¿Qué industrias pueden usar la API de GPT-Realtime-2.1?

GPT-Realtime-2.1 es adecuado para atención al cliente, automatización de ventas, asistentes sanitarios, plataformas educativas y aplicaciones para dispositivos inteligentes.

¿Qué tamaño tiene la ventana de contexto de GPT-Realtime-2.1?

GPT-Realtime-2.1 admite una ventana de contexto de 128,000 tokens y hasta 32,000 tokens de salida.

¿Puede la API de GPT-Realtime-2.1 crear asistentes de voz en tiempo real?

Sí. GPT-Realtime-2.1 está diseñado para aplicaciones de voz a voz y permite a los desarrolladores crear agentes de voz conversacionales de baja latencia.

¿Qué modalidades de entrada y salida admite GPT-Realtime-2.1?

GPT-Realtime-2.1 admite entrada/salida de texto y audio, además de entrada de imágenes, pero no admite entrada de video.

¿Qué mejoras tiene GPT-Realtime-2.1 respecto a GPT-Realtime-2?

GPT-Realtime-2.1 mejora el reconocimiento alfanumérico, el manejo de silencios, la robustez frente al ruido y el comportamiento ante interrupciones, manteniendo a la vez el razonamiento en tiempo real y las capacidades de uso de herramientas.

¿Cuándo deberían los desarrolladores elegir GPT-Realtime-2.1 en lugar de GPT-4o Realtime API?

Los desarrolladores deberían elegir GPT-Realtime-2.1 para agentes de voz avanzados que requieran un razonamiento más sólido, ejecución de herramientas y flujos conversacionales complejos.

OpenAI

Disponible

gpt-realtime-2.1

GPT-Realtime-2.1 API

Q: ¿GPT-Realtime-2.1 admite llamadas a funciones?

Sí. GPT-Realtime-2.1 admite el uso de herramientas y las llamadas a funciones, lo que permite a los agentes de voz ejecutar acciones externas durante las conversaciones.

GPT-Realtime-2.1 updates GPT-Realtime-2 with improved alphanumeric recognition, silence and noise handling, and interruption behavior. It supports speech-to-speech interactions with configurable reasoning effort, instruction following, and tool use for complex voice-agent workflows.

Precio inicial

$3.20 / 1M de tokens de entrada

Facturación por uso

Estado de la API

Disponible

Endpoint de producción

Respuesta

Listo para async

Tiempo de respuesta de la API observado

Publicado

Aug 7, 2026

OpenAI

Precios

Usa la estimación rápida anterior para una sola ejecución y luego revisa la comparación completa entre CometAPI y el precio oficial.

Primera solicitud

$0.0224

Costo estimado de uso de CometAPI

Diez solicitudes

$0.2240

Costo estimado de uso de CometAPI

Quince solicitudes

$0.3360

Costo estimado de uso de CometAPI

⇌

Conversión de créditos

1.000 créditos = 1 USD

Los créditos permiten comparar presupuestos entre la facturación por tokens, solicitudes y tiempo de ejecución. El importe en USD sigue siendo la fuente de referencia al finalizar la compra.

✓Modelo actual en créditos

Entrada

3,200

créditos / 1 M de tokens

Salida

19,200

créditos / 1 M de tokens

Transparencia del cargo mínimo Este prototipo no asume un mínimo oculto por solicitud. Si se aplica un límite mínimo de facturación o una recarga mínima en producción, debe mostrarse antes de la compra e incluirse en cada estimación de presupuesto.

Modelo	Precio de Comet (USD / M de tokens)	Precio oficial (USD / M de tokens)	Descuento
gpt-realtime-2.1	Entrada: $3.20/M Salida: $19.20/M	Entrada: $4.00/M Salida: $24.00/M	-20%
gpt-realtime-2.1-mini	Entrada: $0.4800/M Salida: $2.88/M	Entrada: $0.6000/M Salida: $3.60/M	-20%

Resumen del modelo

Una identidad de modelo estable para búsquedas y evaluaciones, acompañada de datos del catálogo en tiempo real que pueden cambiar sin reescribir la estructura SEO principal de la página.

Identidad estable

¿Qué es GPT-Realtime-2.1?

La identidad canónica del modelo se mantiene estable aunque cambien los precios y los límites.

Datos del modelo en tiempo real

Instantánea actual del catálogo

Disponibilidad

Disponible

Precio inicial

$3.20 / 1M de tokens de entrada

Contexto

Ver capacidades

Fecha del catálogo

Aug 7, 2026

Resumen

Una descripción práctica de GPT-Realtime-2.1, con comportamientos importantes y consideraciones de integración.

Especificaciones técnicas de GPT-Realtime-2.1

Especificación	Detalles
Nombre del modelo	GPT-Realtime-2.1
Proveedor	OpenAI
Familia del modelo	Serie GPT-Realtime
Tipo de modelo	Modelo de razonamiento de voz multimodal en tiempo real
Capacidad principal	Agentes de IA de voz a voz
Modalidades de entrada	Texto, Audio, Imagen
Modalidades de salida	Texto, Audio
Ventana de contexto	128,000 tokens
Máximo de tokens de salida	32,000 tokens
Compatibilidad con razonamiento	Esfuerzo de razonamiento configurable
Llamadas a funciones	Compatible
Salidas estructuradas	No compatible
Ajuste fino	No compatible
Entrada de video	No compatible
Endpoint principal de la API	Realtime API
Fecha de corte de conocimiento	September 30, 2024

Fuente: Documentación del modelo GPT-Realtime-2.1 de OpenAI.

¿Qué es GPT-Realtime-2.1?

GPT-Realtime-2.1 es el modelo avanzado de voz en tiempo real de OpenAI diseñado para crear agentes de IA conversacionales que pueden escuchar, razonar y responder de forma natural mediante audio.

En comparación con los asistentes de voz tradicionales que dependen de canalizaciones separadas de reconocimiento de voz, comprensión del lenguaje y texto a voz, GPT-Realtime-2.1 ofrece interacción nativa de voz a voz, lo que permite conversaciones con menor latencia, mejor manejo de interrupciones y mayor comprensión contextual.

El modelo está optimizado para aplicaciones de voz en producción, incluidas agentes de servicio al cliente, asistentes de IA, automatización de ventas, plataformas educativas y experiencias de voz interactivas.

Rendimiento de referencia de GPT-Realtime-2.1

GPT-Realtime-2.1 se centra en métricas prácticas de interacción en tiempo real:

Capacidad	Mejora
Manejo de interrupciones de voz	Mejorado
Robustez frente al ruido	Mejorado
Reconocimiento alfanumérico	Mejorado
Flujos de trabajo de voz basados en herramientas	Compatible
Interacción de voz a voz	Compatible

Funciones principales de GPT-Realtime-2.1

1. Interacción nativa de voz a voz

GPT-Realtime-2.1 elimina la necesidad de canalizaciones separadas de reconocimiento de voz y texto a voz.

Arquitectura de voz tradicional:

User Voice
 ↓
Speech-to-Text
 ↓
LLM Processing
 ↓
Text-to-Speech
 ↓
Voice Response

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

Esto reduce la latencia y mejora el flujo conversacional.

2. Mejora de la calidad de la conversación por voz

GPT-Realtime-2.1 mejora varios desafíos de voz del mundo real:

Mejor manejo de interrupciones

Los usuarios pueden interrumpir a la IA de forma natural mientras está hablando.

Ejemplo:

Usuario:

"Reserva un vuelo a—no, mejor cámbialo a Tokio."

El modelo puede recuperarse de cambios conversacionales sin reiniciar la interacción.

Mejor manejo de silencios y ruido

El modelo está optimizado para entornos donde la calidad de audio es imperfecta:

Centros de llamadas
Dispositivos móviles
Espacios públicos
Dispositivos inteligentes

3. Uso avanzado de herramientas por agentes de voz

GPT-Realtime-2.1 admite llamadas a herramientas, lo que permite que los agentes de voz realicen acciones.

Ejemplos:

Atención al cliente:

User:
"Where is my order?"

AI:
→ Calls order database API
→ Retrieves status
→ Responds by voice

Flujo de trabajo empresarial:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

Esto hace que GPT-Realtime-2.1 sea adecuado para agentes de voz autónomos.

4. Capacidad de razonamiento configurable

A diferencia de los modelos de voz en tiempo real anteriores optimizados principalmente por velocidad, GPT-Realtime-2.1 introduce un esfuerzo de razonamiento configurable.

Los desarrolladores pueden equilibrar:

Latencia de la respuesta
Precisión
Complejidad de la tarea

Razonamiento bajo:

Conversaciones simples
Asistentes de preguntas frecuentes

Razonamiento más alto:

Solicitudes complejas de clientes
Flujos de trabajo de varios pasos
Operaciones empresariales

5. Mejor reconocimiento de números e información técnica

Los agentes de voz a menudo tienen dificultades con:

Números de cuenta
Números de serie
Direcciones
Códigos de producto
Información financiera

GPT-Realtime-2.1 mejora el reconocimiento alfanumérico, lo que lo hace más adecuado para sistemas de voz empresariales.

6. Compatibilidad con entrada multimodal

GPT-Realtime-2.1 admite:

Entrada	Compatibilidad
Texto	✅
Audio	✅
Imagen	✅
Video	❌

La entrada de imágenes permite escenarios como:

Soporte al cliente visual
Interpretación de documentos
Asistentes basados en cámara

GPT-Realtime-2.1 vs GPT-Realtime-2 vs GPT-4o Realtime

Modelo	Fortaleza	Mejor uso
GPT-Realtime-2.1	Mejor razonamiento en tiempo real + capacidad de agente de voz	Agentes de voz en producción
GPT-Realtime-2	Sólido razonamiento de voz en tiempo real	Apps conversacionales avanzadas
GPT-4o Realtime	Interacción multimodal rápida	Asistentes de voz generales

GPT-Realtime-2.1 vs GPT-Realtime-2

GPT-Realtime-2.1 mejora:

Recuperación ante interrupciones de voz
Manejo del ruido
Precisión de reconocimiento
Robustez conversacional

Ambos modelos comparten:

Arquitectura de voz a voz
Llamadas a herramientas
Compatibilidad con razonamiento
Acceso a la Realtime API

GPT-Realtime-2.1 vs GPT-4o Realtime

GPT-Realtime-2.1 está orientado a flujos de trabajo de agente más avanzados.

En comparación con GPT-4o Realtime:

Capacidad	GPT-Realtime-2.1	GPT-4o Realtime
Razonamiento	Más sólido	General
Contexto	128K	32K
Uso de herramientas	Compatible	Compatible
Agentes de voz	Avanzados	Generales
Flujos de trabajo complejos	Más adecuado	Adecuado

Cómo usar la API de GPT-Realtime-2.1 con CometAPI

GPT-Realtime-2.1 está diseñado para aplicaciones de agentes de voz de baja latencia. Admite interacción de voz a voz, entrada/salida de audio, entrada de imágenes, esfuerzo de razonamiento configurable y llamadas a funciones para flujos de trabajo de voz habilitados con herramientas. OpenAI lo expone a través de la Realtime API, incluidos métodos de comunicación en tiempo real basados en WebRTC, WebSocket y SIP.

CometAPI proporciona una capa unificada de API para integrar modelos de IA avanzados, lo que permite a los desarrolladores acceder a flujos de trabajo estilo GPT-Realtime-2.1 sin mantener autenticación de proveedores por separado, lógica de SDK e infraestructura.

Paso 1: Obtén tu clave de API de CometAPI

Crea una cuenta de CometAPI y genera un token de API desde la consola de desarrolladores.

Tu solicitud a la API debe incluir:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

La clave de API autentica tus solicitudes y permite que tu aplicación llame a los modelos de IA disponibles a través de CometAPI.

Paso 2: Crea una sesión de GPT-Realtime-2.1

GPT-Realtime-2.1 funciona mediante una sesión persistente en tiempo real en lugar del esquema tradicional de solicitud-respuesta de completado de chat.

Una sesión en tiempo real mantiene:

Flujo de entrada de audio
Respuestas del modelo
Estado de la conversación
Llamadas a herramientas
Interrupciones

La Realtime API de OpenAI admite comunicación en tiempo real a través de interfaces WebRTC, WebSocket y SIP.

Ejemplo:

curl https://api.cometapi.com/v1/realtime/sessions \
-H "Authorization: Bearer YOUR_COMETAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '
{
  "model": "gpt-realtime-2.1",
  "modalities": [
    "audio",
    "text"
  ],
  "voice": "alloy",
  "instructions": "You are a helpful customer support voice assistant."
}
'

Respuesta de ejemplo:

{
  "id": "sess_xxxxx",
  "model": "gpt-realtime-2.1",
  "status": "active"
}

Paso 3: Envía entrada de audio a GPT-Realtime-2.1

Después de crear una sesión, transmite el audio del usuario.

Flujo de trabajo de ejemplo:

User microphone
        |
        ↓
Audio stream
        |
        ↓
GPT-Realtime-2.1
        |
        ↓
Generated voice response

La entrada de audio puede incluir:

Conversaciones telefónicas
Comandos de voz
Llamadas de soporte al cliente
Asistentes interactivos

GPT-Realtime-2.1 mejora la interacción por voz con mejor detección de silencios, manejo del ruido y comportamiento de interrupciones en comparación con modelos anteriores en tiempo real.

Paso 4: Recibe respuestas de audio en tiempo real

El modelo devuelve respuestas de audio generadas a través de la conexión en tiempo real.

Evento de ejemplo:

{
  "type": "response.audio.delta",
  "delta": "base64_audio_chunk"
}

Tu aplicación puede reproducir inmediatamente los fragmentos de audio recibidos.

Implementaciones típicas:

Aplicaciones de voz WebRTC
Asistentes en navegador
Apps móviles de voz
Agentes telefónicos de IA

Paso 5: Añade llamadas a funciones para agentes de voz

GPT-Realtime-2.1 admite llamadas a funciones, lo que permite que los agentes de voz ejecuten acciones externas.

Ejemplo:

{
  "tools": [
    {
      "type": "function",
      "name": "check_order_status",
      "description": "Retrieve customer order information",
      "parameters": {
        "type": "object",
        "properties": {
          "order_id": {
            "type": "string"
          }
        }
      }
    }
  ]
}

Posibles flujos de trabajo de agentes de voz:

"¿Dónde está mi paquete?"
"Reserva una reunión para mañana."
"Cancela mi suscripción."
"Consulta mi saldo."

El modelo puede reconocer la solicitud, llamar a la herramienta adecuada y continuar la conversación de forma natural.

Paso 6: Configura el razonamiento e instrucciones

GPT-Realtime-2.1 admite un esfuerzo de razonamiento configurable.

Ejemplo:

{
  "model": "gpt-realtime-2.1",
  "reasoning": {
    "effort": "medium"
  },
  "instructions": "Act as a professional travel assistant."
}

Configuraciones recomendadas:

Aplicación	Nivel de razonamiento
Comandos de voz simples	Bajo
Atención al cliente	Medio
Agentes de flujos de trabajo complejos	Alto

Preguntas frecuentes

API

Copia un endpoint y un ejemplo de código funcionales, y abre la referencia completa de la API cuando necesites todos los parámetros.

Una API, acceso a modelos listo para producción

Autentícate una vez, llama al endpoint del modelo y mantén el mismo flujo de facturación y observabilidad entre proveedores.

GET/v1/realtime

Código de ejemplo y API para GPT-Realtime-2.1

Accede a código de muestra completo y recursos de API para GPT-Realtime-2.1 para agilizar tu proceso de integración. Nuestra documentación detallada proporciona orientación paso a paso, ayudándote a aprovechar todo el potencial de GPT-Realtime-2.1 en tus proyectos.

GET

/v1/realtime

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

cURL Code Example

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

Python Code Example

"""Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.

Install the client with: pip install websocket-client
"""

import json
import os
from urllib.parse import urlencode

from websocket import create_connection


MODEL = "gpt-realtime-2.1"
BASE_URL = "wss://api.cometapi.com"
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"


def get(path: str) -> str:
    """Build a WebSocket URL for the API's GET route."""

    return f"{BASE_URL}{path}?{urlencode({'model': MODEL})}"


socket = create_connection(
    get("/v1/realtime"),
    header=[
        f"Authorization: Bearer {COMETAPI_KEY}",
        "OpenAI-Beta: realtime=v1",
    ],
    timeout=30,
)

try:
    socket.send(
        json.dumps(
            {
                "type": "session.update",
                "session": {
                    "modalities": ["text"],
                    "instructions": "Answer clearly and concisely.",
                },
            }
        )
    )
    socket.send(
        json.dumps(
            {
                "type": "conversation.item.create",
                "item": {
                    "type": "message",
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "Give me one tip for a productive meeting.",
                        }
                    ],
                },
            }
        )
    )
    socket.send(json.dumps({"type": "response.create"}))

    while True:
        event = json.loads(socket.recv())
        event_type = event.get("type")
        if event_type in {
            "response.text.delta",
            "response.output_text.delta",
            "response.audio_transcript.delta",
            "response.output_audio_transcript.delta",
        }:
            print(event.get("delta", ""), end="", flush=True)
        elif event_type == "error":
            raise RuntimeError(json.dumps(event.get("error", event), indent=2))
        elif event_type == "response.done":
            print()
            break
finally:
    socket.close()

JavaScript Code Example

// Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.
// Requires Node.js 22 or newer, which includes a global WebSocket client.

const model = "gpt-realtime-2.1";
const baseUrl = "wss://api.cometapi.com";
const apiKey = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";

function get(path) {
  const url = new URL(`${baseUrl}${path}`);
  url.searchParams.set("model", model);
  return url;
}

const socket = new WebSocket(get("/v1/realtime"), [
  "realtime",
  `openai-insecure-api-key.${apiKey}`,
  "openai-beta.realtime-v1",
]);

socket.addEventListener("open", () => {
  socket.send(
    JSON.stringify({
      type: "session.update",
      session: {
        modalities: ["text"],
        instructions: "Answer clearly and concisely.",
      },
    }),
  );
  socket.send(
    JSON.stringify({
      type: "conversation.item.create",
      item: {
        type: "message",
        role: "user",
        content: [
          {
            type: "input_text",
            text: "Give me one tip for a productive meeting.",
          },
        ],
      },
    }),
  );
  socket.send(JSON.stringify({ type: "response.create" }));
});

socket.addEventListener("message", ({ data }) => {
  const event = JSON.parse(data.toString());
  if (
    [
      "response.text.delta",
      "response.output_text.delta",
      "response.audio_transcript.delta",
      "response.output_audio_transcript.delta",
    ].includes(event.type)
  ) {
    process.stdout.write(event.delta || "");
  } else if (event.type === "error") {
    console.error(JSON.stringify(event.error || event, null, 2));
    socket.close();
    process.exitCode = 1;
  } else if (event.type === "response.done") {
    process.stdout.write("\n");
    socket.close();
  }
});

socket.addEventListener("error", (error) => {
  console.error("WebSocket error:", error.message || error);
  process.exitCode = 1;
});

Capacidades

Revisa los datos clave del modelo antes de elegir una arquitectura o estimar la carga de producción.

Capacidades compatibles

Funciones devueltas por la API del modelo existente.

text-to-speech

Entrada y salida

Entradas

text

Salidas

audio

Perfil de producción

Proveedor: OpenAI
Contexto: Depende del modelo
Uso comercial: Compatible

Casos de uso

Usa GPT-Realtime-2.1 en flujos de producción que coincidan con sus capacidades de audio, y compara alternativas antes de comprometerte con una integración a largo plazo.

Generación de voz, música y audio

Experiencias de voz y producción de medios

Flujos de trabajo de audio automatizados a gran escala

Otros modelos

Compara otros modelos disponibles en CometAPI según calidad, latencia, capacidades y precio.

Abrir comparación de modelos →

ElevenLabs

Eleven V4

Eleven v4 es el modelo de síntesis de voz expresivo de ElevenLabs, diseñado para generar voz que suene natural, con una interpretación rica en matices emocionales, conciencia contextual y alta consistencia de la voz.

Ver modelo

ElevenLabs

ElevenLabs Voice Dubbing

Explora la API de ElevenLabs Voice Dubbing.

Ver modelo

ElevenLabs

ElevenLabs Voice Isolation

Explora la API de ElevenLabs Voice Isolation.

Ver modelo

Bytedance

Seed Audio

Explora la API de Seed Audio.

Ver modelo

OpenAI

GPT-4o mini Audio

GPT-4o mini Audio es un modelo multimodal para interacciones de voz y texto. Realiza reconocimiento de voz, traducción y conversión de texto a voz, sigue instrucciones y puede invocar herramientas para acciones estructuradas con respuestas en streaming. Los usos típicos incluyen asistentes de voz en tiempo real, subtitulación y traducción en vivo, resumen de llamadas y aplicaciones controladas por voz. Los aspectos técnicos destacados incluyen entrada y salida de audio, respuestas en streaming, llamadas a funciones y salida JSON estructurada.

Ver modelo

OpenAI

GPT-4o Transcribe

GPT-4o Transcribe es un modelo de audio a texto para reconocimiento de voz multilingüe y de baja latencia. Admite transmisión en tiempo real y transcripción por lotes a partir de formatos de audio comunes, con puntuación y segmentación de oraciones. Los usos típicos incluyen subtítulos en tiempo real, entrada para asistentes de voz, notas de reuniones y transcripción de medios o grabaciones de llamadas. Entre los aspectos técnicos destacados se incluyen compatibilidad con la modalidad de audio, procesamiento de contenidos de larga duración y APIs adecuadas para flujos de trabajo interactivos y del lado del servidor.

Ver modelo

Disponibilidad

Revisa los datos de latido en vivo, la disponibilidad del endpoint y los tiempos de respuesta observados antes de pasar a producción.

Disponibilidad

Tasa de éxito de solicitudes en los últimos 30 días, que refleja la fiabilidad de cada proveedor de modelos. CometAPI monitorea todos los proveedores conectados en tiempo real, las 24 horas del día, los 7 días de la semana.

Respond

2010msAvg. Response

Uptime

70.2%Avg. Uptime

Versiones

Revisa los identificadores de modelo disponibles antes de fijar una integración de producción.

gpt-realtime-2.1

gpt-realtime-2.1-mini

Actualizaciones

Sigue los cambios relevantes en la disponibilidad, los precios y las capacidades de GPT-Realtime-2.1 sin renunciar a la página estable del modelo.

Registro de cambios del modelo

Una página que mejora con el tiempo.

Aquí se acumulan las notas de lanzamiento, los cambios de precios, las actualizaciones de benchmarks y las guías de migración, mientras la URL canónica permanece sin cambios.

Aug 7, 2026

Disponibilidad de la API confirmada

GPT-Realtime-2.1 está disponible a través del catálogo de modelos y la documentación de la API de CometAPI.

Actual

Datos en tiempo real

Precios y límites sincronizados con el catálogo

El precio, el contexto, la disponibilidad y los límites se tratan como propiedades dinámicas en lugar de incorporarse al título de la página o a la identidad del modelo.

Aug 7, 2026

Entidad permanente del modelo creada

El proveedor y el identificador del modelo forman una URL canónica permanente; las futuras actualizaciones de contenido y datos permanecerán en esta página.

Sigue explorando

Compara modelos y continúa tu investigación

OpenAI

Disponible

gpt-realtime-2.1

GPT-Realtime-2.1 API

Precio inicial

$3.20 / 1M de tokens de entrada

Facturación por uso

Estado de la API

Disponible

Endpoint de producción

Respuesta

Listo para async

Tiempo de respuesta de la API observado

Publicado

Aug 7, 2026

OpenAI

Precios

Usa la estimación rápida anterior para una sola ejecución y luego revisa la comparación completa entre CometAPI y el precio oficial.

Primera solicitud

$0.0224

Costo estimado de uso de CometAPI

Diez solicitudes

$0.2240

Costo estimado de uso de CometAPI

Quince solicitudes

$0.3360

Costo estimado de uso de CometAPI

⇌

Conversión de créditos

1.000 créditos = 1 USD

Los créditos permiten comparar presupuestos entre la facturación por tokens, solicitudes y tiempo de ejecución. El importe en USD sigue siendo la fuente de referencia al finalizar la compra.

✓Modelo actual en créditos

Entrada

3,200

créditos / 1 M de tokens

Salida

19,200

créditos / 1 M de tokens

Modelo	Precio de Comet (USD / M de tokens)	Precio oficial (USD / M de tokens)	Descuento
gpt-realtime-2.1	Entrada: $3.20/M Salida: $19.20/M	Entrada: $4.00/M Salida: $24.00/M	-20%
gpt-realtime-2.1-mini	Entrada: $0.4800/M Salida: $2.88/M	Entrada: $0.6000/M Salida: $3.60/M	-20%

Resumen del modelo

Una identidad de modelo estable para búsquedas y evaluaciones, acompañada de datos del catálogo en tiempo real que pueden cambiar sin reescribir la estructura SEO principal de la página.

Identidad estable

¿Qué es GPT-Realtime-2.1?

La identidad canónica del modelo se mantiene estable aunque cambien los precios y los límites.

Datos del modelo en tiempo real

Instantánea actual del catálogo

Disponibilidad

Disponible

Precio inicial

$3.20 / 1M de tokens de entrada

Contexto

Ver capacidades

Fecha del catálogo

Aug 7, 2026

Resumen

Una descripción práctica de GPT-Realtime-2.1, con comportamientos importantes y consideraciones de integración.

Especificaciones técnicas de GPT-Realtime-2.1

Especificación	Detalles
Nombre del modelo	GPT-Realtime-2.1
Proveedor	OpenAI
Familia del modelo	Serie GPT-Realtime
Tipo de modelo	Modelo de razonamiento de voz multimodal en tiempo real
Capacidad principal	Agentes de IA de voz a voz
Modalidades de entrada	Texto, Audio, Imagen
Modalidades de salida	Texto, Audio
Ventana de contexto	128,000 tokens
Máximo de tokens de salida	32,000 tokens
Compatibilidad con razonamiento	Esfuerzo de razonamiento configurable
Llamadas a funciones	Compatible
Salidas estructuradas	No compatible
Ajuste fino	No compatible
Entrada de video	No compatible
Endpoint principal de la API	Realtime API
Fecha de corte de conocimiento	September 30, 2024

Fuente: Documentación del modelo GPT-Realtime-2.1 de OpenAI.

¿Qué es GPT-Realtime-2.1?

GPT-Realtime-2.1 es el modelo avanzado de voz en tiempo real de OpenAI diseñado para crear agentes de IA conversacionales que pueden escuchar, razonar y responder de forma natural mediante audio.

Rendimiento de referencia de GPT-Realtime-2.1

GPT-Realtime-2.1 se centra en métricas prácticas de interacción en tiempo real:

Capacidad	Mejora
Manejo de interrupciones de voz	Mejorado
Robustez frente al ruido	Mejorado
Reconocimiento alfanumérico	Mejorado
Flujos de trabajo de voz basados en herramientas	Compatible
Interacción de voz a voz	Compatible

Funciones principales de GPT-Realtime-2.1

1. Interacción nativa de voz a voz

GPT-Realtime-2.1 elimina la necesidad de canalizaciones separadas de reconocimiento de voz y texto a voz.

Arquitectura de voz tradicional:

User Voice
 ↓
Speech-to-Text
 ↓
LLM Processing
 ↓
Text-to-Speech
 ↓
Voice Response

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

Esto reduce la latencia y mejora el flujo conversacional.

2. Mejora de la calidad de la conversación por voz

GPT-Realtime-2.1 mejora varios desafíos de voz del mundo real:

Mejor manejo de interrupciones

Los usuarios pueden interrumpir a la IA de forma natural mientras está hablando.

Ejemplo:

Usuario:

"Reserva un vuelo a—no, mejor cámbialo a Tokio."

El modelo puede recuperarse de cambios conversacionales sin reiniciar la interacción.

Mejor manejo de silencios y ruido

El modelo está optimizado para entornos donde la calidad de audio es imperfecta:

Centros de llamadas
Dispositivos móviles
Espacios públicos
Dispositivos inteligentes

3. Uso avanzado de herramientas por agentes de voz

GPT-Realtime-2.1 admite llamadas a herramientas, lo que permite que los agentes de voz realicen acciones.

Ejemplos:

Atención al cliente:

User:
"Where is my order?"

AI:
→ Calls order database API
→ Retrieves status
→ Responds by voice

Flujo de trabajo empresarial:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

Esto hace que GPT-Realtime-2.1 sea adecuado para agentes de voz autónomos.

4. Capacidad de razonamiento configurable

A diferencia de los modelos de voz en tiempo real anteriores optimizados principalmente por velocidad, GPT-Realtime-2.1 introduce un esfuerzo de razonamiento configurable.

Los desarrolladores pueden equilibrar:

Latencia de la respuesta
Precisión
Complejidad de la tarea

Razonamiento bajo:

Conversaciones simples
Asistentes de preguntas frecuentes

Razonamiento más alto:

Solicitudes complejas de clientes
Flujos de trabajo de varios pasos
Operaciones empresariales

5. Mejor reconocimiento de números e información técnica

Los agentes de voz a menudo tienen dificultades con:

Números de cuenta
Números de serie
Direcciones
Códigos de producto
Información financiera

GPT-Realtime-2.1 mejora el reconocimiento alfanumérico, lo que lo hace más adecuado para sistemas de voz empresariales.

6. Compatibilidad con entrada multimodal

GPT-Realtime-2.1 admite:

Entrada	Compatibilidad
Texto	✅
Audio	✅
Imagen	✅
Video	❌

La entrada de imágenes permite escenarios como:

Soporte al cliente visual
Interpretación de documentos
Asistentes basados en cámara

GPT-Realtime-2.1 vs GPT-Realtime-2 vs GPT-4o Realtime

Modelo	Fortaleza	Mejor uso
GPT-Realtime-2.1	Mejor razonamiento en tiempo real + capacidad de agente de voz	Agentes de voz en producción
GPT-Realtime-2	Sólido razonamiento de voz en tiempo real	Apps conversacionales avanzadas
GPT-4o Realtime	Interacción multimodal rápida	Asistentes de voz generales

GPT-Realtime-2.1 vs GPT-Realtime-2

GPT-Realtime-2.1 mejora:

Recuperación ante interrupciones de voz
Manejo del ruido
Precisión de reconocimiento
Robustez conversacional

Ambos modelos comparten:

Arquitectura de voz a voz
Llamadas a herramientas
Compatibilidad con razonamiento
Acceso a la Realtime API

GPT-Realtime-2.1 vs GPT-4o Realtime

GPT-Realtime-2.1 está orientado a flujos de trabajo de agente más avanzados.

En comparación con GPT-4o Realtime:

Capacidad	GPT-Realtime-2.1	GPT-4o Realtime
Razonamiento	Más sólido	General
Contexto	128K	32K
Uso de herramientas	Compatible	Compatible
Agentes de voz	Avanzados	Generales
Flujos de trabajo complejos	Más adecuado	Adecuado

Cómo usar la API de GPT-Realtime-2.1 con CometAPI

Paso 1: Obtén tu clave de API de CometAPI

Crea una cuenta de CometAPI y genera un token de API desde la consola de desarrolladores.

Tu solicitud a la API debe incluir:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

La clave de API autentica tus solicitudes y permite que tu aplicación llame a los modelos de IA disponibles a través de CometAPI.

Paso 2: Crea una sesión de GPT-Realtime-2.1

GPT-Realtime-2.1 funciona mediante una sesión persistente en tiempo real en lugar del esquema tradicional de solicitud-respuesta de completado de chat.

Una sesión en tiempo real mantiene:

Flujo de entrada de audio
Respuestas del modelo
Estado de la conversación
Llamadas a herramientas
Interrupciones

La Realtime API de OpenAI admite comunicación en tiempo real a través de interfaces WebRTC, WebSocket y SIP.

Ejemplo:

curl https://api.cometapi.com/v1/realtime/sessions \
-H "Authorization: Bearer YOUR_COMETAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '
{
  "model": "gpt-realtime-2.1",
  "modalities": [
    "audio",
    "text"
  ],
  "voice": "alloy",
  "instructions": "You are a helpful customer support voice assistant."
}
'

Respuesta de ejemplo:

{
  "id": "sess_xxxxx",
  "model": "gpt-realtime-2.1",
  "status": "active"
}

Paso 3: Envía entrada de audio a GPT-Realtime-2.1

Después de crear una sesión, transmite el audio del usuario.

Flujo de trabajo de ejemplo:

User microphone
        |
        ↓
Audio stream
        |
        ↓
GPT-Realtime-2.1
        |
        ↓
Generated voice response

La entrada de audio puede incluir:

Conversaciones telefónicas
Comandos de voz
Llamadas de soporte al cliente
Asistentes interactivos

GPT-Realtime-2.1 mejora la interacción por voz con mejor detección de silencios, manejo del ruido y comportamiento de interrupciones en comparación con modelos anteriores en tiempo real.

Paso 4: Recibe respuestas de audio en tiempo real

El modelo devuelve respuestas de audio generadas a través de la conexión en tiempo real.

Evento de ejemplo:

{
  "type": "response.audio.delta",
  "delta": "base64_audio_chunk"
}

Tu aplicación puede reproducir inmediatamente los fragmentos de audio recibidos.

Implementaciones típicas:

Aplicaciones de voz WebRTC
Asistentes en navegador
Apps móviles de voz
Agentes telefónicos de IA

Paso 5: Añade llamadas a funciones para agentes de voz

GPT-Realtime-2.1 admite llamadas a funciones, lo que permite que los agentes de voz ejecuten acciones externas.

Ejemplo:

{
  "tools": [
    {
      "type": "function",
      "name": "check_order_status",
      "description": "Retrieve customer order information",
      "parameters": {
        "type": "object",
        "properties": {
          "order_id": {
            "type": "string"
          }
        }
      }
    }
  ]
}

Posibles flujos de trabajo de agentes de voz:

"¿Dónde está mi paquete?"
"Reserva una reunión para mañana."
"Cancela mi suscripción."
"Consulta mi saldo."

El modelo puede reconocer la solicitud, llamar a la herramienta adecuada y continuar la conversación de forma natural.

Paso 6: Configura el razonamiento e instrucciones

GPT-Realtime-2.1 admite un esfuerzo de razonamiento configurable.

Ejemplo:

{
  "model": "gpt-realtime-2.1",
  "reasoning": {
    "effort": "medium"
  },
  "instructions": "Act as a professional travel assistant."
}

Configuraciones recomendadas:

Aplicación	Nivel de razonamiento
Comandos de voz simples	Bajo
Atención al cliente	Medio
Agentes de flujos de trabajo complejos	Alto

Preguntas frecuentes

API

Copia un endpoint y un ejemplo de código funcionales, y abre la referencia completa de la API cuando necesites todos los parámetros.

Una API, acceso a modelos listo para producción

Autentícate una vez, llama al endpoint del modelo y mantén el mismo flujo de facturación y observabilidad entre proveedores.

GET/v1/realtime

Código de ejemplo y API para GPT-Realtime-2.1

GET

/v1/realtime

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

cURL Code Example

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

Python Code Example

"""Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.

Install the client with: pip install websocket-client
"""

import json
import os
from urllib.parse import urlencode

from websocket import create_connection


MODEL = "gpt-realtime-2.1"
BASE_URL = "wss://api.cometapi.com"
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"


def get(path: str) -> str:
    """Build a WebSocket URL for the API's GET route."""

    return f"{BASE_URL}{path}?{urlencode({'model': MODEL})}"


socket = create_connection(
    get("/v1/realtime"),
    header=[
        f"Authorization: Bearer {COMETAPI_KEY}",
        "OpenAI-Beta: realtime=v1",
    ],
    timeout=30,
)

try:
    socket.send(
        json.dumps(
            {
                "type": "session.update",
                "session": {
                    "modalities": ["text"],
                    "instructions": "Answer clearly and concisely.",
                },
            }
        )
    )
    socket.send(
        json.dumps(
            {
                "type": "conversation.item.create",
                "item": {
                    "type": "message",
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "Give me one tip for a productive meeting.",
                        }
                    ],
                },
            }
        )
    )
    socket.send(json.dumps({"type": "response.create"}))

    while True:
        event = json.loads(socket.recv())
        event_type = event.get("type")
        if event_type in {
            "response.text.delta",
            "response.output_text.delta",
            "response.audio_transcript.delta",
            "response.output_audio_transcript.delta",
        }:
            print(event.get("delta", ""), end="", flush=True)
        elif event_type == "error":
            raise RuntimeError(json.dumps(event.get("error", event), indent=2))
        elif event_type == "response.done":
            print()
            break
finally:
    socket.close()

JavaScript Code Example

// Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.
// Requires Node.js 22 or newer, which includes a global WebSocket client.

const model = "gpt-realtime-2.1";
const baseUrl = "wss://api.cometapi.com";
const apiKey = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";

function get(path) {
  const url = new URL(`${baseUrl}${path}`);
  url.searchParams.set("model", model);
  return url;
}

const socket = new WebSocket(get("/v1/realtime"), [
  "realtime",
  `openai-insecure-api-key.${apiKey}`,
  "openai-beta.realtime-v1",
]);

socket.addEventListener("open", () => {
  socket.send(
    JSON.stringify({
      type: "session.update",
      session: {
        modalities: ["text"],
        instructions: "Answer clearly and concisely.",
      },
    }),
  );
  socket.send(
    JSON.stringify({
      type: "conversation.item.create",
      item: {
        type: "message",
        role: "user",
        content: [
          {
            type: "input_text",
            text: "Give me one tip for a productive meeting.",
          },
        ],
      },
    }),
  );
  socket.send(JSON.stringify({ type: "response.create" }));
});

socket.addEventListener("message", ({ data }) => {
  const event = JSON.parse(data.toString());
  if (
    [
      "response.text.delta",
      "response.output_text.delta",
      "response.audio_transcript.delta",
      "response.output_audio_transcript.delta",
    ].includes(event.type)
  ) {
    process.stdout.write(event.delta || "");
  } else if (event.type === "error") {
    console.error(JSON.stringify(event.error || event, null, 2));
    socket.close();
    process.exitCode = 1;
  } else if (event.type === "response.done") {
    process.stdout.write("\n");
    socket.close();
  }
});

socket.addEventListener("error", (error) => {
  console.error("WebSocket error:", error.message || error);
  process.exitCode = 1;
});

Capacidades

Revisa los datos clave del modelo antes de elegir una arquitectura o estimar la carga de producción.

Capacidades compatibles

Funciones devueltas por la API del modelo existente.

text-to-speech

Entrada y salida

Entradas

text

Salidas

audio

Perfil de producción

Proveedor: OpenAI
Contexto: Depende del modelo
Uso comercial: Compatible

Casos de uso

Usa GPT-Realtime-2.1 en flujos de producción que coincidan con sus capacidades de audio, y compara alternativas antes de comprometerte con una integración a largo plazo.

Generación de voz, música y audio

Experiencias de voz y producción de medios

Flujos de trabajo de audio automatizados a gran escala

Otros modelos

Compara otros modelos disponibles en CometAPI según calidad, latencia, capacidades y precio.

Abrir comparación de modelos →

ElevenLabs Voice Dubbing

Explora la API de ElevenLabs Voice Dubbing.

Ver modelo

ElevenLabs

ElevenLabs Voice Isolation

Explora la API de ElevenLabs Voice Isolation.

Ver modelo

Bytedance

Seed Audio

Explora la API de Seed Audio.

Disponibilidad

Revisa los datos de latido en vivo, la disponibilidad del endpoint y los tiempos de respuesta observados antes de pasar a producción.

Disponibilidad

Respond

2010msAvg. Response

Uptime

70.2%Avg. Uptime

Versiones

Revisa los identificadores de modelo disponibles antes de fijar una integración de producción.

gpt-realtime-2.1

gpt-realtime-2.1-mini

Actualizaciones

Sigue los cambios relevantes en la disponibilidad, los precios y las capacidades de GPT-Realtime-2.1 sin renunciar a la página estable del modelo.

Registro de cambios del modelo

Una página que mejora con el tiempo.

Aquí se acumulan las notas de lanzamiento, los cambios de precios, las actualizaciones de benchmarks y las guías de migración, mientras la URL canónica permanece sin cambios.

Aug 7, 2026

Disponibilidad de la API confirmada

GPT-Realtime-2.1 está disponible a través del catálogo de modelos y la documentación de la API de CometAPI.

Actual

Datos en tiempo real

Precios y límites sincronizados con el catálogo

El precio, el contexto, la disponibilidad y los límites se tratan como propiedades dinámicas en lugar de incorporarse al título de la página o a la identidad del modelo.

Aug 7, 2026

Entidad permanente del modelo creada

El proveedor y el identificador del modelo forman una URL canónica permanente; las futuras actualizaciones de contenido y datos permanecerán en esta página.

Sigue explorando