ChatGPT integra Modo Voz diretamente na conversa

Mande áudios para o ChatGPT no app e na web, com transcrição, mapa e integração com a câmera

O ChatGPT passou a permitir o envio de áudios dentro da própria conversa, aproximando a interação do formato natural de conversas por voz. Com a novidade, o usuário ativa o Modo Voz tocando no ícone em forma de onda ao lado do campo de texto, e o assistente responde em sincronia com o contexto da conversa, incluindo transcrição do diálogo.

Como funciona o envio de áudios

Para iniciar um bate-papo por voz basta tocar no ícone de onda ao lado do campo de texto, o que abre a gravação diretamente no fluxo da conversa. O recurso integra reconhecimento de fala e síntese de voz, permitindo que o assistente responda ao que foi dito e mantenha a continuidade do diálogo. O Modo Voz também oferece transcrição automática, o que facilita revisar informações e copiar trechos de texto gerado pelo chatbot.

Quem preferir a interface antiga ainda tem opção de retornar ao formato anterior. Segundo a documentação, “Aqueles que quiserem manter o formato original, podem fazê-lo clicando no “Modo separado” em Configurações.” Essa escolha garante que usuários que já estavam habituados a um fluxo paralelo continuem com a mesma experiência.

Recursos visuais e usos práticos

Além do áudio, a atualização combina voz com recursos visuais. É possível tocar no ícone da câmera para que o ChatGPT “veja” o que o usuário está mostrando, integrando imagens e explicações em tempo real. No vídeo promocional, “o ChatGPT é usado para buscar opções das melhores padarias numa região específica. O chatbot responde com um mapa enquanto detalha as opções de doces vendidos nas lojas.” Essa demonstração ilustra bem como a junção de som, texto e imagem pode tornar a busca por informações mais direta e útil.

O Modo Voz se mostra útil para diversas tarefas cotidianas, desde estudar um idioma até simular entrevistas de emprego, ou pedir traduções rápidas. A integração de voz com transcrição permite revisar e salvar resultados, e a câmera amplia possibilidades em consultas visuais, como identificar prateleiras de produtos, ler placas ou analisar materiais de estudo.

Privacidade, comparações e quem cobriu a novidade

A combinação de voz e recursos visuais em assistentes conversacionais também tem sido explorada por concorrentes. Por exemplo, o Google, com o Gemini Live, busca tornar as conversas mais naturais, oferecendo vozes configuráveis e suporte a diálogos multimodais. Esse movimento aponta para uma nova geração de assistentes que misturam fala, imagem e texto para tarefas práticas e criativas.

Sobre a cobertura e revisão da novidade, a matéria original traz a colaboração de profissionais com experiência em mídia digital. Bruna Barone é formada em Jornalismo pela Faculdade Cásper Líbero. Atuou como editora, repórter e apresentadora na Rádio BandNews FM por 10 anos. Atualmente, é colaboradora no Olhar Digital. Também assinou a pauta Pedro Spadoni é jornalista formado pela Universidade Metodista de Piracicaba (Unimep). Já escreveu para sites, revistas e até um jornal. No Olhar Digital, escreve sobre (quase) tudo. Essas referências ajudam a contextualizar a funcionalidade e seus usos práticos em reportagens testadas por equipes de tecnologia.

Para usuários brasileiros, a chegada do suporte a áudios para o ChatGPT dentro da conversa promete reduzir atritos: não é preciso alternar interfaces, e o fluxo permanece contínuo entre gravação, transcrição e resposta em áudio. A combinação de voz e imagem amplia a utilidade do assistente em tarefas locais, como encontrar estabelecimentos, e em atividades de estudo e produtividade.

É recomendável que cada usuário valide as permissões de microfone e câmera no aplicativo e nas configurações do navegador, e que revise as políticas de privacidade ao usar recursos multimodais. Assim, é possível aproveitar os benefícios do Modo Voz sem surpresas quanto ao uso de dados e imagens.

Com o envio de áudios diretamente na conversa, o ChatGPT avança para uma experiência mais natural e fluida, integrando fala, texto e visão para oferecer respostas mais úteis e contextualizadas no dia a dia.