O GPT Realtime é o primeiro modelo realtime da OpenAI em disponibilidade geral: um único modelo de voz para voz (speech-to-speech) que escuta e responde diretamente com áudio natural e expressivo, em vez de encadear modelos separados de transcrição e síntese.
- Entrada
- áudio texto $4/M
- Saída
- áudio texto $16/M
- Entrada de áudio
- $32/M
- Saída de áudio
- $64/M
- Leitura de cache
- $0.4/M
- Corte de conhecimento
- 2023-10
Benchmarks
GPT Realtime: 8 publicados, mas nenhum benchmark partilhado com modelos suficientes para comparar.
O preço em contexto
Posição do preço entre 6 modelos comparáveis
A barra mostra onde fica o preço deste modelo entre todos os modelos do mesmo tipo na Synthorai. Em cada extremidade está o mais barato e o mais caro. São tarifas base; os descontos de lote, região e escrita em cache estão na página de preços.
Especificações e limites
Tokens
| Janela de contexto (especificação do fornecedor) | 32.000 |
|---|---|
| Saída máxima (especificação do fornecedor) | 4.096 |
| Corte de conhecimento | 2023-10 |
Cache de prompts
| Modo | automático |
|---|---|
| Prefixo mín. | 1.024 |
| Duração | 5-10 min, até 1 hora |
Tempo real
| Sessão | Fala-para-fala nativa sobre WebSocket · function calling · contexto de 32K |
|---|
Modelo
| Modalidades | áudio + texto → áudio + texto |
|---|
- Primeiro modelo realtime em disponibilidade geral da OpenAI (snapshot gpt-realtime-2025-08-28): fala-para-fala nativa com function calling
- contexto de 32k
conforme documentação oficial da OpenAI ↗
Use o GPT Realtime em 30 segundos
Compatível com OpenAI Realtime: conecte-se por WebSocket, áudio de entrada e de saída. WS /v1/realtime
import asyncio, base64, json, websockets
URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime"
# Send ONLY the Authorization header - the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}
async def main():
async with websockets.connect(URL, additional_headers=HEADERS) as ws:
# 1) configure the speech-to-speech session
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "alloy"}},
},
}))
# 2) send input audio (base64 PCM16), then request a spoken reply
await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
await ws.send(json.dumps({"type": "response.create"}))
# 3) stream the model's audio (and text) back
async for raw in ws:
ev = json.loads(raw)
if ev["type"] == "response.audio.delta":
play(base64.b64decode(ev["delta"])) # audio out
elif ev["type"] == "response.done":
break
asyncio.run(main())import WebSocket from "ws";
const ws = new WebSocket("wss://synthorai.io/v1/realtime?model=gpt-realtime", {
// Send ONLY the Authorization header — the beta protocol is retired.
headers: { Authorization: "Bearer sk-syn-..." },
});
ws.on("open", () => {
// configure the speech-to-speech session
ws.send(JSON.stringify({ type: "session.update", session: {
type: "realtime", output_modalities: ["audio"], audio: { output: { voice: "alloy" } },
} }));
// send input audio (base64 PCM16), then request a spoken reply
ws.send(JSON.stringify({ type: "input_audio_buffer.append", audio: pcm16Base64 }));
ws.send(JSON.stringify({ type: "input_audio_buffer.commit" }));
ws.send(JSON.stringify({ type: "response.create" }));
});
ws.on("message", (raw) => {
const ev = JSON.parse(raw.toString());
if (ev.type === "response.audio.delta") playAudio(Buffer.from(ev.delta, "base64")); // audio out
else if (ev.type === "response.done") ws.close();
});# Realtime is a WebSocket protocol - use a WS client such as websocat.
# Each line below is one OpenAI Realtime event (JSON) sent to the session.
websocat -H 'Authorization: Bearer sk-syn-...' \
'wss://synthorai.io/v1/realtime?model=gpt-realtime' <<'EOF'
{"type":"session.update","session":{"type":"realtime","output_modalities":["audio"],"audio":{"output":{"voice":"alloy"}}}}
{"type":"input_audio_buffer.append","audio":"<base64-pcm16>"}
{"type":"input_audio_buffer.commit"}
{"type":"response.create"}
EOF
# Responses stream back as response.audio.delta (base64 audio out) … response.donepackage main
import (
"net/http"
"github.com/gorilla/websocket"
)
func main() {
h := http.Header{}
h.Set("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
c, _, err := websocket.DefaultDialer.Dial("wss://synthorai.io/v1/realtime?model=gpt-realtime", h)
if err != nil {
panic(err)
}
defer c.Close()
// configure the speech-to-speech session, send audio, request a spoken reply
c.WriteJSON(map[string]any{"type": "session.update", "session": map[string]any{
"type": "realtime", "output_modalities": []string{"audio"},
"audio": map[string]any{"output": map[string]any{"voice": "alloy"}}}})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.append", "audio": pcm16B64})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.commit"})
c.WriteJSON(map[string]any{"type": "response.create"})
for {
var ev struct {
Type string `json:"type"`
Delta string `json:"delta"`
}
if err := c.ReadJSON(&ev); err != nil {
return
}
if ev.Type == "response.audio.delta" {
playAudio(ev.Delta) // base64 audio out
} else if ev.Type == "response.done" {
return
}
}
}import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.WebSocket;
import java.util.concurrent.CompletionStage;
// JDK built-in WebSocket — no extra dependency needed.
WebSocket ws = HttpClient.newHttpClient().newWebSocketBuilder()
.header("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
.buildAsync(URI.create("wss://synthorai.io/v1/realtime?model=gpt-realtime"), new WebSocket.Listener() {
public CompletionStage<?> onText(WebSocket w, CharSequence data, boolean last) {
// handle response.audio.delta (base64 audio out) / response.done here
w.request(1);
return null;
}
}).join();
// configure the session, send input audio, then request a spoken reply
ws.sendText("{\"type\":\"session.update\",\"session\":{\"type\":\"realtime\",\"output_modalities\":[\"audio\"],\"audio\":{\"output\":{\"voice\":\"alloy\"}}}}", true);
ws.sendText("{\"type\":\"input_audio_buffer.append\",\"audio\":\"<base64-pcm16>\"}", true);
ws.sendText("{\"type\":\"input_audio_buffer.commit\"}", true);
ws.sendText("{\"type\":\"response.create\"}", true);Sobre o GPT Realtime
- Ele carrega uma janela de contexto de 32K tokens com 4.096 tokens de saída máxima, suporta function calling para fluxos de agentes de voz e aceita áudio ou texto de entrada com áudio e texto de saída; áudio e texto são cobrados a tarifas por token separadas, com entrada em cache com desconto.
- As sessões podem ser conduzidas por WebRTC para clientes de navegador e móveis, por WebSocket quando um servidor já detém o fluxo de áudio, ou por SIP para agentes de telefonia, com detecção de atividade de voz no servidor fatiando a fala e truncando o áudio não reproduzido quando quem liga interrompe.
- A página do modelo também lista entrada de imagem ao lado de texto e áudio, e as vozes são escolhidas por sessão a partir do conjunto publicado da OpenAI, com a ressalva de que uma voz não pode ser trocada depois que a sessão emitiu áudio.
- Ele não tem controle de esforço de raciocínio (isso chega com a geração 2.1), e seu corte de conhecimento é outubro de 2023.
- A OpenAI já anunciou sua descontinuação, com desligamento previsto para janeiro de 2027 e o GPT Realtime 2.1 nomeado como alvo de migração, então novo trabalho de voz pertence ao 2.1 enquanto as integrações existentes ainda têm prazo.
- Ele permanece disponível como o snapshot GA original da família realtime.
- A Synthorai serve o GPT Realtime pelo endpoint WebSocket /v1/realtime compatível com OpenAI, então clientes do SDK oficial de Realtime conectam sem alterações.
Perguntas frequentes
A API do GPT Realtime é gratuita para testar?
O GPT Realtime está atualmente em beta por convite: o acesso é por solicitação, não por cadastro aberto. Solicite pelo console da Synthorai; após a aprovação, aplica-se o preço padrão de pagamento por uso, sem assinatura.
Em que o GPT Realtime é melhor?
Voz para voz em um único modelo, sem cadeia de transcrição; áudio natural expressivo com chamadas de função; snapshot GA original da família realtime. Veja a seção Sobre para o quadro completo, extraído das notas de lançamento do próprio fornecedor.
Quanto custa o GPT Realtime?
Na Synthorai, o GPT Realtime custa $4 por milhão de tokens de entrada e $16 por milhão de tokens de saída. É o preço de tabela do provedor, sem margem da plataforma. Tokens de entrada em cache são cobrados a $0.4/M.
Como chamar a API do GPT Realtime?
GPT Realtime é um modelo speech-to-speech: conecte-se por WebSocket a wss://synthorai.io/v1/realtime?model=gpt-realtime com o SDK OpenAI Realtime (ou um WebSocket puro) e transmita áudio de entrada e de saída. Não é um upload de arquivo POST /v1/audio/transcriptions. Autentique-se com a sua chave sk-syn e envie apenas o cabeçalho Authorization (o protocolo beta foi descontinuado).
Como obtenho acesso ao GPT Realtime?
O GPT Realtime está em beta por convite: solicite acesso pelo console da Synthorai. Após a aprovação, ele funciona como qualquer outro modelo: aponte seu SDK da OpenAI para base_url="https://synthorai.io/v1" e defina model="gpt-realtime".
Modelos relacionados
Comparar
Cada valor desta página é transcrito da documentação do fornecedor, ligada acima, e traz a data em que foi verificado. Os preços são comparados em todo o catálogo; os valores de especificação que os fornecedores definem de forma diferente são apresentados com a diferença indicada em vez de representados num gráfico. Nada aqui é medido por nós, e nada é pontuado.