ChatGPT Voice, Gemini Live y Claude: cómo funcionan sus conversaciones en tiempo real y qué ocurre con tus grabaciones
Los modos de voz de ChatGPT, Gemini y Claude permiten hablar con un chatbot de una forma más parecida a una conversación humana. El usuario puede interrumpir al asistente, cambiar de tema sin escribir y continuar una charla iniciada mediante texto. Sin embargo, esta comodidad también plantea una cuestión clave: qué datos se guardan, durante cuánto tiempo y para qué se utilizan.
La respuesta varía según el servicio y la configuración elegida. ChatGPT conserva determinados clips de audio durante 30 días, mientras que Gemini Live puede mantenerlos hasta 72 horas si el usuario no tiene activado el historial de actividad. Anthropic, por su parte, documenta principalmente el almacenamiento de las transcripciones de las conversaciones de voz.
Hablar, interrumpir y mantener el contexto
La principal diferencia entre estos sistemas y un chatbot tradicional es el ritmo. El usuario puede empezar a hablar, detener al asistente cuando se extiende demasiado y retomar la conversación sin tener que pulsar constantemente botones. Este funcionamiento se apoya en modelos de inteligencia artificial capaces de procesar audio y generar respuestas con poca latencia.
La conversación hablada y la escrita suelen convivir en el mismo chat. Así, es posible comenzar preguntando algo mediante texto, continuar con la voz y revisar después la respuesta en formato escrito. En la práctica, esto hace que el modo de voz resulte especialmente útil para consultas rápidas, explicaciones, traducciones o tareas que requieren varios pasos.
La experiencia no siempre es perfecta cuando hay más personas hablando. ChatGPT puede reaccionar al diálogo de dos personas, aunque su modo Live está pensado principalmente para conversaciones individuales. Anthropic recomienda utilizar el sistema de pulsar para hablar cuando hay voces cercanas. En reuniones, espacios públicos o dentro de un coche, las interrupciones y los errores de interpretación son más probables.
Gemini Live ofrece más opciones con cámara y pantalla
Gemini Live es el modo más completo a la hora de interpretar lo que ocurre alrededor del usuario. Permite activar la cámara del móvil para mostrar un objeto o una escena y también compartir la pantalla para recibir ayuda sobre una aplicación, un documento o una configuración.
Cuando se comparte la pantalla, Google indica que se transmite la pantalla completa, por lo que pueden quedar visibles notificaciones, mensajes u otros datos personales. La cámara se apaga automáticamente si se pausa Live, se abandona la aplicación o se bloquea el teléfono.
La función de Visión guiada puede ofrecer indicaciones habladas para leer una etiqueta pequeña, comprender un entorno o identificar elementos que la cámara está captando. Este tipo de funciones depende de modelos multimodales, es decir, sistemas capaces de analizar distintos tipos de información, como texto, imágenes, audio y vídeo.
ChatGPT separa sus modos Live y Advanced
ChatGPT presenta una particularidad importante. Su modo más reciente, Live, no permite utilizar vídeo ni compartir la pantalla. Para enseñar al asistente lo que aparece delante de la cámara o en el móvil hay que cambiar al modo Advanced.
Esta opción está disponible en las aplicaciones de iOS y Android y requiere cumplir las condiciones establecidas para los suscriptores. Por tanto, no todos los usuarios tienen acceso a las mismas capacidades, aunque utilicen la aplicación de ChatGPT.
Anthropic no detalla en la documentación de su modo de voz funciones equivalentes para compartir cámara o pantalla. En este caso, la información disponible se centra en la conversación hablada y en la transcripción que queda asociada al historial del chat.
Qué guarda ChatGPT cuando utilizas la voz
OpenAI conserva durante 30 días los clips de audio de los modos Live y Advanced, junto con la transcripción. En Advanced también se incluyen en ese periodo los clips de vídeo. Si se elimina el chat, estos datos se borran en un plazo de 30 días, salvo excepciones relacionadas con obligaciones legales o motivos de seguridad.
Archivar una conversación no equivale a eliminarla. En el modo Standard, el audio se borra en cuanto se convierte en texto. Además, OpenAI no utiliza los clips para entrenar sus modelos salvo que el usuario active las opciones Include your audio recordings o Include your video recordings dentro del ajuste Improve the model for everyone.
Con esta última configuración activada, las transcripciones también pueden utilizarse para mejorar los modelos. Conviene revisar estos controles antes de emplear la función de voz para hablar de información personal, laboral o confidencial.
Gemini Live: historial, grabaciones y revisión humana
En Gemini, las grabaciones y transcripciones de Live se guardan en la actividad de la cuenta si está activada la opción Guardar actividad. Si esta función permanece desactivada, los datos se conservan como máximo durante 72 horas.
Cuando el historial está activado, las transcripciones y los archivos compartidos pueden utilizarse para mejorar los servicios de Google, incluidos sus modelos de inteligencia artificial. Las grabaciones de audio, vídeo y pantalla no se usan por defecto con ese propósito: es necesario autorizarlo expresamente.
Si el usuario da ese permiso, una selección de las grabaciones puede ser escuchada por revisores humanos y desvinculada de la cuenta. Google señala que los datos revisados pueden conservarse hasta tres años, incluso aunque posteriormente se borre la actividad. También hay que tener en cuenta que una activación mediante el comando Hey Google puede iniciar la grabación unos segundos antes de detectar la orden.
Claude conserva sobre todo el texto de la conversación
Anthropic indica que las transcripciones de las conversaciones de voz se almacenan en el historial como cualquier otro chat. En su información sobre el dictado, la compañía explica que el audio se elimina después de convertirse en texto y que la voz no se utiliza para entrenar sus modelos.
Sin embargo, la documentación específica del modo de voz no formula exactamente la misma afirmación sobre todos los audios generados durante una conversación. Por prudencia, no conviene asumir que las condiciones del dictado se aplican automáticamente a cada modalidad de voz.
La transcripción es el dato que más conviene vigilar
La privacidad de estos servicios no depende únicamente de si se conserva el archivo de audio. La información más relevante suele estar en la transcripción: lo que el usuario ha dicho queda convertido en texto y puede seguir las mismas reglas de almacenamiento, historial y mejora del servicio que cualquier otro mensaje.
- Revisa los ajustes de historial y actividad antes de utilizar la voz.
- Comprueba si está activada la participación en la mejora de los modelos.
- Evita compartir documentos, pantallas o conversaciones confidenciales sin comprobar qué se está transmitiendo.
- Recuerda que archivar un chat no lo elimina.
- Utiliza el modo de pulsar para hablar cuando haya más personas conversando cerca.
Los asistentes de voz son probablemente la forma más natural de interactuar con una inteligencia artificial, pero también pueden hacer que el usuario baje la guardia y comparta más contexto del previsto. La recomendación más sencilla es tratar cada conversación hablada como si fuera un chat escrito que pudiera volver a leerse después. En muchos casos, eso es exactamente lo que termina ocurriendo.
