A lista resumida em menos de um segundo: como escolher o modelo OpenAI certo para voz ao vivo.

Três números da sequência

O que foi medido e como?

A mudança de voz não é um parâmetro de avaliação. É uma pilha, e o modelo é uma fatia dela. Este parâmetro de avaliação isola essa fatia e a submete a testes de estresse da mesma forma que o tráfego real faria.

Cada um dos doze modelos recebeu o mesmo comando de IA de voz e o mesmo orçamento de geração. Foram realizadas cinco execuções cronometradas por modelo após um aquecimento, seguidas de uma inicialização a frio separada para expor comportamentos de cauda. Quando disponíveis, os níveis padrão e prioritário foram testados; quando o nível prioritário não estava disponível, a solicitação foi feita usando o nível padrão e a linha foi marcada de acordo.

Três números relatados por modelo: Mediana do TTFT (tempo até o primeiro token útil), Mediana TOTAL (solicitação ao último token de uma breve resposta de voz) e TOTAL p95 (a cauda que o chamador eventualmente ouvirá). Os modelos de raciocínio (GPT-5.2 / 5.4 / 5.5) foram executados com esforço=nenhum Modelos não racionais foram executados em temp=0,2 .

Cinco execuções por modelo, aquecidas, roteamento prioritário

Ordenado pela latência mediana total. Esta é a condição mais favorável possível para cada modelo: conexão pré-aquecida, fila prioritária, saída de voz curta. O formato desta tabela mostra quais modelos pertencem à execução em tempo real e quais pertencem a outras etapas do pipeline.

O roteamento prioritário não proporciona um aumento de velocidade uniforme.

A prioridade é vendida como uma atualização direta. Os dados mostram o contrário. Os maiores ganhos foram observados nos modelos menores e mais rápidos, exatamente aqueles cuja latência padrão já era dominada pelo tempo de espera na fila, e não pelo poder computacional. Os modelos de raciocínio reduzem a latência em centenas de milissegundos em termos absolutos, mas seu limite mínimo é definido pelo raciocínio, não pelo roteamento.

Dois modelos (GPT-4o Mini e GPT-5.2) foram realmente obtidos. Mais devagar Nesta execução, a prioridade foi reduzida em 22% e 16%, respectivamente. Isso indica fortemente que não se deve presumir que a prioridade seja uma melhoria gratuita; teste-a em seu próprio prompt e em seu próprio horário antes de implementá-la em um fluxo de voz de produção.

A mesma seleção de produtos, vista pela perspectiva do comprador.

A latência determina se um modelo consegue manter uma rodada ativa. O custo do token, a janela de contexto e o limite de conhecimento determinam se você pode se dar ao luxo de mantê-lo na rodada em grande escala, com o histórico correto e considerando os fatos adequados.

Escolha com base no comportamento, não em parâmetros de comparação.

A latência indica se um modelo consegue se comunicar. Ela não indica se o modelo deve manter a superfície da ferramenta, orquestrar um fluxo de múltiplas interações ou avaliar a chamada após o término. Cada nível na linha de produtos da OpenAI tem uma função; os tempos, por si só, não revelam qual delas.

Nível Nano: o mais rápido na largada, o melhor como portão.

O GPT-4.1 Nano e o GPT-5.4 Nano apresentam os menores valores de TTFT (Tempo até a Primeira Fase) e são os que mais se beneficiam do roteamento prioritário. Na prática, os modelos Nano são menos consistentes em chamadas de ferramentas encadeadas: os argumentos JSON ocasionalmente sofrem deriva e sequências de múltiplas chamadas podem ser interrompidas entre as etapas. Excelentes como classificadores de intenção iniciais, detectores de idioma ou controladores de confiança; melhor não os utilizar como o modelo que mantém a interface da ferramenta em um fluxo de voz com várias etapas.

Mini nível: suficientemente rápido, ideal para subtarefas delimitadas.

À primeira vista, o GPT-4.1 Mini e o GPT-5.4 Mini parecem ideais: tempo de resposta total de aproximadamente 700 ms, pontuação p95 abaixo de um segundo e boa taxa de transferência de tokens. O problema reside na comunicação em conversas. Em fluxos de voz mais longos, os Minis podem perder o controle da situação, ignorar pré-condições em chamadas de ferramentas e repetir perguntas já respondidas pelo interlocutor. São excelentes para tarefas pontuais (resumir, extrair, classificar), mas não são adequados para orquestração de conversas longas.

Nível de raciocínio: inteligente, preciso, melhor fora do caminho real

Os modelos GPT-5.2, GPT-5.4 e GPT-5.5 atingem valores medianos entre 1,27 s e 1,36 s, com picos no percentil 95 acima de 4 s em eventos de cauda. Esses modelos consomem a maior parte do orçamento de tempo de resposta, deixando pouco espaço para finalização, recuperação, validação e síntese de tempo de resposta (TTS) do reconhecimento automático de fala (ASR). Eles são ideais para análise pós-chamada, avaliação, pontuação e sumarização, porém não para uso em tempo real.

Nível de modelo completo: GPT-4.1 é a opção de orquestração.

O GPT-4o apresenta o menor TTFT, a menor mediana total e o p95 mais preciso nesta execução. É também o modelo com as deficiências mais documentadas em relação ao seguimento de instruções e à alucinação. O GPT-4.1 é cerca de 250 ms mais lento, com 783 ms de tempo total e 885 ms de p95, e representa uma melhoria significativa no seguimento de instruções, na disciplina de chamadas de ferramentas e na factualidade. Para uma operação em tempo real que precisa se comportar de forma confiável, essa diferença de latência vale a pena.

A resposta correta é um portfólio por turno.

Conseguir um tempo de resposta inferior a um segundo no OpenAI não se resume a escolher o melhor modelo; resulta de utilizar toda a gama de ferramentas do OpenAI, uma para cada tarefa. por turno .

1. GPT-4.1 na curva ao vivo. O orquestrador da conversa. Seleção de ferramentas, formulação de argumentos e resposta verbal.
2. Mini para assistentes especializados. Subtarefas delimitadas e de execução única: sumarização, extração, classificação, modelagem de intenção.
3. GPT-4.1 para cadeias complexas. Quando um fluxo precisa coordenar múltiplas chamadas de ferramentas e estados persistentes ao longo das etapas, a mesma disciplina de seguir instruções e chamar ferramentas se torna ainda mais valiosa.
4. Raciocinando sem pensar muito. Classificar chamadas, enriquecer anotações no CRM, executar avaliações durante a noite. Nunca no orçamento de plantão ao vivo.

O modelo de voz ideal é um portfólio.

Para conversas ao vivo, o GPT-4.1 é a escolha natural: um pouco mais lento que o GPT-40, mas uma melhoria significativa no seguimento de instruções e na capacidade de reproduzir alucinações, que é exatamente o que a voz profissional precisa. Para assistentes especializados para gravações pontuais, o GPT-4.1 Mini é a opção ideal. Para sequências complexas de várias etapas, o GPT-4.1 completo realiza a orquestração. Para avaliações em tempo real, utilize modelos de raciocínio.

A pergunta "qual modelo da OpenAI é o melhor para voz?" está errada. A pergunta certa é "qual modelo da OpenAI é o mais adequado para esta função?".