Imagens e voz

Duas coisas diferentes com o mesmo nome

Quando alguém fala em imagem no ChatGPT, quase sempre está falando de gerar: descrever uma cena e receber um desenho. Isso existe, chama-se ChatGPT Images 2.0 e, em julho de 2026, está em todos os planos, inclusive no gratuito. Nos planos pagos existe a variante com raciocínio, que pensa mais antes de desenhar. Serve para ilustrar um post, criar uma imagem de capa, visualizar uma ideia de reforma antes de chamar o pedreiro. É divertido e é útil, mas é a metade menos interessante da história.

A outra metade é a visão, o caminho contrário: você manda uma imagem e ele lê. Aqui é onde o dia a dia acontece. A foto do contrato de aluguel que veio em papel, para você perguntar o que diz a cláusula de reajuste. O print da mensagem de erro que apareceu no sistema do trabalho. A foto do quadro no fim da aula, que você quer transformar em resumo organizado. A etiqueta do remédio, a conta de luz, o boleto amassado. Nenhuma dessas coisas é digitável em tempo razoável, e todas viram texto na mesma hora com uma foto.

A visão tem um limite que precisa ficar claro, e ele é o mesmo de sempre. O ChatGPT lê a imagem e interpreta, mas ele pode ler errado. Um número borrado, uma letra apagada, uma coluna torta de tabela, e ele preenche a lacuna com o que parece provável, exatamente como faz com texto. A diferença é que aqui o erro é mais difícil de perceber, porque você mandou a foto e não releu o original. Se o dado for importante, confira contra a imagem que você mesmo tirou. Leva dez segundos e evita repassar um número que nunca existiu.

A voz que ouve enquanto fala

A voz do ChatGPT mudou de modelo em 8 de julho de 2026, com a chegada do GPT-Live-1, e a mudança não é cosmética. A palavra que define o novo modelo é full-duplex: ele ouve e fala ao mesmo tempo. Parece detalhe técnico e não é. A conversa por voz antiga funcionava como rádio de camionete: um lado falava, o outro esperava a vez. Se a resposta enveredasse para o lado errado, você assistia até o fim para só então corrigir. Agora dá para interromper no meio da frase, do jeito que você interrompe uma pessoa, e ele para e te escuta.

Outras duas mudanças importam tanto quanto. A primeira é que a voz agora roda dentro da própria conversa, com o texto do lado. Você fala, ele responde, e a transcrição fica ali para você ler, copiar e continuar por escrito depois. Acabou aquela sensação de que a conversa falada morria numa dimensão separada. A segunda é que ela usa busca e memória enquanto vocês conversam. Ou seja, a voz não é uma versão limitada do ChatGPT: é o ChatGPT, falando.

Vale ser honesto sobre a parte incômoda dessa tabela. Vídeo e compartilhamento de tela, que muita gente associa à conversa por voz, seguem por um caminho legado, o do modo anterior. Não é o que o modelo novo entrega. E se você usa o ChatGPT pela conta da empresa, num plano Business ou Enterprise, a voz nova não estava disponível para você no lançamento. Isso é o tipo de informação que os tutoriais alegres omitem, e que faz você perder meia hora procurando um botão que não existe na sua conta. Como tudo neste módulo, confira na página oficial: essas linhas mudam de mês para mês.

Quando cada uma vale a pena

Ferramenta boa usada na hora errada vira perda de tempo. A voz brilha quando as suas mãos ou os seus olhos estão ocupados, e quando você quer pensar em voz alta: dirigindo, cozinhando, caminhando, ensaiando uma conversa difícil com o chefe, estudando de ouvido. Ela é ruim quando você precisa de precisão que se lê com calma, como um texto que vai virar documento. A visão brilha quando o dado existe no mundo físico e está preso lá: papel, tela, placa, quadro. E a geração de imagem entra quando você precisa mostrar uma ideia, não descrevê-la.

Repare que as três cenas têm a mesma estrutura: uma informação que estava num formato ruim para você e vira um formato bom. Isso é o que essas ferramentas fazem, no fundo. Elas não são recursos separados que você precisa decorar, são portas de entrada diferentes para a mesma conversa. A foto entra, a voz entra, o arquivo entra, e do outro lado sai texto que você pode usar. Quando entender isso, você para de perguntar qual recurso usar e passa a perguntar em que formato o seu problema está agora.