GPT-4o
Etapa 5 · IA generativa, razonamiento y agentes (2022–2026) › Modelos de frontera
- Linaje
- Neuronas y redes
- Tipo
- Implementación
Quién
OpenAI
Qué ocurrió
OpenAI presenta GPT-4o, un único modelo entrenado de extremo a extremo con texto, imagen y audio. Responde a la voz con una demora parecida a la de una conversación humana y llega también a los usuarios gratuitos de ChatGPT.
Qué aportó
Texto, voz e imagen en un solo modelo. La conversación hablada con una máquina gana fluidez.
Desarrollo
Antes de GPT-4o, el modo de voz de ChatGPT era una cadena de tres modelos distintos. La respuesta tardaba de media 2,8 segundos con GPT-3.5 y 5,4 con GPT-4, y por el camino se perdía información como el tono de voz o el ruido de fondo.
El 13 de mayo de 2024, OpenAI presentó GPT-4o, con la «o» de «omni». Era un solo modelo entrenado de extremo a extremo con texto, imagen y audio, capaz de recibir cualquier combinación de texto, audio, imagen y vídeo y de producir texto, audio e imagen. Respondía a la voz en 232 milisegundos como mínimo y 320 de media, un tiempo parecido al de una persona en una conversación.
El despliegue fue gradual. Ese día empezaron a llegar a ChatGPT las funciones de texto e imagen, también para los usuarios gratuitos, y los suscriptores tenían límites de uso hasta cinco veces mayores. Para los programadores, era el doble de rápido y costaba la mitad que GPT-4 Turbo.
La voz y el vídeo quedaron para más adelante: OpenAI anunció el nuevo modo de voz para los suscriptores en las semanas siguientes, y el audio y el vídeo en la API, primero para un grupo reducido de socios de confianza.
Vídeos
- Introducing GPT-4o (se abre en una pestaña nueva) (OpenAI · en inglés)
Bibliografía
Fuente original
Estudios y contexto
Cómo citar
«GPT-4o». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/gpt-4o
Última revisión de esta ficha: 13 de noviembre de 2026.