Қандай салалар GPT-Realtime-2.1 API-ді пайдалана алады?

GPT-Realtime-2.1 клиенттерге қызмет көрсетуге, сатуды автоматтандыруға, медициналық көмекшілерге, білім беру платформаларына және ақылды құрылғыларға арналған қосымшаларға қолайлы.

GPT-Realtime-2.1 функцияларды шақыруды қолдай ма?

Иә. GPT-Realtime-2.1 құралдарды пайдалану мен функцияларды шақыруды қолдайды, бұл дауыстық агенттерге әңгіме барысында сыртқы әрекеттерді орындауға мүмкіндік береді.

GPT-Realtime-2.1 контекст терезесінің мөлшері қандай?

GPT-Realtime-2.1 128,000 токендік контекст терезесін және 32,000-ға дейінгі шығару токендерін қолдайды.

GPT-Realtime-2.1 API нақты уақыттағы дауыстық көмекшілерді жасай ала ма?

Иә. GPT-Realtime-2.1 сөйлеуден-сөйлеуге арналған қолданбаларға арналып жасалған және әзірлеушілерге кідірісі аз диалогтық дауыстық агенттерді құруға мүмкіндік береді.

GPT-Realtime-2.1 қандай енгізу және шығару модальдылық түрлерін қолдайды?

GPT-Realtime-2.1 мәтін және аудио енгізу/шығаруды, сондай-ақ кескін енгізуді қолдайды, бірақ видео енгізуді қолдамайды.

GPT-Realtime-2-мен салыстырғанда GPT-Realtime-2.1 қандай жетілдірулерге ие?

GPT-Realtime-2.1 әріп-сандық тануды, үнсіздікті өңдеуді, шуға төзімділікті және үзілістерді өңдеу тәртібін жақсартады, сонымен қатар нақты уақыттағы пайымдау мен құралдарды пайдалану мүмкіндіктерін сақтайды.

Әзірлеушілер GPT-4o Realtime API орнына GPT-Realtime-2.1-ді қашан таңдауы керек?

Күштірек пайымдау, құралдарды іске асыру және күрделі диалогтық жұмыс ағындары қажет болатын жетілдірілген дауыстық агенттер үшін әзірлеушілер GPT-Realtime-2.1-ді таңдауы тиіс.

OpenAI

Қолжетімді

gpt-realtime-2.1

GPT-Realtime-2.1 API

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.

Бастапқы баға

$3.20 / 1М кіріс токен

Пайдалануға негізделген төлем

API күйі

Қолжетімді

Өндірістік соңғы нүкте

Жауап беру уақыты

Async-қа дайын

Байқалған API жауап беру уақыты

Шығарылған күні

Aug 6, 2026

OpenAI

Шолу

GPT-Realtime-2.1 туралы маңызды мінез-құлық пен интеграция ерекшеліктерін қамтитын практикалық шолу.

GPT-Realtime-2.1 техникалық сипаттамалары

Сипаттама	Толық ақпарат
Модель атауы	GPT-Realtime-2.1
Провайдер	OpenAI
Модельдер сериясы	GPT-Realtime series
Модель түрі	Нақты уақыттағы мультимодальды дауысқа негізделген пайымдау моделі
Негізгі қабілет	Сөйлеуден сөйлеуге арналған ЖИ агенттері
Енгізу түрлері	Мәтін, Аудио, Сурет
Шығыс түрлері	Мәтін, Аудио
Контекст терезесі	128,000 токен
Шығыс токендерінің ең көбі	32,000 токен
Пайымдау қолдауы	Бапталатын пайымдау күші
Функцияларды шақыру	Қолдау бар
Құрылымдалған шығыстар	Қолдау жоқ
Fine-tuning	Қолдау жоқ
Видео кірісі	Қолдау жоқ
Негізгі API соңғы нүктесі	Realtime API
Білім шектеуі	30 қыркүйек 2024

Дереккөз: OpenAI GPT-Realtime-2.1 моделі құжаттамасы.

GPT-Realtime-2.1 деген не?

GPT-Realtime-2.1 — OpenAI әзірлеген, аудио арқылы тыңдап, пайымдап, табиғи түрде жауап беретін нақты уақыттағы озық дауыс моделі, сөйлесу ЖИ агенттерін құруға арналған.

Дәстүрлі, бөлек сөйлеуді тану, тілдік түсіну және мәтінді дауыстық синтезге бөлінген дауыстық ассистенттермен салыстырғанда, GPT-Realtime-2.1 жергілікті сөйлеуден-сөйлеуге өзара әрекетті қамтамасыз етіп, төменірек кідіріс, үзуді жақсырақ өңдеу және контексті тереңірек түсінуді ұсынады.

Модель тұтынушыларды қолдау агенттері, ЖИ ассистенттер, сату автоматтандыруы, білім беру платформалары және интерактивті дауыстық тәжірибелер сияқты өндірістік дауыс қолданбалары үшін оңтайландырылған.

GPT-Realtime-2.1 эталондық өнімділігі

GPT-Realtime-2.1 жақсартулары практикалық нақты уақыттағы өзара әрекет көрсеткіштеріне шоғырланған:

Мүмкіндік	Жақсарту
Дауыс үзілімін өңдеу	Жақсартылды
Шуға төзімділік	Жақсартылды
Әріп-сандық тану	Жақсартылды
Құралға негізделген дауыс ағындары	Қолдау бар
Сөйлеуден-сөйлеуге өзара әрекет	Қолдау бар

GPT-Realtime-2.1 негізгі мүмкіндіктері

1. Жергілікті сөйлеуден-сөйлеуге өзара әрекет

GPT-Realtime-2.1 бөлек сөйлеуді мәтінге және мәтінді дауысқа айналдыру конвейерлерін қажет етпейді.

Дәстүрлі дауыс архитектурасы:

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

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

Бұл кідірісті азайтып, әңгімелесу ағынын жақсартады.

2. Дауыстық әңгіме сапасын жақсарту

GPT-Realtime-2.1 нақты әлемдегі дауысқа қатысты бірқатар қиындықтарды жақсартады:

Үзуді жақсырақ өңдеу

Пайдаланушылар ЖИ сөйлеп тұрған кезде оны табиғи түрде үзе алады.

Мысал:

Пайдаланушы:

"Маған ұшаққа билет брондап беріңіз—шынында, оны Токиоға өзгертіңіз."

Модель өзара әрекеттегі өзгерістерге бүкіл сессияны қайта бастамай-ақ икемделе алады.

Үнсіздік пен шуды жақсырақ өңдеу

Модель аудио сапасы мінсіз емес ортаға оңтайландырылған:

Қоңырау орталықтары
Мобильді құрылғылар
Қоғамдық орындар
Ақылды құрылғылар

3. Дауыстық агенттің құралдарды озық пайдалану мүмкіндігі

GPT-Realtime-2.1 құралдарды шақыруды қолдайды, бұл дауыстық агенттерге әрекеттерді орындауға мүмкіндік береді.

Мысалдар:

Тұтынушыларды қолдау:

User:
"Where is my order?"

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

Кәсіптік жұмыс процесі:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

Бұл GPT-Realtime-2.1-ді автономды дауыстық агенттер үшін қолайлы етеді.

4. Бапталатын пайымдау қабілеті

Алдыңғы, негізінен жылдамдыққа оңтайландырылған нақты уақыттағы дауыс модельдерінен айырмашылығы, GPT-Realtime-2.1 бапталатын пайымдау күшін енгізеді.

Әзірлеушілер мыналар арасындағы тепе-теңдікті баптай алады:

Жауап кідірісі
Дәлдік
Тапсырма күрделілігі

Төмен пайымдау:

Қарапайым әңгімелер
Жиі қойылатын сұрақтар бойынша ассистенттер

Жоғары пайымдау:

Күрделі тұтынушы сұраныстары
Көпқадамды жұмыс процестері
Бизнес операциялары

5. Сандар мен техникалық ақпаратты жақсырақ тану

Дауыстық агенттер жиі қиналатын тұстар:

Есепшот нөмірлері
Сериялық нөмірлер
Мекенжайлар
Өнім кодтары
Қаржылық ақпарат

GPT-Realtime-2.1 әріп-сандық тануды жақсартып, оны кәсіптік дауыстық жүйелерге лайықты етеді.

6. Мультимодальды енгізуді қолдау

GPT-Realtime-2.1 қолдайды:

Енгізу	Қолдау
Мәтін	✅
Аудио	✅
Сурет	✅
Видео	❌

Сурет енгізу келесі сценарийлерді мүмкін етеді:

Көрнекі тұтынушыларды қолдау
Құжаттарды түсіндіру
Камераға негізделген ассистенттер

GPT-Realtime-2.1 мен GPT-Realtime-2 және GPT-4o Realtime салыстыруы

Модель	Күшті жағы	Ең қолайлы қолданыс
GPT-Realtime-2.1	Нақты уақыттағы ең үздік пайымдау + дауыстық агент мүмкіндіктері	Өндірістік дауыстық агенттер
GPT-Realtime-2	Нақты уақыттағы күшті дауыс пайымдауы	Жетілдірілген сөйлесу қолданбалары
GPT-4o Realtime	Жылдам мультимодальды өзара әрекет	Жалпы мақсаттағы дауыстық ассистенттер

GPT-Realtime-2.1 және GPT-Realtime-2

GPT-Realtime-2.1 мына тұстарды жақсартады:

Дауыс үзілімінен қалпына келу
Шуды өңдеу
Танудың дәлдігі
Әңгімелесудің орнықтылығы

Екі модельде ортақтары:

Сөйлеуден-сөйлеуге архитектура
Құралдарды шақыру
Пайымдауды қолдау
Realtime API арқылы қолжеткізу

GPT-Realtime-2.1 және GPT-4o Realtime

GPT-Realtime-2.1 неғұрлым озық агенттік жұмыс процестеріне бағытталған.

GPT-4o Realtime-пен салыстырғанда:

Мүмкіндік	GPT-Realtime-2.1	GPT-4o Realtime
Пайымдау	Күштірек	Жалпы
Контекст	128K	32K
Құралдарды пайдалану	Қолдау бар	Қолдау бар
Дауыстық агенттер	Озық	Жалпы
Күрделі процестер	Тиімдірек бейімделген	Жарамды

CometAPI арқылы GPT-Realtime-2.1 API-ін қалай пайдалану керек

GPT-Realtime-2.1 төмен кідірісті дауыстық агент қолданбалары үшін жасалған. Ол нақты уақыттағы сөйлеуден-сөйлеуге өзара әрекетті, аудио енгізу/шығару, сурет енгізу, бапталатын пайымдау күші және құралға негізделген дауыс ағындары үшін функцияларды шақыруды қолдайды. OpenAI оны Realtime API арқылы ұсынады, оған WebRTC, WebSocket және SIP негізіндегі нақты уақыттағы байланыс әдістері кіреді.

CometAPI — озық ЖИ модельдерін біріктіруге арналған бірыңғай API қабаты, ол әзірлеушілерге провайдер аутентификациясын, SDK логикасын және инфрақұрылымды бөлек ұстамай-ақ GPT-Realtime-2.1 стиліндегі жұмыс ағындарына қол жеткізуге мүмкіндік береді.

1-қадам: CometAPI API кілтіңізді алыңыз

CometAPI аккаунтын жасап, әзірлеуші консолінен API токенін жасаңыз.

API сұранысыңызға мыналар кіруі керек:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

API кілті сұраныстарыңызды аутентификациялап, қолданбаңызға CometAPI арқылы қолжетімді ЖИ үлгілерін шақыруға мүмкіндік береді.

2-қадам: GPT-Realtime-2.1 сессиясын жасаңыз

GPT-Realtime-2.1 дәстүрлі сұрау-жауап чат толықтыруынан гөрі тұрақты нақты уақыт сессиясы арқылы жұмыс істейді.

Нақты уақыт сессиясы мыналарды ұстап тұрады:

Аудио енгізу ағыны
Модель жауаптары
Әңгімелесу күйі
Құрал шақырулары
Үзулер

OpenAI-дың Realtime API-і WebRTC, WebSocket және SIP интерфейстері арқылы нақты уақыттағы байланысты қолдайды.

Мысал:

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."
}
'

Мысал жауап:

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

3-қадам: GPT-Realtime-2.1-ге аудио енгізуді жіберіңіз

Сессия құрылғаннан кейін, пайдаланушы аудиосын ағынмен жіберіңіз.

Мысал жұмыс ағыны:

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

Аудио енгізу мынадайларды қамтуы мүмкін:

Телефон әңгімелері
Дауыс командалары
Тұтынушыларды қолдау қоңыраулары
Интерактивті ассистенттер

GPT-Realtime-2.1 алдыңғы нақты уақыт модельдерімен салыстырғанда үнсіздікті анықтауды, шуды өңдеуді және үзуді басқаруды жақсартып, сөйлеу арқылы өзара әрекетті күшейтеді.

4-қадам: Нақты уақыттағы аудио жауаптарды алыңыз

Модель нақты уақыт қосылымы арқылы жасалған аудио жауаптарды қайтарады.

Мысал оқиға:

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

Қолданбаңыз алынған аудио фрагменттерін бірден ойнай алады.

Типтік іске асырулар:

WebRTC дауыстық қолданбалары
Браузердегі ассистенттер
Мобильді дауыс қолданбалары
ЖИ телефон агенттері

5-қадам: Дауыстық агенттер үшін функцияларды шақыруды қосыңыз

GPT-Realtime-2.1 функцияларды шақыруды қолдайды, бұл дауыстық агенттерге сыртқы әрекеттерді орындауға мүмкіндік береді.

Мысал:

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

Мүмкін дауыстық агент жұмыс ағындары:

"Пакетім қайда?"
"Ертеңге кездесу брондап бер."
"Жазылымымды болдыр."
"Шотымның қалдығын тексер."

Модель сұранысты танып, тиісті құралды шақырып, әңгімені табиғи түрде жалғастыра алады.

6-қадам: Пайымдау мен нұсқауларды баптаңыз

GPT-Realtime-2.1 бапталатын пайымдау күшін қолдайды.

Мысал:

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

Ұсынылатын баптаулар:

Қолданба	Пайымдау деңгейі
Қарапайым дауыс командалары	Төмен
Тұтынушыларды қолдау	Орташа
Күрделі агенттік процестер	Жоғары

ЖҚС

Баға белгілеу

Жоғарыдағы жылдам бағалауды бір іске қосу үшін пайдаланыңыз, содан кейін CometAPI мен ресми баға арасындағы толық салыстыруды қараңыз.

Бірінші сұраныс

—

Болжамды CometAPI пайдалану құны

Он сұраныс

—

Болжамды CometAPI пайдалану құны

Он бес сұраныс

—

Болжамды CometAPI пайдалану құны

GPT-Realtime-2.1 үшін баға белгілеу

[Модель атауы] үшін әртүрлі бюджеттер мен пайдалану қажеттіліктеріне сәйкес келетін бәсекеге қабілетті баға белгілеуді зерттеңіз. Біздің икемді жоспарларымыз сіз тек пайдаланған нәрсеңіз үшін ғана төлеуіңізді қамтамасыз етеді, бұл сіздің талаптарыңыз өскен сайын масштабтауды жеңілдетеді. [Модель атауы] шығындарды басқарылатын деңгейде ұстай отырып, сіздің жобаларыңызды қалай жақсарта алатынын біліңіз.

Model	Comet Price (USD / M Tokens)	Official Price (USD / M Tokens)	Discount
gpt-realtime-2.1	Енгізу:$3.2/M Шығыс:$19.2/M	Енгізу:$4/M Шығыс:$24/M	-20%
gpt-realtime-2.1-mini	Енгізу:$0.48/M Шығыс:$2.88/M	Енгізу:$0.6/M Шығыс:$3.6/M	-20%

API

Жұмыс істейтін соңғы нүкте мен код мысалын көшіріңіз, барлық параметрлер қажет болғанда толық API анықтамалығын ашыңыз.

Бір API, өндіріске дайын модельге қолжетімділік

Бір рет аутентификациядан өтіп, модель соңғы нүктесін шақырыңыз және провайдерлер арасында бірдей төлем мен бақылау процесін сақтаңыз.

GET/v1/realtime

GPT-Realtime-2.1 үшін үлгі код және API

[Модель атауы] үшін кешенді үлгі кодтары мен API ресурстарына қол жеткізіп, интеграция процесіңізді жеңілдетіңіз. Біздің толық құжаттама қадам-қадаммен нұсқаулық береді, жобаларыңызда [Модель атауы] мүмкіндіктерін толық пайдалануға көмектеседі.

GET

/v1/realtime

#!/usr/bin/env bash
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.
MODEL="gpt-realtime-2.1"
COMETAPI_KEY="${COMETAPI_KEY:-<YOUR_COMETAPI_KEY>}"
WEBSOCKET_KEY="$(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: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=${MODEL}"

cURL Code Example

#!/usr/bin/env bash
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.
MODEL="gpt-realtime-2.1"
COMETAPI_KEY="${COMETAPI_KEY:-<YOUR_COMETAPI_KEY>}"
WEBSOCKET_KEY="$(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: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=${MODEL}"

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;
});

Мүмкіндіктер

Архитектураны таңдамас немесе өндірістік жүктемені бағаламас бұрын модельдің маңызды деректерін қарап шығыңыз.

Қолдау көрсетілетін мүмкіндіктер

Қолданыстағы модель API қайтаратын мүмкіндіктер.

text-to-speech

Кіріс және шығыс

Кірістер

text

Шығыстар

audio

Өндірістік профиль

Провайдер: OpenAI
Контекст: Модельге байланысты
Коммерциялық пайдалану: Қолдау көрсетіледі

Қолдану жағдайлары

GPT-Realtime-2.1 моделін оның audio мүмкіндіктеріне сәйкес өндірістік жұмыс ағындарында пайдаланыңыз, содан кейін ұзақ мерзімді интеграцияға кірісер алдында баламаларды салыстырыңыз.

Сөйлеу, музыка және аудио генерациясы

Дауыстық тәжірибелер мен медиа өндіру

Ауқымды автоматтандырылған аудио жұмыс ағындары

Басқа модельдер

Сапасы, кідірісі, мүмкіндіктері мен бағасы бойынша CometAPI арқылы қолжетімді басқа модельдерді салыстырыңыз.

Модельдерді салыстыруды ашу →

OpenAI

gpt-audio-1.5

Chat Completions арқылы аудио енгізу, аудио шығару үшін ең жақсы дауыс моделі.

Модельді көру

OpenAI

GPT-Realtime-2

GPT-Realtime-2 — біздің ең қабілетті нақты уақыттағы дауыс моделіміз. Ол сөйлеуден сөйлеуге өзара әрекеттесуді, пайымдау деңгейін реттеуді, нұсқауларды неғұрлым қатаң ұстануды және күрделі дауыстық агент жұмыс ағындары үшін құралдарды неғұрлым сенімді пайдалануды қолдайды.

Модельді көру

OpenAI

gpt-realtime-1.5

Аудио кіріс пен аудио шығысқа арналған ең үздік дауыстық модель.

Модельді көру

OpenAI

TTS

OpenAI мәтінді сөйлеуге түрлендіру

Модельді көру

Kling

Kling TTS

[Сөйлеуді синтездеу] Жаңадан іске қосылды: алдын ала қарау функциясы бар онлайн мәтінді эфирлік сападағы аудиоға түрлендіру ● Бір уақытта audio_id жасай алады, оны кез келген Keling API-мен пайдалануға болады

Модельді көру

Kling

Kling video-to-audio

Kling бейнеден аудиоға

Модельді көру

Uptime

Өндіріске көшпес бұрын нақты уақыттағы heartbeat деректерін, соңғы нүкте қолжетімділігін және байқалған жауап беру уақытын қараңыз.

Нұсқалар

Өндірістік интеграцияны бекітпес бұрын қолжетімді модель идентификаторларын қараңыз.

gpt-realtime-2.1

gpt-realtime-2.1-mini

Шолуды жалғастыру

Модельдерді салыстырып, зерттеуіңізді жалғастырыңыз

OpenAI

Қолжетімді

gpt-realtime-2.1

GPT-Realtime-2.1 API

Бастапқы баға

$3.20 / 1М кіріс токен

Пайдалануға негізделген төлем

API күйі

Қолжетімді

Өндірістік соңғы нүкте

Жауап беру уақыты

Async-қа дайын

Байқалған API жауап беру уақыты

Шығарылған күні

Aug 6, 2026

OpenAI

Шолу

GPT-Realtime-2.1 туралы маңызды мінез-құлық пен интеграция ерекшеліктерін қамтитын практикалық шолу.

GPT-Realtime-2.1 техникалық сипаттамалары

Сипаттама	Толық ақпарат
Модель атауы	GPT-Realtime-2.1
Провайдер	OpenAI
Модельдер сериясы	GPT-Realtime series
Модель түрі	Нақты уақыттағы мультимодальды дауысқа негізделген пайымдау моделі
Негізгі қабілет	Сөйлеуден сөйлеуге арналған ЖИ агенттері
Енгізу түрлері	Мәтін, Аудио, Сурет
Шығыс түрлері	Мәтін, Аудио
Контекст терезесі	128,000 токен
Шығыс токендерінің ең көбі	32,000 токен
Пайымдау қолдауы	Бапталатын пайымдау күші
Функцияларды шақыру	Қолдау бар
Құрылымдалған шығыстар	Қолдау жоқ
Fine-tuning	Қолдау жоқ
Видео кірісі	Қолдау жоқ
Негізгі API соңғы нүктесі	Realtime API
Білім шектеуі	30 қыркүйек 2024

Дереккөз: OpenAI GPT-Realtime-2.1 моделі құжаттамасы.

GPT-Realtime-2.1 деген не?

GPT-Realtime-2.1 эталондық өнімділігі

GPT-Realtime-2.1 жақсартулары практикалық нақты уақыттағы өзара әрекет көрсеткіштеріне шоғырланған:

Мүмкіндік	Жақсарту
Дауыс үзілімін өңдеу	Жақсартылды
Шуға төзімділік	Жақсартылды
Әріп-сандық тану	Жақсартылды
Құралға негізделген дауыс ағындары	Қолдау бар
Сөйлеуден-сөйлеуге өзара әрекет	Қолдау бар

GPT-Realtime-2.1 негізгі мүмкіндіктері

1. Жергілікті сөйлеуден-сөйлеуге өзара әрекет

GPT-Realtime-2.1 бөлек сөйлеуді мәтінге және мәтінді дауысқа айналдыру конвейерлерін қажет етпейді.

Дәстүрлі дауыс архитектурасы:

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

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

Бұл кідірісті азайтып, әңгімелесу ағынын жақсартады.

2. Дауыстық әңгіме сапасын жақсарту

GPT-Realtime-2.1 нақты әлемдегі дауысқа қатысты бірқатар қиындықтарды жақсартады:

Үзуді жақсырақ өңдеу

Пайдаланушылар ЖИ сөйлеп тұрған кезде оны табиғи түрде үзе алады.

Мысал:

Пайдаланушы:

"Маған ұшаққа билет брондап беріңіз—шынында, оны Токиоға өзгертіңіз."

Модель өзара әрекеттегі өзгерістерге бүкіл сессияны қайта бастамай-ақ икемделе алады.

Үнсіздік пен шуды жақсырақ өңдеу

Модель аудио сапасы мінсіз емес ортаға оңтайландырылған:

Қоңырау орталықтары
Мобильді құрылғылар
Қоғамдық орындар
Ақылды құрылғылар

3. Дауыстық агенттің құралдарды озық пайдалану мүмкіндігі

GPT-Realtime-2.1 құралдарды шақыруды қолдайды, бұл дауыстық агенттерге әрекеттерді орындауға мүмкіндік береді.

Мысалдар:

Тұтынушыларды қолдау:

User:
"Where is my order?"

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

Кәсіптік жұмыс процесі:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

Бұл GPT-Realtime-2.1-ді автономды дауыстық агенттер үшін қолайлы етеді.

4. Бапталатын пайымдау қабілеті

Әзірлеушілер мыналар арасындағы тепе-теңдікті баптай алады:

Жауап кідірісі
Дәлдік
Тапсырма күрделілігі

Төмен пайымдау:

Қарапайым әңгімелер
Жиі қойылатын сұрақтар бойынша ассистенттер

Жоғары пайымдау:

Күрделі тұтынушы сұраныстары
Көпқадамды жұмыс процестері
Бизнес операциялары

5. Сандар мен техникалық ақпаратты жақсырақ тану

Дауыстық агенттер жиі қиналатын тұстар:

Есепшот нөмірлері
Сериялық нөмірлер
Мекенжайлар
Өнім кодтары
Қаржылық ақпарат

GPT-Realtime-2.1 әріп-сандық тануды жақсартып, оны кәсіптік дауыстық жүйелерге лайықты етеді.

6. Мультимодальды енгізуді қолдау

GPT-Realtime-2.1 қолдайды:

Енгізу	Қолдау
Мәтін	✅
Аудио	✅
Сурет	✅
Видео	❌

Сурет енгізу келесі сценарийлерді мүмкін етеді:

Көрнекі тұтынушыларды қолдау
Құжаттарды түсіндіру
Камераға негізделген ассистенттер

GPT-Realtime-2.1 мен GPT-Realtime-2 және GPT-4o Realtime салыстыруы

Модель	Күшті жағы	Ең қолайлы қолданыс
GPT-Realtime-2.1	Нақты уақыттағы ең үздік пайымдау + дауыстық агент мүмкіндіктері	Өндірістік дауыстық агенттер
GPT-Realtime-2	Нақты уақыттағы күшті дауыс пайымдауы	Жетілдірілген сөйлесу қолданбалары
GPT-4o Realtime	Жылдам мультимодальды өзара әрекет	Жалпы мақсаттағы дауыстық ассистенттер

GPT-Realtime-2.1 және GPT-Realtime-2

GPT-Realtime-2.1 мына тұстарды жақсартады:

Дауыс үзілімінен қалпына келу
Шуды өңдеу
Танудың дәлдігі
Әңгімелесудің орнықтылығы

Екі модельде ортақтары:

Сөйлеуден-сөйлеуге архитектура
Құралдарды шақыру
Пайымдауды қолдау
Realtime API арқылы қолжеткізу

GPT-Realtime-2.1 және GPT-4o Realtime

GPT-Realtime-2.1 неғұрлым озық агенттік жұмыс процестеріне бағытталған.

GPT-4o Realtime-пен салыстырғанда:

Мүмкіндік	GPT-Realtime-2.1	GPT-4o Realtime
Пайымдау	Күштірек	Жалпы
Контекст	128K	32K
Құралдарды пайдалану	Қолдау бар	Қолдау бар
Дауыстық агенттер	Озық	Жалпы
Күрделі процестер	Тиімдірек бейімделген	Жарамды

CometAPI арқылы GPT-Realtime-2.1 API-ін қалай пайдалану керек

1-қадам: CometAPI API кілтіңізді алыңыз

CometAPI аккаунтын жасап, әзірлеуші консолінен API токенін жасаңыз.

API сұранысыңызға мыналар кіруі керек:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

2-қадам: GPT-Realtime-2.1 сессиясын жасаңыз

GPT-Realtime-2.1 дәстүрлі сұрау-жауап чат толықтыруынан гөрі тұрақты нақты уақыт сессиясы арқылы жұмыс істейді.

Нақты уақыт сессиясы мыналарды ұстап тұрады:

Аудио енгізу ағыны
Модель жауаптары
Әңгімелесу күйі
Құрал шақырулары
Үзулер

OpenAI-дың Realtime API-і WebRTC, WebSocket және SIP интерфейстері арқылы нақты уақыттағы байланысты қолдайды.

Мысал:

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."
}
'

Мысал жауап:

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

3-қадам: GPT-Realtime-2.1-ге аудио енгізуді жіберіңіз

Сессия құрылғаннан кейін, пайдаланушы аудиосын ағынмен жіберіңіз.

Мысал жұмыс ағыны:

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

Аудио енгізу мынадайларды қамтуы мүмкін:

Телефон әңгімелері
Дауыс командалары
Тұтынушыларды қолдау қоңыраулары
Интерактивті ассистенттер

4-қадам: Нақты уақыттағы аудио жауаптарды алыңыз

Модель нақты уақыт қосылымы арқылы жасалған аудио жауаптарды қайтарады.

Мысал оқиға:

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

Қолданбаңыз алынған аудио фрагменттерін бірден ойнай алады.

Типтік іске асырулар:

WebRTC дауыстық қолданбалары
Браузердегі ассистенттер
Мобильді дауыс қолданбалары
ЖИ телефон агенттері

5-қадам: Дауыстық агенттер үшін функцияларды шақыруды қосыңыз

Мысал:

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

Мүмкін дауыстық агент жұмыс ағындары:

"Пакетім қайда?"
"Ертеңге кездесу брондап бер."
"Жазылымымды болдыр."
"Шотымның қалдығын тексер."

Модель сұранысты танып, тиісті құралды шақырып, әңгімені табиғи түрде жалғастыра алады.

6-қадам: Пайымдау мен нұсқауларды баптаңыз

GPT-Realtime-2.1 бапталатын пайымдау күшін қолдайды.

Мысал:

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

Ұсынылатын баптаулар:

Қолданба	Пайымдау деңгейі
Қарапайым дауыс командалары	Төмен
Тұтынушыларды қолдау	Орташа
Күрделі агенттік процестер	Жоғары

ЖҚС

Баға белгілеу

Бірінші сұраныс

—

Болжамды CometAPI пайдалану құны

Он сұраныс

—

Болжамды CometAPI пайдалану құны

Он бес сұраныс

—

Болжамды CometAPI пайдалану құны

GPT-Realtime-2.1 үшін баға белгілеу

Model	Comet Price (USD / M Tokens)	Official Price (USD / M Tokens)	Discount
gpt-realtime-2.1	Енгізу:$3.2/M Шығыс:$19.2/M	Енгізу:$4/M Шығыс:$24/M	-20%
gpt-realtime-2.1-mini	Енгізу:$0.48/M Шығыс:$2.88/M	Енгізу:$0.6/M Шығыс:$3.6/M	-20%

API

Бір API, өндіріске дайын модельге қолжетімділік

GET/v1/realtime

GPT-Realtime-2.1 үшін үлгі код және API

GET

/v1/realtime

#!/usr/bin/env bash
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.
MODEL="gpt-realtime-2.1"
COMETAPI_KEY="${COMETAPI_KEY:-<YOUR_COMETAPI_KEY>}"
WEBSOCKET_KEY="$(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: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=${MODEL}"

cURL Code Example

#!/usr/bin/env bash
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.
MODEL="gpt-realtime-2.1"
COMETAPI_KEY="${COMETAPI_KEY:-<YOUR_COMETAPI_KEY>}"
WEBSOCKET_KEY="$(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: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=${MODEL}"

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;
});

Мүмкіндіктер

Қолдау көрсетілетін мүмкіндіктер

Қолданыстағы модель API қайтаратын мүмкіндіктер.

text-to-speech

Кіріс және шығыс

Кірістер

text

Шығыстар

audio

Өндірістік профиль

Провайдер: OpenAI
Контекст: Модельге байланысты
Коммерциялық пайдалану: Қолдау көрсетіледі

Қолдану жағдайлары

Сөйлеу, музыка және аудио генерациясы

Дауыстық тәжірибелер мен медиа өндіру

Ауқымды автоматтандырылған аудио жұмыс ағындары

Басқа модельдер

Сапасы, кідірісі, мүмкіндіктері мен бағасы бойынша CometAPI арқылы қолжетімді басқа модельдерді салыстырыңыз.

Модельдерді салыстыруды ашу →

OpenAI

gpt-audio-1.5

Chat Completions арқылы аудио енгізу, аудио шығару үшін ең жақсы дауыс моделі.

Аудио кіріс пен аудио шығысқа арналған ең үздік дауыстық модель.

Модельді көру

OpenAI

TTS

OpenAI мәтінді сөйлеуге түрлендіру

Kling бейнеден аудиоға

Модельді көру

Uptime

Нұсқалар

Өндірістік интеграцияны бекітпес бұрын қолжетімді модель идентификаторларын қараңыз.

gpt-realtime-2.1

gpt-realtime-2.1-mini

Шолуды жалғастыру