GPT-Live-1 agora pode fazer chamadas externas: o que a GA do SIP realmente desbloqueia e o que ela ainda não faz

A coisa nova mais útil que um agente de voz da OpenAI pode fazer é pressionar 1. Desde o final de 4 de novembro de 2026, uma sessão do GPT-Live-1 pode fazer uma chamada de saída para um número de telefone real por um tronco SIP, ouvir o menu que atende e enviar tons do teclado de volta pela linha. Essa última parte — DTMF bidirecional — é a diferença entre um agente de voz que fala e um agente de voz que consegue atravessar uma árvore telefônica até o departamento de que realmente precisa.

O modelo em si não é novo. O GPT-Live-1 está no ChatGPT Voice desde 8 de julho de 2026 e na API desde 10 de setembro de 2026, a US$ 0,05 por minuto. O que mudou em 4 de novembro foi o transporte. Justin Uberti, da OpenAI, anunciou que a API de telefonia de saída havia sido "acabara de ser promovida … para GA", "permitindo que desenvolvedores façam chamadas telefônicas a partir de seu agente de voz Live" por meio de "qualquer provedor de trunk SIP (por exemplo, Telnyx ou Twilio)"; Greg Brockman repercutiu isso na mesma noite. O anúncio acrescenta que as chamadas podem usar HD Voice e podem enviar e receber eventos de teclado.

Então esta é uma história de capacidade, não uma história de modelo, e o material interessante está na documentação, não no post. O guia de Telefonia e SIP da OpenAI agora afirma que as chamadas de saída estão "disponíveis para todas as organizações por meio da Live API, não do endpoint de criação de chamadas da Realtime API" — duas frases que silenciosamente excluem uma grande parte das integrações que as pessoas tentarão reutilizar.

O que o “GA” mudou, e o que não mudou

Antes da promoção, a chamada de saída existia, mas não estava disponível de forma geral — é isso que “promovida” significa. O mecanismo já estava construído, e a porta se abriu. A documentação da OpenAI agora traz a frase correspondente, de que a chamada de saída via SIP “está disponível para todas as organizações por meio da Live API”, que é a coisa mais próxima de uma declaração de GA na página: o próprio guia não traz nenhum rótulo beta, preview ou alpha em lugar algum.

O que não mudou é o modelo de voz. O exemplo de chamadas de saída na própria documentação da OpenAI ainda define model: "gpt-live-1", e a lista de verificação dos parceiros ainda orienta os integradores a procurar "uma versão do pacote que ofereça suporte a gpt-live-1". Não há modelo específico para chamadas de saída, nem preço separado, nem nível de telefonia. Você está pagando os mesmos US$ 0,05 por minuto pela camada de voz que pagava em setembro; agora você simplesmente tem permissão para gastá-lo em chamadas que saem do seu servidor.

Uma ressalva operacional está escondida no guia, e não no anúncio: a OpenAI orienta você a confirmar que "o suporte a SIP do GPT-Live está habilitado para o seu projeto e que o tronco SIP do seu provedor está roteado para esse projeto antes de usar este fluxo". Um rótulo GA e uma configuração de projeto habilitada não são a mesma coisa, e o primeiro ticket de suporte da semana será de alguém que tem uma sem a outra.

Os pré-requisitos que determinam se o seu trunk chega a funcionar

A OpenAI não adotou o SIP no sentido geral. Adotou uma fatia estreita e moderna dele, e um tronco que falhe em qualquer um dos itens a seguir não se conectará, independentemente do que o anúncio prometeu sobre "qualquer provedor de tronco SIP".

• Sinalização — o TLS é obrigatório, não opcional. SIP simples sobre UDP ou TCP está fora.

• Mídia — SDES-SRTP é obrigatório, e o SRTP precisa estar ativado no provedor, não apenas ser suportado por ele.

• URL do provedor — espera-se um sips: endpoint, com porta padrão 5061, sem credenciais, sem caminho e sem parâmetros de URI anexados.

• Destino — um número E.164 como +14155550123 e nada mais. SIP URIs são explicitamente não suportadas, portanto um esquema de ramal interno não é um atalho.

• Autenticação — digest, com um nome de usuário e senha SIP, além de um caller_number em E.164 que se torna o ID de chamador que seu destinatário vê.

• {{1}}Higiene de rede{{/1}} — nomes de host locais e endereços IP privados literais são rejeitados, o que descarta um ambiente de teste apontado para uma máquina de laboratório.

• Formato de áudio — deixe audio.format sem definição, porque o SIP o negocia. Defini-lo é o tipo de parâmetro que parece útil mas quebra a chamada.

Observe o que isso significa para a alegação de "qualquer provedor". Qualquer provedor que fale sinalização TLS com mídia SDES-SRTP funcionará; muitos troncos SIP baratos ainda usam UDP e RTP simples por padrão, e eles não são abrangidos por essa frase. A configuração é uma criação de sessão, e não um webhook: você faz POST em /v1/live/sessions com transport.type definido como sip, e o guia é explícito que "você não precisa de um webhook de chamada recebida nem de uma solicitação de aceite para uma chamada de saída."

O que você recebe de volta é um session.id e um tipo de transporte, e a documentação é incomumente direta sobre a lacuna entre isso e a realidade: "Esta resposta não significa que a chamada foi atendida." Toque, atendimento e falha chegam depois como eventos transport.ringing, transport.answered e transport.failed em um WebSocket sideband em /v1/live/sessions/{session_id}/attach. Anexe imediatamente — apenas os três segundos anteriores de eventos são reproduzidos — e desduplique por event_id, porque o guia avisa que entregas duplicadas são normais.

O envelope: três minutos para tocar, duas horas para conversar

Dois números concretos no guia decidirão quais casos de uso de outbound são viáveis, e nenhum dos dois apareceu no anúncio.

• Limite de toque — três minutos. Uma chamada que não tenha sido atendida até lá termina.

• Limite de conexão — duas horas, após as quais a sessão termina, independentemente do que estiver acontecendo.

• Superfície de controle — transferência via /v1/live/sessions/{id}/refer, desligar via /v1/live/sessions/{id}/hangup, DTMF enviado pelo sideband com transport.dtmf.send.

• Modos de falha — uma configuração de sessão inválida falha de forma explícita na criação, a configuração do transporte pode retornar 502, um timeout de inicialização retorna 504, e qualquer coisa posterior chega de forma assíncrona como transport.failed.

O toque de três minutos é adequado para chamadas de saída para consumidores e inconveniente para centrais telefônicas empresariais que estacionam chamadas. O limite máximo de duas horas é generoso até você direcionar o agente para uma fila de suporte, onde uma espera longa somada a uma conversa longa pode plausivelmente encostar nesse limite. Nenhum dos dois limites é surpresa em um produto de voz em tempo real; ambos são o tipo de coisa que você quer saber antes de prometer a um cliente um SLA de campanha.

Quanto custa uma chamada, honestamente

A página de preços da OpenAI lista as sessões de voz do GPT-Live-1 a US$ 0,05 por minuto, "cobradas por segundo, sem arredondamento para o minuto inteiro". Isso é tudo o que consta no preço publicado, e é apenas uma das duas cobranças que uma chamada de saída gera. A taxa de terminação da operadora é a outra, e depende do destino, do volume e do provedor de tronco escolhido. A OpenAI mantém o processamento de áudio e a lógica de sessão; o provedor detém o trecho PSTN.

Uma chamada atendida de um minuto — US$ 0,050 da OpenAI, mais a tarifa por minuto da sua operadora.

• Uma chamada de quatro minutos — $0.200 da OpenAI, mais operadora.

• Mil chamadas de quatro minutos — 4.000 minutos, ou seja, US$ 200 da OpenAI, mais a operadora.

• Uma hora de conversa conectada — US$ 3,00 da OpenAI, mais custos da operadora.

Duas coisas sobre esse medidor merecem atenção. Primeiro, a unidade de cobrança é o minuto de sessão, e nada na página de preços distingue fala de silêncio, então os segundos que seu agente passa ouvindo música de espera acumulam na mesma taxa que os segundos que ele passa falando. Segundo, o guia não diz se uma chamada que toca por três minutos e nunca é atendida é uma sessão cobrável; essa é uma pergunta que vale a pena fazer ao suporte antes de rodar um discador em volume, não depois.

O uso do modelo de backend e das ferramentas é cobrado separadamente, conforme o modelo para o qual você delegou. Se você encaminhar essa etapa pelo OrcaRouter, a margem de 0% e o preço de repasse se aplicam aí, e não ao minuto de voz — assim, uma redução de preço do provedor no modelo de raciocínio aparece na sua fatura no mesmo dia, e uma redução no gpt-live-1 não.

Sua integração Realtime não será migrada

O erro mais caro possível nesta semana é assumir que uma stack de telefonia da Realtime API que funciona é uma stack GPT-Live que funciona. A página de parceiros da OpenAI diz isso claramente: "Uma integração Realtime não é automaticamente compatível com o GPT-Live." O endpoint é diferente, o modelo de sessão é diferente, a delegação é um conceito que a Realtime não tem na mesma forma, e os formatos de áudio e a semântica de interrupção que o guia pede para você verificar por parceiro não são transportados.

A lista de parceiros também complica a formulação do anúncio. A OpenAI documenta o LiveKit para agentes de voz; o Twilio Agent Connect para “chamadas telefônicas recebidas e efetuadas”; a Telnyx para “experiências de chamadas de saída”; a Bandwidth para “chamadas recebidas” via SIP; e Daily/Pipecat para o serviço Live em geral. A Bandwidth, em outras palavras, está documentada como uma integração de entrada, e LiveKit e Pipecat estão documentados sem qualquer direção de chamada. “Qualquer provedor de tronco SIP” é uma afirmação sobre compatibilidade de protocolo, não uma afirmação sobre qual dos cinco parceiros da OpenAI já disponibilizou suporte a chamadas de saída.

Se você usa Twilio, a migração é a que tem um caminho de saída documentado hoje. Se você usa Bandwidth para entrada, a saída por essa integração ainda não é algo que a documentação promete.

A pergunta sobre a versão que ninguém fez

Há uma ambiguidade em aberto no nome. O GPT-Live-1.1 foi integrado ao ChatGPT Voice em 15 de outubro de 2026, com novas vozes em seis idiomas, e a OpenAI ainda não publicou um gpt-live-1.1 id de modelo para quem chama a API. Todos os exemplos de chamada de saída no guia de telefonia usam gpt-live-1. Se um colega disser que o agente de chamadas de saída está executando a 1.1 porque é isso que o ChatGPT usa, ele está descrevendo o produto de consumo, não a configuração da sua sessão.

Na prática: cite gpt-live-1 no seu plano, e trate qualquer disponibilidade da API 1.1 como um evento separado a ser verificado no próprio dia.

Onde o pensamento acontece, e por que é a alavanca que você controla

O GPT-Live está dividido ao meio. O próprio resumo da documentação é que ele "delega o raciocínio e o uso de ferramentas a um backend enquanto gerencia a conversa falada". A camada de voz cuida do timing, das interrupções e da prosódia; um modelo separado faz o raciocínio e chama as ferramentas. Esse backend é configurado por sessão em delegation, em um de dois modos.

• Delegação de Responses — delegation.type: "responses" com um model de backend obrigatório, além de instruções, ferramentas, escolha de ferramenta, limites de tokens e nível de serviço. O guia da OpenAI recomenda começar com gpt-6-luna, ou gpt-6-sol para trabalhos mais difíceis, e observa que "você pode escolher o modelo de Responses independentemente do modelo de voz".

• Delegação de cliente — delegation.type: "client", em que sua aplicação executa o próprio backend. A formulação da OpenAI é que isso permite "qualquer modelo, agente ou serviço que sua aplicação opere."

É aqui que o custo e a qualidade de um agente de outbound realmente residem, e é a única escolha arquitetural da página que é genuinamente sua. O modelo de voz é fixo e, por acaso, não está no catálogo do OrcaRouter — o GPT-Live-1 é um front end de telefonia que você compra da OpenAI, e nenhuma esperteza de roteamento muda isso. O backend é outra história. Sob delegação do cliente, trata-se de uma chamada de modelo comum que seu código faz, o que significa uma API para mais de 200 modelos, uma única chave entre os fornecedores que você avalia, failover automático se um provedor degradar no meio da campanha, e escolha de modelo por tipo de chamada: um modelo barato para percorrer um menu de IVR, um mais forte quando um humano atende.

Sob a delegação do Responses, a OpenAI executa essa etapa e cobra por ela segundo suas próprias tarifas. Ambas são legítimas; elas apenas colocam a decisão em lugares diferentes. Se você quer que o backend seja uma decisão de roteamento, a delegação do cliente é o modo que lhe dá isso.

O que o anúncio deixou de fora

Para um post de GA, o anúncio é omisso quanto ao que decide implantações. Não diz nada sobre disponibilidade regional, latência, limites de concorrência ou SLA. Não diz nada sobre obrigações de gravação, divulgação ou consentimento — e a chamada de saída é o único ponto deste produto em que essas obrigações não são teóricas. Nos Estados Unidos, fazer chamadas automatizadas a consumidores sem consentimento é um problema de TCPA antes de ser um problema de engenharia; na UE, gravar uma chamada sem avisar a pessoa do outro lado é um problema à parte. A API fornece um caller_number e um endpoint de desligamento. A conformidade é por sua conta.

Também vale a pena tratar "HD Voice" como uma alegação, e não como uma especificação. A documentação da OpenAI diz apenas que o SIP negocia o formato de áudio e não lista codec algum, portanto o áudio de banda larga no post é uma declaração do fornecedor que não foi quantificada em nenhum lugar público. Teste-o com sua própria operadora antes de colocá-lo em uma apresentação.

O que fazer com isto, esta semana

Se você já executa um agente de voz GPT-Live sobre WebRTC, o caminho de saída é um segundo transporte, e não uma reescrita: uma nova sessão criada com transport.type: "sip", um tronco que fala TLS e SDES-SRTP, e um WebSocket sideband para monitorar chamando, atendimento e DTMF. Reserve um dia para o tronco, não para o agente.

Se você estiver no Realtime, não agende a migração partindo do pressuposto de que é uma mudança de configuração. Leia primeiro as seções de delegação e sessão, decida se seu backend deve ser o da OpenAI ou o seu e só então escolha um parceiro — porque o parceiro que você já usa para entrada pode não ser o que tem um caminho de saída documentado.

Se você ainda está decidindo se voz de saída vale a pena ser construída, o número que importa é $3.00 por hora conectada antes das tarifas da operadora, contra um limite rígido de duas horas e um toque de três minutos. Isso é barato o suficiente para testar e caro o suficiente para que o tempo de espera seja uma decisão de design, não um acidente. A GA removeu a barreira. Não removeu a aritmética.