Jakie branże mogą korzystać z API GPT-Realtime-2.1?

GPT-Realtime-2.1 jest odpowiedni dla obsługi klienta, automatyzacji sprzedaży, asystentów w ochronie zdrowia, platform edukacyjnych oraz aplikacji dla inteligentnych urządzeń.

Czy GPT-Realtime-2.1 obsługuje wywoływanie funkcji?

Tak. GPT-Realtime-2.1 obsługuje korzystanie z narzędzi i wywoływanie funkcji, umożliwiając agentom głosowym wykonywanie zewnętrznych akcji podczas rozmów.

Jak duże jest okno kontekstu GPT-Realtime-2.1?

GPT-Realtime-2.1 obsługuje okno kontekstu o rozmiarze 128,000 tokenów oraz do 32,000 tokenów wyjściowych.

Czy API GPT-Realtime-2.1 może tworzyć asystentów głosowych w czasie rzeczywistym?

Tak. GPT-Realtime-2.1 został zaprojektowany do aplikacji mowa-do-mowy i umożliwia deweloperom tworzenie konwersacyjnych agentów głosowych o niskich opóźnieniach.

Jakie modalności wejścia i wyjścia obsługuje GPT-Realtime-2.1?

GPT-Realtime-2.1 obsługuje wejście/wyjście tekstowe i dźwiękowe oraz wejście obrazów, ale nie obsługuje wejścia wideo.

Jakie ulepszenia ma GPT-Realtime-2.1 w stosunku do GPT-Realtime-2?

GPT-Realtime-2.1 poprawia rozpoznawanie znaków alfanumerycznych, obsługę ciszy, odporność na hałas oraz zachowanie przy przerywaniu, przy jednoczesnym zachowaniu możliwości rozumowania w czasie rzeczywistym i korzystania z narzędzi.

Kiedy deweloperzy powinni wybrać GPT-Realtime-2.1 zamiast GPT-4o Realtime API?

Deweloperzy powinni wybrać GPT-Realtime-2.1 dla zaawansowanych agentów głosowych wymagających silniejszego rozumowania, uruchamiania narzędzi oraz złożonych przepływów konwersacyjnych.

OpenAI

Dostępny

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.

Cena początkowa

$3.20 / 1 mln tokenów wejściowych

Rozliczenie za zużycie

Stan API

Dostępny

Endpoint produkcyjny

Czas odpowiedzi

Gotowe na async

Zaobserwowany czas odpowiedzi API

Data wydania

Aug 7, 2026

OpenAI

Cennik

Skorzystaj z powyższego szybkiego oszacowania dla pojedynczego uruchomienia, a następnie sprawdź pełne porównanie cen CometAPI i cen oficjalnych.

Pierwsze żądanie

$0.0224

Szacowany koszt korzystania z CometAPI

Dziesięć żądań

$0.2240

Szacowany koszt korzystania z CometAPI

Piętnaście żądań

$0.3360

Szacowany koszt korzystania z CometAPI

⇌

Przeliczanie kredytów

1000 kredytów = 1 USD

Kredyty umożliwiają porównywanie budżetów w ramach rozliczeń za tokeny, żądania i czas działania. Kwota w USD pozostaje podstawą rozliczenia podczas finalizacji zakupu.

✓Bieżący model w kredytach

Dane wejściowe

3,200

kredytów / 1 mln tokenów

Dane wyjściowe

19,200

kredytów / 1 mln tokenów

Przejrzystość minimalnej opłaty Ten prototyp nie zakłada ukrytej minimalnej opłaty za żądanie. Jeśli w produkcji obowiązuje minimalna kwota rozliczenia lub minimalne doładowanie, musi zostać wyświetlona przed zakupem i uwzględniona w każdym szacowanym budżecie.

Model	Cena Comet (USD / mln tokenów)	Cena oficjalna (USD / mln tokenów)	Rabat
gpt-realtime-2.1	Dane wejściowe: $3.20/mln Dane wyjściowe: $19.20/mln	Dane wejściowe: $4.00/mln Dane wyjściowe: $24.00/mln	-20%
gpt-realtime-2.1-mini	Dane wejściowe: $0.4800/mln Dane wyjściowe: $2.88/mln	Dane wejściowe: $0.6000/mln Dane wyjściowe: $3.60/mln	-20%

Opis modelu

Stabilna tożsamość modelu na potrzeby wyszukiwania i oceny, połączona z aktualnymi danymi katalogowymi, które mogą się zmieniać bez przebudowy podstawowej struktury SEO strony.

Stabilna tożsamość

Czym jest GPT-Realtime-2.1?

Kanoniczna tożsamość modelu pozostaje stabilna, nawet gdy zmieniają się ceny i limity.

Aktualne dane modelu

Aktualny obraz katalogu

Dostępność

Dostępny

Cena od

$3.20 / 1 mln tokenów wejściowych

Kontekst

Zobacz możliwości

Data katalogu

Aug 7, 2026

Przegląd

Praktyczny przegląd GPT-Realtime-2.1, obejmujący ważne zachowania i uwagi dotyczące integracji.

Specyfikacja techniczna GPT-Realtime-2.1

Specyfikacja	Szczegóły
Nazwa modelu	GPT-Realtime-2.1
Dostawca	OpenAI
Rodzina modeli	seria GPT-Realtime
Typ modelu	Realtime, multimodalny model rozumowania głosowego
Główna zdolność	Agenci AI mowa-do-mowy
Modalności wejściowe	Tekst, audio, obraz
Modalności wyjściowe	Tekst, audio
Okno kontekstu	128,000 tokenów
Maksymalna liczba tokenów wyjściowych	32,000 tokenów
Wsparcie rozumowania	Konfigurowalny wysiłek rozumowania
Wywoływanie funkcji	Obsługiwane
Ustrukturyzowane wyjścia	Nieobsługiwane
Dostrajanie (fine-tuning)	Nieobsługiwane
Wejście wideo	Nieobsługiwane
Główny punkt końcowy API	Realtime API
Data odcięcia wiedzy	30 września 2024

Źródło: dokumentacja modelu OpenAI GPT-Realtime-2.1.

Czym jest GPT-Realtime-2.1?

GPT-Realtime-2.1 to zaawansowany, działający w czasie rzeczywistym model głosowy firmy OpenAI, zaprojektowany do tworzenia konwersacyjnych agentów AI, którzy potrafią słuchać, rozumować i naturalnie odpowiadać głosem.

W porównaniu z tradycyjnymi asystentami głosowymi opartymi na oddzielnych etapach rozpoznawania mowy, rozumienia języka oraz syntezy mowy, GPT-Realtime-2.1 zapewnia natywną interakcję mowa-do-mowy, umożliwiając rozmowy o niższej latencji, lepszą obsługę przerywania oraz lepsze rozumienie kontekstu.

Model jest zoptymalizowany pod kątem produkcyjnych aplikacji głosowych, w tym agentów obsługi klienta, asystentów AI, automatyzacji sprzedaży, platform edukacyjnych i interaktywnych doświadczeń głosowych.

Wydajność GPT-Realtime-2.1 w benchmarkach

Ulepszenia GPT-Realtime-2.1 koncentrują się na praktycznych metrykach interakcji w czasie rzeczywistym:

Zdolność	Ulepszenie
Obsługa przerywania głosu	Ulepszona
Odporność na hałas	Ulepszona
Rozpoznawanie ciągów alfanumerycznych	Ulepszone
Przepływy głosowe oparte na narzędziach	Obsługiwane
Interakcja mowa-do-mowy	Obsługiwana

Główne funkcje GPT-Realtime-2.1

1. Natywna interakcja mowa-do-mowy

GPT-Realtime-2.1 eliminuje konieczność używania oddzielnych potoków rozpoznawania mowy i syntezy mowy.

Tradycyjna architektura głosowa:

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

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

To zmniejsza latencję i poprawia płynność rozmowy.

2. Lepsza jakość rozmów głosowych

GPT-Realtime-2.1 poprawia kilka wyzwań rozmów głosowych w świecie rzeczywistym:

Lepsza obsługa przerywania

Użytkownicy mogą naturalnie przerywać AI w trakcie mówienia.

Przykład:

Użytkownik:

"Zarezerwuj mi lot do—właściwie zmień to na Tokio."

Model potrafi wyjść z takiej sytuacji i kontynuować rozmowę bez restartowania interakcji.

Lepsza obsługa ciszy i hałasu

Model jest zoptymalizowany do środowisk, w których jakość dźwięku jest niedoskonała:

Centra obsługi telefonicznej
Urządzenia mobilne
Przestrzenie publiczne
Urządzenia inteligentne

3. Zaawansowane użycie narzędzi przez agentów głosowych

GPT-Realtime-2.1 obsługuje wywoływanie narzędzi, pozwalając agentom głosowym wykonywać akcje.

Przykłady:

Obsługa klienta:

User:
"Where is my order?"

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

Przepływ w przedsiębiorstwie:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

Dzięki temu GPT-Realtime-2.1 nadaje się do autonomicznych agentów głosowych.

4. Konfigurowalna zdolność rozumowania

W przeciwieństwie do wcześniejszych modeli głosowych w czasie rzeczywistym, które były optymalizowane głównie pod kątem szybkości, GPT-Realtime-2.1 wprowadza konfigurowalny poziom rozumowania.

Deweloperzy mogą zrównoważyć:

Latencję odpowiedzi
Dokładność
Złożoność zadań

Niski poziom rozumowania:

Proste rozmowy
Asystenci FAQ

Wyższy poziom rozumowania:

Złożone prośby klientów
Wieloetapowe przepływy pracy
Operacje biznesowe

5. Lepsze rozpoznawanie liczb i informacji technicznych

Agenci głosowi często mają trudności z:

Numerami kont
Numerami seryjnymi
Adresami
Kodami produktów
Informacjami finansowymi

GPT-Realtime-2.1 poprawia rozpoznawanie danych alfanumerycznych, dzięki czemu lepiej nadaje się do systemów głosowych w przedsiębiorstwach.

6. Obsługa wejść multimodalnych

GPT-Realtime-2.1 obsługuje:

Wejście	Wsparcie
Tekst	✅
Audio	✅
Obraz	✅
Wideo	❌

Wejście obrazu umożliwia scenariusze takie jak:

Wizualne wsparcie klienta
Interpretacja dokumentów
Asystenci oparci na kamerze

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

Model	Mocna strona	Najlepsze zastosowanie
GPT-Realtime-2.1	Najlepsze rozumowanie w czasie rzeczywistym + możliwości agenta głosowego	Produkcyjni agenci głosowi
GPT-Realtime-2	Mocne rozumowanie głosowe w czasie rzeczywistym	Zaawansowane aplikacje konwersacyjne
GPT-4o Realtime	Szybka interakcja multimodalna	Ogólni asystenci głosowi

GPT-Realtime-2.1 vs GPT-Realtime-2

GPT-Realtime-2.1 ulepsza:

Odzyskiwanie po przerwaniu wypowiedzi
Obsługę hałasu
Dokładność rozpoznawania
Odporność konwersacyjną

Oba modele oferują:

Architekturę mowa-do-mowy
Wywoływanie narzędzi
Wsparcie rozumowania
Dostęp przez Realtime API

GPT-Realtime-2.1 vs GPT-4o Realtime

GPT-Realtime-2.1 jest pozycjonowany pod bardziej zaawansowane przepływy pracy agentów.

W porównaniu z GPT-4o Realtime:

Zdolność	GPT-Realtime-2.1	GPT-4o Realtime
Rozumowanie	Silniejsze	Ogólne
Kontekst	128K	32K
Użycie narzędzi	Obsługiwane	Obsługiwane
Agenci głosowi	Zaawansowani	Ogólni
Złożone przepływy pracy	Lepiej dopasowany	Odpowiedni

Jak używać API GPT-Realtime-2.1 z CometAPI

GPT-Realtime-2.1 jest projektowany do agentów głosowych o niskiej latencji. Obsługuje interakcję mowa-do-mowy w czasie rzeczywistym, wejście/wyjście audio, wejście obrazu, konfigurowalny poziom rozumowania oraz wywoływanie funkcji dla przepływów głosowych z narzędziami. OpenAI udostępnia go przez Realtime API, w tym metody komunikacji w czasie rzeczywistym oparte na WebRTC, WebSocket i SIP.

CometAPI zapewnia zunifikowaną warstwę API do integracji zaawansowanych modeli AI, pozwalając deweloperom uzyskać dostęp do przepływów w stylu GPT-Realtime-2.1 bez utrzymywania oddzielnej autentykacji dostawców, logiki SDK i infrastruktury.

Krok 1: Uzyskaj klucz API CometAPI

Utwórz konto CometAPI i wygeneruj token API w konsoli deweloperskiej.

Twoje żądanie API powinno zawierać:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

Klucz API uwierzytelnia Twoje żądania i pozwala Twojej aplikacji wywoływać dostępne modele AI przez CometAPI.

Krok 2: Utwórz sesję GPT-Realtime-2.1

GPT-Realtime-2.1 działa poprzez utrzymywaną sesję w czasie rzeczywistym zamiast tradycyjnego, żądaniowo-odpowiedziowego czatu.

Sesja w czasie rzeczywistym utrzymuje:

Strumień wejściowy audio
Odpowiedzi modelu
Stan rozmowy
Wywołania narzędzi
Przerwania

Realtime API firmy OpenAI obsługuje komunikację w czasie rzeczywistym poprzez interfejsy WebRTC, WebSocket i SIP.

Przykład:

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."
}
'

Przykładowa odpowiedź:

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

Krok 3: Wyślij wejście audio do GPT-Realtime-2.1

Po utworzeniu sesji strumieniuj audio użytkownika.

Przykładowy przepływ:

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

Wejście audio może obejmować:

Rozmowy telefoniczne
Komendy głosowe
Połączenia wsparcia klienta
Interaktywne asystenty

W porównaniu z wcześniejszymi modelami w czasie rzeczywistym, GPT-Realtime-2.1 poprawia interakcję głosową dzięki lepszej detekcji ciszy, obsłudze hałasu i zachowaniu podczas przerywania.

Krok 4: Odbieraj odpowiedzi audio w czasie rzeczywistym

Model zwraca generowane odpowiedzi audio przez połączenie w czasie rzeczywistym.

Przykładowe zdarzenie:

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

Twoja aplikacja może natychmiast odtwarzać otrzymane fragmenty audio.

Typowe implementacje:

Aplikacje głosowe WebRTC
Asystenci przeglądarkowi
Mobilne aplikacje głosowe
Telefoniczni agenci AI

Krok 5: Dodaj wywoływanie funkcji dla agentów głosowych

GPT-Realtime-2.1 obsługuje wywoływanie funkcji, co pozwala agentom głosowym wykonywać działania zewnętrzne.

Przykład:

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

Możliwe przepływy agentów głosowych:

"Gdzie jest moja paczka?"
"Zarezerwuj mi spotkanie na jutro."
"Anuluj moją subskrypcję."
"Sprawdź mój stan konta."

Model potrafi rozpoznać żądanie, wywołać odpowiednie narzędzie i naturalnie kontynuować rozmowę.

Krok 6: Skonfiguruj rozumowanie i instrukcje

GPT-Realtime-2.1 obsługuje konfigurowalny poziom rozumowania.

Przykład:

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

Zalecane ustawienia:

Aplikacja	Poziom rozumowania
Proste polecenia głosowe	Niski
Obsługa klienta	Średni
Złożeni agenci przepływów pracy	Wysoki

FAQ

API

Skopiuj działający endpoint i przykładowy kod, a następnie otwórz pełną dokumentację API, gdy potrzebujesz wszystkich parametrów.

Jedno API, dostęp do modeli gotowy do produkcji

Uwierzytelnij się raz, wywołuj endpoint modelu i zachowaj ten sam proces rozliczeń i monitorowania u różnych dostawców.

GET/v1/realtime

Przykładowy kod i API dla GPT-Realtime-2.1

Uzyskaj dostęp do kompleksowego przykładowego kodu i zasobów API dla GPT-Realtime-2.1, aby usprawnić proces integracji. Nasza szczegółowa dokumentacja zapewnia wskazówki krok po kroku, pomagając wykorzystać pełny potencjał GPT-Realtime-2.1 w Twoich projektach.

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;
});

Możliwości

Sprawdź kluczowe informacje o modelu przed wyborem architektury lub oszacowaniem obciążenia produkcyjnego.

Obsługiwane możliwości

Funkcje zwracane przez istniejące API modelu.

text-to-speech

Wejście i wyjście

Wejścia

text

Wyjścia

audio

Profil produkcyjny

Dostawca: OpenAI
Kontekst: Zależnie od modelu
Użycie komercyjne: Obsługiwane

Przypadki użycia

Używaj GPT-Realtime-2.1 w procesach produkcyjnych odpowiadających możliwościom audio, a następnie porównaj alternatywy przed długoterminową integracją.

Generowanie mowy, muzyki i dźwięku

Doświadczenia głosowe i produkcja mediów

Zautomatyzowane przepływy pracy audio na dużą skalę

Inne modele

Porównaj inne modele dostępne w CometAPI pod względem jakości, opóźnienia, możliwości i ceny.

Otwórz porównanie modeli →

ElevenLabs

Eleven V4

Eleven v4 to ekspresyjny model syntezy mowy ElevenLabs, zaprojektowany do generowania naturalnie brzmiącej mowy z bogatą ekspresją emocjonalną, świadomością kontekstu i wysoką spójnością głosu.

Zobacz model

ElevenLabs

ElevenLabs Voice Dubbing

Poznaj API modelu ElevenLabs Voice Dubbing.

Zobacz model

ElevenLabs

ElevenLabs Voice Isolation

Poznaj API modelu ElevenLabs Voice Isolation.

Zobacz model

Bytedance

Seed Audio

Poznaj API modelu Seed Audio.

Zobacz model

OpenAI

GPT-4o mini Audio

GPT-4o mini Audio to multimodalny model do interakcji głosowych i tekstowych. Wykonuje rozpoznawanie mowy, tłumaczenie i syntezę mowy, stosuje się do instrukcji oraz może wywoływać narzędzia do realizacji ustrukturyzowanych działań z odpowiedziami strumieniowymi. Typowe zastosowania obejmują asystentów głosowych w czasie rzeczywistym, napisy i tłumaczenia na żywo, podsumowywanie połączeń oraz aplikacje sterowane głosem. Najważniejsze cechy techniczne obejmują wejście i wyjście audio, odpowiedzi strumieniowe, wywoływanie funkcji oraz ustrukturyzowane wyjście JSON.

Zobacz model

OpenAI

GPT-4o Transcribe

GPT-4o Transcribe to model konwersji audio na tekst do wielojęzycznego rozpoznawania mowy o niskich opóźnieniach. Obsługuje strumieniowanie w czasie rzeczywistym i transkrypcję wsadową z popularnych formatów audio, z dodawaniem interpunkcji i segmentacją zdań. Typowe zastosowania obejmują napisy na żywo, wejście dla asystentów głosowych, notatki ze spotkań oraz transkrypcję nagrań medialnych lub połączeń. Najważniejsze cechy techniczne obejmują obsługę danych audio, przetwarzanie długich nagrań oraz interfejsy API dostosowane do interaktywnych i serwerowych przepływów pracy.

Zobacz model

Czas działania

Sprawdź dane heartbeat na żywo, dostępność endpointu i zaobserwowane czasy odpowiedzi przed przejściem do produkcji.

Czas działania

Wskaźnik sukcesu żądań z ostatnich 30 dni, odzwierciedlający niezawodność każdego dostawcy modelu. CometAPI monitoruje wszystkich podłączonych dostawców w czasie rzeczywistym przez całą dobę.

Respond

2010msAvg. Response

Uptime

70.2%Avg. Uptime

Wersje

Sprawdź dostępne identyfikatory modeli przed ustaleniem integracji produkcyjnej.

gpt-realtime-2.1

gpt-realtime-2.1-mini

Aktualizacje

Śledź istotne zmiany dotyczące dostępności, cen i możliwości GPT-Realtime-2.1, zachowując stabilną stronę modelu.

Dziennik zmian modelu

Jedna strona, która z czasem staje się coraz lepsza.

Informacje o wydaniach, zmiany cen, aktualizacje wyników benchmarków i wskazówki dotyczące migracji gromadzą się tutaj, a kanoniczny adres URL pozostaje niezmieniony.

Aug 7, 2026

Dostępność API potwierdzona

GPT-Realtime-2.1 jest dostępny w katalogu modeli CometAPI i dokumentacji API.

Aktualny

Aktualne dane

Ceny i limity zsynchronizowane z katalogiem

Cena, kontekst, dostępność i limity są traktowane jako właściwości dynamiczne, a nie jako elementy tytułu strony lub tożsamości modelu.

Aug 7, 2026

Utworzono trwałą encję modelu

Dostawca i slug modelu tworzą trwały kanoniczny adres URL; przyszłe aktualizacje treści i danych pozostaną na tej stronie.

Kontynuuj eksplorację

Porównuj modele i kontynuuj swoje badania

OpenAI

Dostępny

gpt-realtime-2.1

GPT-Realtime-2.1 API

Cena początkowa

$3.20 / 1 mln tokenów wejściowych

Rozliczenie za zużycie

Stan API

Dostępny

Endpoint produkcyjny

Czas odpowiedzi

Gotowe na async

Zaobserwowany czas odpowiedzi API

Data wydania

Aug 7, 2026

OpenAI

Cennik

Skorzystaj z powyższego szybkiego oszacowania dla pojedynczego uruchomienia, a następnie sprawdź pełne porównanie cen CometAPI i cen oficjalnych.

Pierwsze żądanie

$0.0224

Szacowany koszt korzystania z CometAPI

Dziesięć żądań

$0.2240

Szacowany koszt korzystania z CometAPI

Piętnaście żądań

$0.3360

Szacowany koszt korzystania z CometAPI

⇌

Przeliczanie kredytów

1000 kredytów = 1 USD

Kredyty umożliwiają porównywanie budżetów w ramach rozliczeń za tokeny, żądania i czas działania. Kwota w USD pozostaje podstawą rozliczenia podczas finalizacji zakupu.

✓Bieżący model w kredytach

Dane wejściowe

3,200

kredytów / 1 mln tokenów

Dane wyjściowe

19,200

kredytów / 1 mln tokenów

Model	Cena Comet (USD / mln tokenów)	Cena oficjalna (USD / mln tokenów)	Rabat
gpt-realtime-2.1	Dane wejściowe: $3.20/mln Dane wyjściowe: $19.20/mln	Dane wejściowe: $4.00/mln Dane wyjściowe: $24.00/mln	-20%
gpt-realtime-2.1-mini	Dane wejściowe: $0.4800/mln Dane wyjściowe: $2.88/mln	Dane wejściowe: $0.6000/mln Dane wyjściowe: $3.60/mln	-20%

Opis modelu

Stabilna tożsamość modelu na potrzeby wyszukiwania i oceny, połączona z aktualnymi danymi katalogowymi, które mogą się zmieniać bez przebudowy podstawowej struktury SEO strony.

Stabilna tożsamość

Czym jest GPT-Realtime-2.1?

Kanoniczna tożsamość modelu pozostaje stabilna, nawet gdy zmieniają się ceny i limity.

Aktualne dane modelu

Aktualny obraz katalogu

Dostępność

Dostępny

Cena od

$3.20 / 1 mln tokenów wejściowych

Kontekst

Zobacz możliwości

Data katalogu

Aug 7, 2026

Przegląd

Praktyczny przegląd GPT-Realtime-2.1, obejmujący ważne zachowania i uwagi dotyczące integracji.

Specyfikacja techniczna GPT-Realtime-2.1

Specyfikacja	Szczegóły
Nazwa modelu	GPT-Realtime-2.1
Dostawca	OpenAI
Rodzina modeli	seria GPT-Realtime
Typ modelu	Realtime, multimodalny model rozumowania głosowego
Główna zdolność	Agenci AI mowa-do-mowy
Modalności wejściowe	Tekst, audio, obraz
Modalności wyjściowe	Tekst, audio
Okno kontekstu	128,000 tokenów
Maksymalna liczba tokenów wyjściowych	32,000 tokenów
Wsparcie rozumowania	Konfigurowalny wysiłek rozumowania
Wywoływanie funkcji	Obsługiwane
Ustrukturyzowane wyjścia	Nieobsługiwane
Dostrajanie (fine-tuning)	Nieobsługiwane
Wejście wideo	Nieobsługiwane
Główny punkt końcowy API	Realtime API
Data odcięcia wiedzy	30 września 2024

Źródło: dokumentacja modelu OpenAI GPT-Realtime-2.1.

Czym jest GPT-Realtime-2.1?

Wydajność GPT-Realtime-2.1 w benchmarkach

Ulepszenia GPT-Realtime-2.1 koncentrują się na praktycznych metrykach interakcji w czasie rzeczywistym:

Zdolność	Ulepszenie
Obsługa przerywania głosu	Ulepszona
Odporność na hałas	Ulepszona
Rozpoznawanie ciągów alfanumerycznych	Ulepszone
Przepływy głosowe oparte na narzędziach	Obsługiwane
Interakcja mowa-do-mowy	Obsługiwana

Główne funkcje GPT-Realtime-2.1

1. Natywna interakcja mowa-do-mowy

GPT-Realtime-2.1 eliminuje konieczność używania oddzielnych potoków rozpoznawania mowy i syntezy mowy.

Tradycyjna architektura głosowa:

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

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

To zmniejsza latencję i poprawia płynność rozmowy.

2. Lepsza jakość rozmów głosowych

GPT-Realtime-2.1 poprawia kilka wyzwań rozmów głosowych w świecie rzeczywistym:

Lepsza obsługa przerywania

Użytkownicy mogą naturalnie przerywać AI w trakcie mówienia.

Przykład:

Użytkownik:

"Zarezerwuj mi lot do—właściwie zmień to na Tokio."

Model potrafi wyjść z takiej sytuacji i kontynuować rozmowę bez restartowania interakcji.

Lepsza obsługa ciszy i hałasu

Model jest zoptymalizowany do środowisk, w których jakość dźwięku jest niedoskonała:

Centra obsługi telefonicznej
Urządzenia mobilne
Przestrzenie publiczne
Urządzenia inteligentne

3. Zaawansowane użycie narzędzi przez agentów głosowych

GPT-Realtime-2.1 obsługuje wywoływanie narzędzi, pozwalając agentom głosowym wykonywać akcje.

Przykłady:

Obsługa klienta:

User:
"Where is my order?"

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

Przepływ w przedsiębiorstwie:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

Dzięki temu GPT-Realtime-2.1 nadaje się do autonomicznych agentów głosowych.

4. Konfigurowalna zdolność rozumowania

Deweloperzy mogą zrównoważyć:

Latencję odpowiedzi
Dokładność
Złożoność zadań

Niski poziom rozumowania:

Proste rozmowy
Asystenci FAQ

Wyższy poziom rozumowania:

Złożone prośby klientów
Wieloetapowe przepływy pracy
Operacje biznesowe

5. Lepsze rozpoznawanie liczb i informacji technicznych

Agenci głosowi często mają trudności z:

Numerami kont
Numerami seryjnymi
Adresami
Kodami produktów
Informacjami finansowymi

GPT-Realtime-2.1 poprawia rozpoznawanie danych alfanumerycznych, dzięki czemu lepiej nadaje się do systemów głosowych w przedsiębiorstwach.

6. Obsługa wejść multimodalnych

GPT-Realtime-2.1 obsługuje:

Wejście	Wsparcie
Tekst	✅
Audio	✅
Obraz	✅
Wideo	❌

Wejście obrazu umożliwia scenariusze takie jak:

Wizualne wsparcie klienta
Interpretacja dokumentów
Asystenci oparci na kamerze

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

Model	Mocna strona	Najlepsze zastosowanie
GPT-Realtime-2.1	Najlepsze rozumowanie w czasie rzeczywistym + możliwości agenta głosowego	Produkcyjni agenci głosowi
GPT-Realtime-2	Mocne rozumowanie głosowe w czasie rzeczywistym	Zaawansowane aplikacje konwersacyjne
GPT-4o Realtime	Szybka interakcja multimodalna	Ogólni asystenci głosowi

GPT-Realtime-2.1 vs GPT-Realtime-2

GPT-Realtime-2.1 ulepsza:

Odzyskiwanie po przerwaniu wypowiedzi
Obsługę hałasu
Dokładność rozpoznawania
Odporność konwersacyjną

Oba modele oferują:

Architekturę mowa-do-mowy
Wywoływanie narzędzi
Wsparcie rozumowania
Dostęp przez Realtime API

GPT-Realtime-2.1 vs GPT-4o Realtime

GPT-Realtime-2.1 jest pozycjonowany pod bardziej zaawansowane przepływy pracy agentów.

W porównaniu z GPT-4o Realtime:

Zdolność	GPT-Realtime-2.1	GPT-4o Realtime
Rozumowanie	Silniejsze	Ogólne
Kontekst	128K	32K
Użycie narzędzi	Obsługiwane	Obsługiwane
Agenci głosowi	Zaawansowani	Ogólni
Złożone przepływy pracy	Lepiej dopasowany	Odpowiedni

Jak używać API GPT-Realtime-2.1 z CometAPI

Krok 1: Uzyskaj klucz API CometAPI

Utwórz konto CometAPI i wygeneruj token API w konsoli deweloperskiej.

Twoje żądanie API powinno zawierać:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

Klucz API uwierzytelnia Twoje żądania i pozwala Twojej aplikacji wywoływać dostępne modele AI przez CometAPI.

Krok 2: Utwórz sesję GPT-Realtime-2.1

GPT-Realtime-2.1 działa poprzez utrzymywaną sesję w czasie rzeczywistym zamiast tradycyjnego, żądaniowo-odpowiedziowego czatu.

Sesja w czasie rzeczywistym utrzymuje:

Strumień wejściowy audio
Odpowiedzi modelu
Stan rozmowy
Wywołania narzędzi
Przerwania

Realtime API firmy OpenAI obsługuje komunikację w czasie rzeczywistym poprzez interfejsy WebRTC, WebSocket i SIP.

Przykład:

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."
}
'

Przykładowa odpowiedź:

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

Krok 3: Wyślij wejście audio do GPT-Realtime-2.1

Po utworzeniu sesji strumieniuj audio użytkownika.

Przykładowy przepływ:

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

Wejście audio może obejmować:

Rozmowy telefoniczne
Komendy głosowe
Połączenia wsparcia klienta
Interaktywne asystenty

W porównaniu z wcześniejszymi modelami w czasie rzeczywistym, GPT-Realtime-2.1 poprawia interakcję głosową dzięki lepszej detekcji ciszy, obsłudze hałasu i zachowaniu podczas przerywania.

Krok 4: Odbieraj odpowiedzi audio w czasie rzeczywistym

Model zwraca generowane odpowiedzi audio przez połączenie w czasie rzeczywistym.

Przykładowe zdarzenie:

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

Twoja aplikacja może natychmiast odtwarzać otrzymane fragmenty audio.

Typowe implementacje:

Aplikacje głosowe WebRTC
Asystenci przeglądarkowi
Mobilne aplikacje głosowe
Telefoniczni agenci AI

Krok 5: Dodaj wywoływanie funkcji dla agentów głosowych

GPT-Realtime-2.1 obsługuje wywoływanie funkcji, co pozwala agentom głosowym wykonywać działania zewnętrzne.

Przykład:

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

Możliwe przepływy agentów głosowych:

"Gdzie jest moja paczka?"
"Zarezerwuj mi spotkanie na jutro."
"Anuluj moją subskrypcję."
"Sprawdź mój stan konta."

Model potrafi rozpoznać żądanie, wywołać odpowiednie narzędzie i naturalnie kontynuować rozmowę.

Krok 6: Skonfiguruj rozumowanie i instrukcje

GPT-Realtime-2.1 obsługuje konfigurowalny poziom rozumowania.

Przykład:

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

Zalecane ustawienia:

Aplikacja	Poziom rozumowania
Proste polecenia głosowe	Niski
Obsługa klienta	Średni
Złożeni agenci przepływów pracy	Wysoki

FAQ

API

Skopiuj działający endpoint i przykładowy kod, a następnie otwórz pełną dokumentację API, gdy potrzebujesz wszystkich parametrów.

Jedno API, dostęp do modeli gotowy do produkcji

Uwierzytelnij się raz, wywołuj endpoint modelu i zachowaj ten sam proces rozliczeń i monitorowania u różnych dostawców.

GET/v1/realtime

Przykładowy kod i API dla 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;
});

Możliwości

Sprawdź kluczowe informacje o modelu przed wyborem architektury lub oszacowaniem obciążenia produkcyjnego.

Obsługiwane możliwości

Funkcje zwracane przez istniejące API modelu.

text-to-speech

Wejście i wyjście

Wejścia

text

Wyjścia

audio

Profil produkcyjny

Dostawca: OpenAI
Kontekst: Zależnie od modelu
Użycie komercyjne: Obsługiwane

Przypadki użycia

Używaj GPT-Realtime-2.1 w procesach produkcyjnych odpowiadających możliwościom audio, a następnie porównaj alternatywy przed długoterminową integracją.

Generowanie mowy, muzyki i dźwięku

Doświadczenia głosowe i produkcja mediów

Zautomatyzowane przepływy pracy audio na dużą skalę

Inne modele

Porównaj inne modele dostępne w CometAPI pod względem jakości, opóźnienia, możliwości i ceny.

Otwórz porównanie modeli →

ElevenLabs Voice Dubbing

Poznaj API modelu ElevenLabs Voice Dubbing.

Zobacz model

ElevenLabs

ElevenLabs Voice Isolation

Poznaj API modelu ElevenLabs Voice Isolation.

Zobacz model

Bytedance

Seed Audio

Poznaj API modelu Seed Audio.

Czas działania

Sprawdź dane heartbeat na żywo, dostępność endpointu i zaobserwowane czasy odpowiedzi przed przejściem do produkcji.

Czas działania

Respond

2010msAvg. Response

Uptime

70.2%Avg. Uptime

Wersje

Sprawdź dostępne identyfikatory modeli przed ustaleniem integracji produkcyjnej.

gpt-realtime-2.1

gpt-realtime-2.1-mini

Aktualizacje

Śledź istotne zmiany dotyczące dostępności, cen i możliwości GPT-Realtime-2.1, zachowując stabilną stronę modelu.

Dziennik zmian modelu

Jedna strona, która z czasem staje się coraz lepsza.

Informacje o wydaniach, zmiany cen, aktualizacje wyników benchmarków i wskazówki dotyczące migracji gromadzą się tutaj, a kanoniczny adres URL pozostaje niezmieniony.

Aug 7, 2026

Dostępność API potwierdzona

GPT-Realtime-2.1 jest dostępny w katalogu modeli CometAPI i dokumentacji API.

Aktualny

Aktualne dane

Ceny i limity zsynchronizowane z katalogiem

Cena, kontekst, dostępność i limity są traktowane jako właściwości dynamiczne, a nie jako elementy tytułu strony lub tożsamości modelu.

Aug 7, 2026

Utworzono trwałą encję modelu

Dostawca i slug modelu tworzą trwały kanoniczny adres URL; przyszłe aktualizacje treści i danych pozostaną na tej stronie.

Kontynuuj eksplorację