión; el proveedor es dueño del tramo PSTN.

• Una llamada contestada de un minuto: $0.050 de OpenAI, más la tarifa por minuto de tu operador.

• Una llamada de cuatro minutos — $0.200 de OpenAI, más la tarifa del operador.

• Mil llamadas de cuatro minutos — 4000 minutos, así que $200 de OpenAI, más la operadora.

• Una hora de conversación conectada — $3.00 de OpenAI, más la tarifa del operador.

Hay dos cosas sobre ese medidor que merecen atención. Primero, la unidad de facturación es el minuto de sesión, y nada en la página de precios distingue el habla del silencio, así que los segundos que tu agente pasa escuchando música de espera se acumulan al mismo ritmo que los segundos que pasa hablando. Segundo, la guía no dice si una llamada que suena durante tres minutos y nunca se contesta es una sesión facturable; esa es una pregunta que conviene hacer al soporte antes de ejecutar un marcador a gran volumen, no después.

El uso del modelo de backend y de las herramientas se factura por separado, según el modelo al que hayas delegado. Si enrutas ese tramo a través de OrcaRouter, el margen del 0% y los precios de traspaso se aplican allí en lugar de al minuto de voz; por lo tanto, una reducción de precio del proveedor en el modelo de razonamiento aparece en tu factura ese mismo día, y una reducción en gpt-live-1 no.

Tu integración de Realtime no se migrará

El error más caro que se puede cometer esta semana es asumir que una pila de telefonía funcional de la API Realtime es una pila funcional de GPT-Live. La página de socios de OpenAI lo dice claramente: "Una integración de Realtime no es automáticamente compatible con GPT-Live". El endpoint es diferente, el modelo de sesión es diferente, la delegación es un concepto que Realtime no tiene de la misma forma, y los formatos de audio y la semántica de interrupción que la guía te pide comprobar por socio no se trasladan.

La lista de socios también complica la redacción del anuncio. OpenAI documenta LiveKit para agentes de voz; Twilio Agent Connect para «llamadas telefónicas entrantes y salientes»; Telnyx para «experiencias de llamadas salientes»; Bandwidth para «llamadas entrantes» por SIP; y Daily/Pipecat para el servicio Live en general. En otras palabras, Bandwidth se documenta como una integración entrante, y LiveKit y Pipecat se documentan sin una dirección de llamada en absoluto. «Cualquier proveedor de troncal SIP» es una afirmación sobre la compatibilidad de protocolos, no una afirmación sobre cuál de los cinco socios de OpenAI ha lanzado soporte para llamadas salientes.

Si usas Twilio, la migración es la que tiene una ruta de salida documentada hoy. Si usas Bandwidth para las llamadas entrantes, la salida a través de esa integración no es algo que la documentación prometa todavía.

La pregunta sobre la versión que nadie hizo

Existe una ambigüedad vigente en el nombre. GPT-Live-1.1 se integró en ChatGPT Voice el 15 de octubre de 2026 con nuevas voces en seis idiomas, y OpenAI aún no ha publicado un gpt-live-1.1 id de modelo para quienes llaman a la API. Todos los ejemplos de salida en la guía de telefonía usan gpt-live-1. Si un colega te dice que el agente saliente ejecuta 1.1 porque eso es lo que usa ChatGPT, está describiendo el producto de consumo, no la configuración de tu sesión.

En la práctica: cita gpt-live-1 en tu plan y trata cualquier disponibilidad de la API 1.1 como un evento aparte que debe verificarse en su propio día.

Dónde ocurre el pensamiento y por qué es la palanca que controlas

GPT-Live está dividido por la mitad. El propio resumen de la documentación dice que «delega el razonamiento y el uso de herramientas en un backend mientras gestiona la conversación hablada». La capa de voz se encarga de la temporización, las interrupciones y la prosodia; un modelo aparte se encarga del razonamiento y de llamar a las herramientas. Ese backend se configura por sesión en delegación, en uno de los dos modos.

• Delegación de Responses — delegation.type: "responses" de backend requeridomodelo, además de instrucciones, herramientas, elección de herramientas, límites de tokens y nivel de servicio. La guía de OpenAI recomienda empezar con gpt-6-luna, o gpt-6-sol para trabajos más difíciles, y señala que "puedes elegir el modelo de Responses independientemente del modelo de voz".

• Delegación al cliente — delegation.type: "client", donde tu aplicación ejecuta el backend por sí misma. La formulación de OpenAI es que esto permite «cualquier modelo, agente o servicio que tu aplicación opere».

Aquí es donde realmente residen el coste y la calidad de un agente de llamadas salientes, y es la única decisión arquitectónica de la página que es genuinamente tuya. El modelo de voz es fijo y, casualmente, no está en el catálogo de OrcaRouter — GPT-Live-1 es un front end de telefonía que compras a OpenAI, y ninguna cantidad de ingenio en el enrutamiento cambia eso. El backend es otro asunto. Con la delegación en el cliente, es una llamada a un modelo normal que hace tu código, lo que significa una API para 200+ modelos, una única clave para los proveedores que evalúes, conmutación por error automática si un proveedor se degrada a mitad de campaña, y elección de modelo según el tipo de llamada: un modelo barato para recorrer un menú IVR, uno más potente cuando contesta una persona.

Con la delegación de Responses, OpenAI ejecuta ese tramo y lo factura según sus propias tarifas. Ambas son legítimas; simplemente sitúan la decisión en lugares distintos. Si quieres que el backend sea una decisión de enrutamiento, la delegación de cliente es el modo que te lo permite.

Lo que el anuncio omitió

Para una publicación de GA, el anuncio se queda corto en los aspectos que determinan los despliegues. No dice nada sobre disponibilidad regional, latencia, límites de concurrencia ni un SLA. No dice nada sobre las obligaciones de grabación, divulgación o consentimiento, y las llamadas salientes son el único lugar de este producto donde esas obligaciones no son teóricas. En Estados Unidos, realizar llamadas automatizadas a consumidores sin consentimiento es un problema de TCPA antes que un problema de ingeniería; en la UE, grabar una llamada sin avisar a la persona que está al otro lado es un problema aparte. La API te ofrece un caller_number y un endpoint para colgar. El cumplimiento es responsabilidad tuya.

"HD Voice" también merece tratarse como una afirmación y no como una especificación. La documentación de OpenAI solo dice que SIP negocia el formato de audio y no enumera códecs, así que el audio de banda ancha de la publicación es una declaración del proveedor que no se ha cuantificado en ningún lugar público. Ponlo a prueba con tu propio operador antes de incluirlo en una presentación.

¿Qué hacer con esto, esta semana?

Si ya ejecutas un agente de voz GPT-Live sobre WebRTC, la ruta saliente es un segundo transporte en lugar de una reescritura: una nueva sesión creada con transport.type: "sip", un troncal que utiliza TLS y SDES-SRTP, y un WebSocket de banda lateral para estar atento al timbrado, la contestación y el DTMF. Reserva un día para el troncal, no para el agente.

Si usas Realtime, no programes la migración asumiendo que se trata de un cambio de configuración. Lee primero las secciones de delegación y de sesión, decide si tu backend debe ser el de OpenAI o el tuyo, y solo entonces elige un socio, porque el proveedor que ya usas para el tráfico entrante puede no ser el que tiene una ruta de salida documentada.

Si todavía estás decidiendo si vale la pena construir voz saliente, la cifra que importa es $3.00 por hora conectada antes de los cargos del operador, frente a un límite máximo estricto de dos horas y un timbrado de tres minutos. Es lo bastante barato para probarlo y lo bastante caro como para que el tiempo en espera sea una decisión de diseño, no un accidente. La GA eliminó la barrera. No eliminó la aritmética.