کون سی صنعتیں GPT-Realtime-2.1 API استعمال کر سکتی ہیں؟

GPT-Realtime-2.1 کسٹمر سروس، سیلز آٹومیشن، ہیلتھ کیئر اسسٹنٹس، ایجوکیشن پلیٹ فارمز اور سمارٹ ڈیوائس ایپلیکیشنز کے لیے موزوں ہے۔

کیا GPT-Realtime-2.1 فنکشن کالنگ کی حمایت کرتا ہے؟

جی ہاں۔ GPT-Realtime-2.1 ٹول کے استعمال اور فنکشن کالنگ کی حمایت کرتا ہے، جو وائس ایجنٹس کو گفتگو کے دوران بیرونی کارروائیاں انجام دینے کی اجازت دیتا ہے۔

GPT-Realtime-2.1 کا کانٹیکسٹ ونڈو کتنا بڑا ہے؟

GPT-Realtime-2.1 128,000 ٹوکنز کے کانٹیکسٹ ونڈو اور 32,000 تک آؤٹ پٹ ٹوکنز کی حمایت کرتا ہے۔

کیا GPT-Realtime-2.1 API ریئل ٹائم وائس اسسٹنٹس بنا سکتی ہے؟

جی ہاں۔ GPT-Realtime-2.1 اسپیچ-ٹو-اسپیچ ایپلیکیشنز کے لیے ڈیزائن کیا گیا ہے اور ڈیولپرز کو کم تاخیر والے گفتگوئی وائس ایجنٹس بنانے کے قابل بناتا ہے۔

GPT-Realtime-2.1 کن اِن پٹ اور آؤٹ پٹ طریقوں کی حمایت کرتا ہے؟

GPT-Realtime-2.1 متن اور آڈیو اِن پٹ/آؤٹ پٹ کے ساتھ تصویری اِن پٹ کی حمایت کرتا ہے، لیکن ویڈیو اِن پٹ کی حمایت نہیں کرتا۔

GPT-Realtime-2 کے مقابلے میں GPT-Realtime-2.1 میں کیا بہتریاں ہیں؟

GPT-Realtime-2.1 حروف و اعداد کی شناخت، خاموشی کو سنبھالنے، شور کے مقابل مضبوطی، اور مداخلت کی ہینڈلنگ میں بہتری لاتا ہے، جبکہ ریئل ٹائم استدلال اور ٹول کے استعمال کی صلاحیتیں برقرار رکھتا ہے۔

ڈیولپرز کو GPT-4o Realtime API کے بجائے GPT-Realtime-2.1 کب منتخب کرنا چاہیے؟

ڈیولپرز کو GPT-Realtime-2.1 اُن ایڈوانسڈ وائس ایجنٹس کے لیے منتخب کرنا چاہیے جنہیں زیادہ مضبوط استدلال، ٹول ایکزیکیوشن، اور پیچیدہ گفتگوئی ورک فلو درکار ہوں۔

OpenAI

دستیاب

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.

ابتدائی قیمت

$3.20 / 10 لاکھ ان پٹ ٹوکنز

استعمال کی بنیاد پر بلنگ

API کی حالت

دستیاب

پروڈکشن اینڈ پوائنٹ

جوابی وقت

ایسنک کے لیے تیار

مشاہدہ شدہ API جوابی وقت

جاری کیا گیا

Aug 6, 2026

OpenAI

خلاصہ

GPT-Realtime-2.1 کا ایک عملی جائزہ، جس میں اہم رویہ اور انضمام کے نکات شامل ہیں۔

GPT-Realtime-2.1 کی تکنیکی خصوصیات

Specification	Details
Model name	GPT-Realtime-2.1
Provider	OpenAI
Model family	GPT-Realtime سیریز
Model type	ریئل ٹائم ملٹی موڈل وائس ریزننگ ماڈل
Primary capability	اسپیچ ٹو اسپیچ AI ایجنٹس
Input modalities	متن، آڈیو، امیج
Output modalities	متن، آڈیو
Context window	128,000 ٹوکنز
Maximum output tokens	32,000 ٹوکنز
Reasoning support	قابلِ تشکیل استدلالی کوشش
Function calling	سپورٹڈ
Structured outputs	نان سپورٹڈ
Fine-tuning	نان سپورٹڈ
Video input	نان سپورٹڈ
Main API endpoint	Realtime API
Knowledge cutoff	September 30, 2024

ماخذ: OpenAI GPT-Realtime-2.1 ماڈل دستاویزات۔

GPT-Realtime-2.1 کیا ہے؟

GPT-Realtime-2.1 OpenAI کا ایک جدید ریئل ٹائم وائس ماڈل ہے جو ایسے مکالماتی AI ایجنٹس بنانے کے لیے ڈیزائن کیا گیا ہے جو آڈیو کے ذریعے سن سکیں، دلیل دے سکیں، اور قدرتی انداز میں جواب دے سکیں۔

روایتی وائس اسسٹنٹس جو الگ الگ اسپیچ ریکگنیشن، لینگویج انڈرسٹینڈنگ، اور ٹیکسٹ ٹو اسپیچ پائپ لائنز پر انحصار کرتے ہیں، ان کے مقابلے میں GPT-Realtime-2.1 نیٹو اسپیچ ٹو اسپیچ انٹریکشن فراہم کرتا ہے، جس سے کم لیٹِنسی کے ساتھ بہتر انٹراپشن ہینڈلنگ اور سیاقی فہم حاصل ہوتی ہے۔

یہ ماڈل پروڈکشن وائس ایپلی کیشنز کے لیے بہتر بنایا گیا ہے، جن میں کسٹمر سروس ایجنٹس، AI اسسٹنٹس، سیلز آٹومیشن، تعلیمی پلیٹ فارمز، اور انٹرایکٹو وائس ایکسپیرینسز شامل ہیں۔

GPT-Realtime-2.1 بینچ مارک کارکردگی

GPT-Realtime-2.1 کی بہتریاں عملی ریئل ٹائم انٹریکشن میٹرکس پر مرکوز ہیں:

Capability	Improvement
Voice interruption handling	بہتر
Noise robustness	بہتر
Alphanumeric recognition	بہتر
Tool-based voice workflows	سپورٹڈ
Speech-to-speech interaction	سپورٹڈ

GPT-Realtime-2.1 کی اہم خصوصیات

1. بلٹ اِن اسپیچ ٹو اسپیچ انٹریکشن

GPT-Realtime-2.1 میں الگ اسپیچ ریکگنیشن اور ٹیکسٹ ٹو اسپیچ پائپ لائنز کی ضرورت ختم ہو جاتی ہے۔

Traditional voice architecture:

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

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

اس سے لیٹِنسی کم ہوتی ہے اور گفتگو کے بہاؤ میں بہتری آتی ہے۔

2. وائس گفتگو کے معیار میں بہتری

GPT-Realtime-2.1 حقیقی دنیا کے متعدد وائس چیلنجز کو بہتر بناتا ہے:

بہتر انٹرپشن ہینڈلنگ

صارف ماڈل کے بولتے وقت قدرتی طور پر مداخلت کر سکتا ہے۔

Example:

User:

"میرے لیے ایک فلائٹ بُک کریں—دراصل اسے ٹوکیو کر دیں۔"

ماڈل گفتگو میں تبدیلی کو سنبھال سکتا ہے اور انٹریکشن دوبارہ شروع کیے بغیر بحال رہتا ہے۔

خاموشی اور شور کی بہتر ہینڈلنگ

یہ ماڈل ایسے ماحول کے لیے بہتر بنایا گیا ہے جہاں آڈیو کوالٹی کامل نہ ہو:

کال سینٹرز
موبائل ڈیوائسز
عوامی مقامات
اسمارٹ ڈیوائسز

3. ایڈوانسڈ وائس ایجنٹ ٹول استعمال

GPT-Realtime-2.1 ٹول کالنگ کو سپورٹ کرتا ہے، جس سے وائس ایجنٹس اعمال انجام دے سکتے ہیں۔

Examples:

کسٹمر سروس:

User:
"Where is my order?"

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

انٹرپرائز ورک فلو:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

یہ GPT-Realtime-2.1 کو خودکار وائس ایجنٹس کے لیے موزوں بناتا ہے۔

4. قابلِ تشکیل استدلالی صلاحیت

پہلے کے ریئل ٹائم وائس ماڈلز جو بنیادی طور پر رفتار کے لیے بہتر بنائے گئے تھے، ان کے برعکس GPT-Realtime-2.1 قابلِ تشکیل استدلالی کوشش متعارف کراتا ہے۔

ڈویلپرز درج ذیل کے درمیان توازن قائم کر سکتے ہیں:

ریسپانس لیٹِنسی
درستی
ٹاسک کی پیچیدگی

کم استدلال:

سادہ گفتگو
FAQ اسسٹنٹس

زیادہ استدلال:

پیچیدہ کسٹمر درخواستیں
ملٹی اسٹیپ ورک فلو
بزنس آپریشنز

5. نمبروں اور تکنیکی معلومات کی بہتر شناخت

وائس ایجنٹس کو عموماً ان میں مشکل پیش آتی ہے:

اکاؤنٹ نمبرز
سیریل نمبرز
پتے
پروڈکٹ کوڈز
مالی معلومات

GPT-Realtime-2.1 حروف و اعداد (alphanumeric) کی شناخت بہتر بناتا ہے، جس سے یہ انٹرپرائز وائس سسٹمز کے لیے زیادہ موزوں ہو جاتا ہے۔

6. ملٹی موڈل ان پٹ سپورٹ

GPT-Realtime-2.1 سپورٹ کرتا ہے:

Input	Support
متن	✅
آڈیو	✅
امیج	✅
ویڈیو	❌

امیج ان پٹ ان منظرناموں کو ممکن بناتا ہے جیسے:

بصری کسٹمر سپورٹ
دستاویز کی تشریح
کیمرہ پر مبنی اسسٹنٹس

GPT-Realtime-2.1 بمقابلہ GPT-Realtime-2 بمقابلہ GPT-4o Realtime

Model	Strength	Best Use
GPT-Realtime-2.1	بہترین ریئل ٹائم ریزننگ + وائس ایجنٹ کی صلاحیت	پروڈکشن وائس ایجنٹس
GPT-Realtime-2	مضبوط ریئل ٹائم وائس ریزننگ	ایڈوانسڈ گفتگوئی ایپس
GPT-4o Realtime	تیز ملٹی موڈل انٹریکشن	جنرل وائس اسسٹنٹس

GPT-Realtime-2.1 بمقابلہ GPT-Realtime-2

GPT-Realtime-2.1 میں بہتریاں:

وائس انٹرپشن ریکوری
شور کی ہینڈلنگ
شناخت کی درستی
گفتگو میں مضبوطی

دونوں ماڈلز میں مشترک:

اسپیچ ٹو اسپیچ آرکیٹیکچر
ٹول کالنگ
ریزننگ سپورٹ
Realtime API تک رسائی

GPT-Realtime-2.1 بمقابلہ GPT-4o Realtime

GPT-Realtime-2.1 زیادہ ایڈوانسڈ ایجنٹ ورک فلو کے لیے پوزیشن کیا گیا ہے۔

GPT-4o Realtime کے مقابلے میں:

Capability	GPT-Realtime-2.1	GPT-4o Realtime
Reasoning	زیادہ مضبوط	جنرل
Context	128K	32K
Tool use	سپورٹڈ	سپورٹڈ
Voice agents	ایڈوانسڈ	جنرل
Complex workflows	زیادہ موزوں	موزوں

CometAPI کے ساتھ GPT-Realtime-2.1 API کا استعمال کیسے کریں

GPT-Realtime-2.1 کم لیٹِنسی والے وائس ایجنٹ ایپلی کیشنز کے لیے ڈیزائن کیا گیا ہے۔ یہ ریئل ٹائم اسپیچ ٹو اسپیچ انٹریکشن، آڈیو ان پٹ/آؤٹ پٹ، امیج ان پٹ، قابلِ تشکیل استدلالی کوشش، اور ٹول اینیبلڈ وائس ورک فلو کے لیے فنکشن کالنگ کو سپورٹ کرتا ہے۔ OpenAI اسے Realtime API کے ذریعے ایکسپوز کرتا ہے، جس میں WebRTC، WebSocket، اور SIP پر مبنی ریئل ٹائم کمیونیکیشن میتھڈز شامل ہیں۔

CometAPI ایک یکجا API لیئر فراہم کرتا ہے جس کے ذریعے ڈویلپرز ایڈوانسڈ AI ماڈلز کو یکجا کر سکتے ہیں، اور الگ الگ پرووائیڈر آتھنٹیکیشن، SDK لاجک، اور انفراسٹرکچر کو برقرار رکھنے کی ضرورت نہیں رہتی۔

مرحلہ 1: اپنا CometAPI API Key حاصل کریں

ایک CometAPI اکاؤنٹ بنائیں اور ڈویلپر کنسول سے ایک API ٹوکن جنریٹ کریں۔

آپ کی API ریکویسٹ میں یہ شامل ہونا چاہیے:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

API key آپ کی ریکویسٹس کی تصدیق کرتی ہے اور آپ کی ایپلی کیشن کو CometAPI کے ذریعے دستیاب AI ماڈلز کال کرنے دیتی ہے۔

مرحلہ 2: GPT-Realtime-2.1 سیشن بنائیں

GPT-Realtime-2.1 روایتی ریکویسٹ-ریسپانس چیٹ کمپلیشن کے بجائے مستقل ریئل ٹائم سیشن کے ذریعے کام کرتا ہے۔

ایک ریئل ٹائم سیشن برقرار رکھتا ہے:

آڈیو ان پٹ اسٹریم
ماڈل کے جوابات
گفتگو کی حالت
ٹول کالز
مداخلتیں

OpenAI کا Realtime API WebRTC، WebSocket، اور SIP کے ذریعے ریئل ٹائم کمیونیکیشن کو سپورٹ کرتا ہے۔

مثال:

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."
}
'

مثالی جواب:

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

مرحلہ 3: GPT-Realtime-2.1 کو آڈیو ان پٹ بھیجیں

سیشن بنانے کے بعد، صارف کی آڈیو کو اسٹریم کریں۔

مثالی ورک فلو:

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

آڈیو ان پٹ ان چیزوں پر مشتمل ہو سکتا ہے:

فون گفتگو
وائس کمانڈز
کسٹمر سپورٹ کالز
انٹرایکٹو اسسٹنٹس

GPT-Realtime-2.1 خاموشی کی دریافت، شور کی ہینڈلنگ، اور انٹرپشن رویے میں پہلے کے ریئل ٹائم ماڈلز کے مقابلے بہتر ہے۔

مرحلہ 4: ریئل ٹائم آڈیو جوابات وصول کریں

ماڈل ریئل ٹائم کنیکشن کے ذریعے تیار کردہ آڈیو جوابات واپس بھیجتا ہے۔

Example event:

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

آپ کی ایپلیکیشن موصولہ آڈیو چنکس فوراً بجا سکتی ہے۔

عمومی امپلیمینٹیشنز:

WebRTC وائس ایپلی کیشنز
براؤزر پر مبنی اسسٹنٹس
موبائل وائس ایپس
AI فون ایجنٹس

مرحلہ 5: وائس ایجنٹس کے لیے فنکشن کالنگ شامل کریں

GPT-Realtime-2.1 فنکشن کالنگ کو سپورٹ کرتا ہے، جس سے وائس ایجنٹس بیرونی اعمال انجام دے سکتے ہیں۔

مثال:

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

ممکنہ وائس ایجنٹ ورک فلو:

"میرا پیکج کہاں ہے؟"
"کل کے لیے میرے لیے ایک میٹنگ بُک کریں۔"
"میری سبسکرپشن منسوخ کریں۔"
"میرا اکاؤنٹ بیلنس چیک کریں۔"

ماڈل درخواست کو پہچان سکتا ہے، مناسب ٹول کال کر سکتا ہے، اور گفتگو کو قدرتی طور پر جاری رکھ سکتا ہے۔

مرحلہ 6: ریزننگ اور انسٹرکشنز کو کنفیگر کریں

GPT-Realtime-2.1 قابلِ تشکیل استدلالی کوشش کو سپورٹ کرتا ہے۔

مثال:

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

تجویز کردہ سیٹنگز:

Application	Reasoning Level
سادہ وائس کمانڈز	کم
کسٹمر سپورٹ	درمیانی
پیچیدہ ورک فلو ایجنٹس	زیادہ

اکثر پوچھے جانے والے سوالات

قیمت

ایک ہی رن کے لیے اوپر دیے گئے فوری تخمینے کا استعمال کریں، پھر CometAPI اور سرکاری قیمت کے درمیان مکمل موازنہ دیکھیں۔

پہلی درخواست

—

تخمینی CometAPI استعمال کی لاگت

دس درخواستیں

—

تخمینی CometAPI استعمال کی لاگت

پندرہ درخواستیں

—

تخمینی CometAPI استعمال کی لاگت

GPT-Realtime-2.1 کی قیمتیں

[ماڈل کا نام] کے لیے مسابقتی قیمتوں کو دریافت کریں، جو مختلف بجٹ اور استعمال کی ضروریات کے مطابق ڈیزائن کیا گیا ہے۔ ہمارے لچکدار منصوبے اس بات کو یقینی بناتے ہیں کہ آپ صرف اسی کے لیے ادائیگی کریں جو آپ استعمال کرتے ہیں، جس سے آپ کی ضروریات بڑھنے کے ساتھ ساتھ اسکیل کرنا آسان ہو جاتا ہے۔ دریافت کریں کہ [ماڈل کا نام] کیسے آپ کے پروجیکٹس کو بہتر بنا سکتا ہے جبکہ اخراجات کو قابو میں رکھتا ہے۔

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

API

ایک کام کرنے والا اینڈ پوائنٹ اور کوڈ کی مثال کاپی کریں، پھر جب تمام پیرامیٹرز درکار ہوں تو مکمل API حوالہ کھولیں۔

ایک API، پروڈکشن کے لیے تیار ماڈل تک رسائی

ایک بار تصدیق کریں، ماڈل اینڈ پوائنٹ کال کریں اور فراہم کنندگان کے درمیان یکساں بلنگ اور مانیٹرنگ ورک فلو برقرار رکھیں۔

GET/v1/realtime

GPT-Realtime-2.1 کے لیے نمونہ کوڈ اور API

GPT-Realtime-2.1 کے لیے جامع نمونہ کوڈ اور API وسائل تک رسائی حاصل کریں تاکہ آپ کے انضمام کے عمل کو آسان بنایا جا سکے۔ ہماری تفصیلی دستاویزات قدم بہ قدم رہنمائی فراہم کرتی ہیں، جو آپ کو اپنے پروجیکٹس میں GPT-Realtime-2.1 کی مکمل صلاحیت سے فائدہ اٹھانے میں مدد کرتی ہیں۔

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;
});

صلاحیتیں

آرکیٹیکچر منتخب کرنے یا پروڈکشن ورک لوڈ کا تخمینہ لگانے سے پہلے اہم ماڈل حقائق کا جائزہ لیں۔

معاون صلاحیتیں

موجودہ ماڈل API کی جانب سے واپس کی گئی خصوصیات۔

text-to-speech

ان پٹ اور آؤٹ پٹ

ان پٹس

text

آؤٹ پٹس

audio

پروڈکشن پروفائل

فراہم کنندہ: OpenAI
سیاق و سباق: ماڈل پر منحصر
تجارتی استعمال: معاون

استعمال کے معاملات

GPT-Realtime-2.1 کو اس کی audio صلاحیتوں سے مطابقت رکھنے والے پروڈکشن ورک فلوز کے لیے استعمال کریں، پھر طویل المدتی انضمام سے پہلے متبادلات کا موازنہ کریں۔

آواز، موسیقی اور آڈیو کی تخلیق

صوتی تجربات اور میڈیا کی تیاری

بڑے پیمانے پر خودکار آڈیو ورک فلوز

دیگر ماڈلز

معیار، تاخیر، صلاحیت اور قیمت کے فرق کے لحاظ سے CometAPI کے ذریعے دستیاب دیگر ماڈلز کا موازنہ کریں۔

ماڈل موازنہ کھولیں →

OpenAI

gpt-audio-1.5

Chat Completions کے ساتھ آڈیو اِن، آڈیو آؤٹ کے لیے بہترین وائس ماڈل۔

ماڈل دیکھیں

OpenAI

GPT-Realtime-2

GPT-Realtime-2 ہمارا سب سے زیادہ صلاحیت رکھنے والا ریئل ٹائم وائس ماڈل ہے۔ یہ قابلِ تخصیص غور و فکر کی سطح، ہدایات کی زیادہ مضبوط پیروی، اور پیچیدہ وائس ایجنٹ ورک فلوز کے لیے اوزاروں کے زیادہ قابلِ اعتماد استعمال کے ساتھ آواز سے آواز تعاملات کو سپورٹ کرتا ہے۔

ماڈل دیکھیں

OpenAI

gpt-realtime-1.5

آڈیو ان، آڈیو آؤٹ کے لیے بہترین وائس ماڈل۔

OpenAI متن سے گفتار

[اسپیچ سنتھیسِس] نیا آغاز: متن سے نشریاتی آڈیو آن لائن، پیش نظارہ کی خصوصیت کے ساتھ ● بیک وقت audio_id بھی تیار کر سکتا ہے، جسے کسی بھی Keling API کے ساتھ استعمال کیا جا سکتا ہے۔

ماڈل دیکھیں

Kling

Kling video-to-audio

Kling ویڈیو کو آڈیو میں

ماڈل دیکھیں

Uptime

پروڈکشن میں جانے سے پہلے لائیو ہارٹ بیٹ ڈیٹا، اینڈ پوائنٹ کی دستیابی اور مشاہدہ شدہ جوابی اوقات کا جائزہ لیں۔

ورژن

پروڈکشن انضمام کو حتمی شکل دینے سے پہلے دستیاب ماڈل شناخت کنندگان کا جائزہ لیں۔

gpt-realtime-2.1

gpt-realtime-2.1-mini

دریافت جاری رکھیں

ماڈلز کا موازنہ کریں اور اپنی تحقیق جاری رکھیں

OpenAI

دستیاب

gpt-realtime-2.1

GPT-Realtime-2.1 API

ابتدائی قیمت

$3.20 / 10 لاکھ ان پٹ ٹوکنز

استعمال کی بنیاد پر بلنگ

API کی حالت

دستیاب

پروڈکشن اینڈ پوائنٹ

جوابی وقت

ایسنک کے لیے تیار

مشاہدہ شدہ API جوابی وقت

جاری کیا گیا

Aug 6, 2026

OpenAI

خلاصہ

GPT-Realtime-2.1 کا ایک عملی جائزہ، جس میں اہم رویہ اور انضمام کے نکات شامل ہیں۔

GPT-Realtime-2.1 کی تکنیکی خصوصیات

Specification	Details
Model name	GPT-Realtime-2.1
Provider	OpenAI
Model family	GPT-Realtime سیریز
Model type	ریئل ٹائم ملٹی موڈل وائس ریزننگ ماڈل
Primary capability	اسپیچ ٹو اسپیچ AI ایجنٹس
Input modalities	متن، آڈیو، امیج
Output modalities	متن، آڈیو
Context window	128,000 ٹوکنز
Maximum output tokens	32,000 ٹوکنز
Reasoning support	قابلِ تشکیل استدلالی کوشش
Function calling	سپورٹڈ
Structured outputs	نان سپورٹڈ
Fine-tuning	نان سپورٹڈ
Video input	نان سپورٹڈ
Main API endpoint	Realtime API
Knowledge cutoff	September 30, 2024

ماخذ: OpenAI GPT-Realtime-2.1 ماڈل دستاویزات۔

GPT-Realtime-2.1 کیا ہے؟

GPT-Realtime-2.1 بینچ مارک کارکردگی

GPT-Realtime-2.1 کی بہتریاں عملی ریئل ٹائم انٹریکشن میٹرکس پر مرکوز ہیں:

Capability	Improvement
Voice interruption handling	بہتر
Noise robustness	بہتر
Alphanumeric recognition	بہتر
Tool-based voice workflows	سپورٹڈ
Speech-to-speech interaction	سپورٹڈ

GPT-Realtime-2.1 کی اہم خصوصیات

1. بلٹ اِن اسپیچ ٹو اسپیچ انٹریکشن

GPT-Realtime-2.1 میں الگ اسپیچ ریکگنیشن اور ٹیکسٹ ٹو اسپیچ پائپ لائنز کی ضرورت ختم ہو جاتی ہے۔

Traditional voice architecture:

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

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

اس سے لیٹِنسی کم ہوتی ہے اور گفتگو کے بہاؤ میں بہتری آتی ہے۔

2. وائس گفتگو کے معیار میں بہتری

GPT-Realtime-2.1 حقیقی دنیا کے متعدد وائس چیلنجز کو بہتر بناتا ہے:

بہتر انٹرپشن ہینڈلنگ

صارف ماڈل کے بولتے وقت قدرتی طور پر مداخلت کر سکتا ہے۔

Example:

User:

"میرے لیے ایک فلائٹ بُک کریں—دراصل اسے ٹوکیو کر دیں۔"

ماڈل گفتگو میں تبدیلی کو سنبھال سکتا ہے اور انٹریکشن دوبارہ شروع کیے بغیر بحال رہتا ہے۔

خاموشی اور شور کی بہتر ہینڈلنگ

یہ ماڈل ایسے ماحول کے لیے بہتر بنایا گیا ہے جہاں آڈیو کوالٹی کامل نہ ہو:

کال سینٹرز
موبائل ڈیوائسز
عوامی مقامات
اسمارٹ ڈیوائسز

3. ایڈوانسڈ وائس ایجنٹ ٹول استعمال

GPT-Realtime-2.1 ٹول کالنگ کو سپورٹ کرتا ہے، جس سے وائس ایجنٹس اعمال انجام دے سکتے ہیں۔

Examples:

کسٹمر سروس:

User:
"Where is my order?"

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

انٹرپرائز ورک فلو:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

یہ GPT-Realtime-2.1 کو خودکار وائس ایجنٹس کے لیے موزوں بناتا ہے۔

4. قابلِ تشکیل استدلالی صلاحیت

ڈویلپرز درج ذیل کے درمیان توازن قائم کر سکتے ہیں:

ریسپانس لیٹِنسی
درستی
ٹاسک کی پیچیدگی

کم استدلال:

سادہ گفتگو
FAQ اسسٹنٹس

زیادہ استدلال:

پیچیدہ کسٹمر درخواستیں
ملٹی اسٹیپ ورک فلو
بزنس آپریشنز

5. نمبروں اور تکنیکی معلومات کی بہتر شناخت

وائس ایجنٹس کو عموماً ان میں مشکل پیش آتی ہے:

اکاؤنٹ نمبرز
سیریل نمبرز
پتے
پروڈکٹ کوڈز
مالی معلومات

6. ملٹی موڈل ان پٹ سپورٹ

GPT-Realtime-2.1 سپورٹ کرتا ہے:

Input	Support
متن	✅
آڈیو	✅
امیج	✅
ویڈیو	❌

امیج ان پٹ ان منظرناموں کو ممکن بناتا ہے جیسے:

بصری کسٹمر سپورٹ
دستاویز کی تشریح
کیمرہ پر مبنی اسسٹنٹس

GPT-Realtime-2.1 بمقابلہ GPT-Realtime-2 بمقابلہ GPT-4o Realtime

Model	Strength	Best Use
GPT-Realtime-2.1	بہترین ریئل ٹائم ریزننگ + وائس ایجنٹ کی صلاحیت	پروڈکشن وائس ایجنٹس
GPT-Realtime-2	مضبوط ریئل ٹائم وائس ریزننگ	ایڈوانسڈ گفتگوئی ایپس
GPT-4o Realtime	تیز ملٹی موڈل انٹریکشن	جنرل وائس اسسٹنٹس

GPT-Realtime-2.1 بمقابلہ GPT-Realtime-2

GPT-Realtime-2.1 میں بہتریاں:

وائس انٹرپشن ریکوری
شور کی ہینڈلنگ
شناخت کی درستی
گفتگو میں مضبوطی

دونوں ماڈلز میں مشترک:

اسپیچ ٹو اسپیچ آرکیٹیکچر
ٹول کالنگ
ریزننگ سپورٹ
Realtime API تک رسائی

GPT-Realtime-2.1 بمقابلہ GPT-4o Realtime

GPT-Realtime-2.1 زیادہ ایڈوانسڈ ایجنٹ ورک فلو کے لیے پوزیشن کیا گیا ہے۔

GPT-4o Realtime کے مقابلے میں:

Capability	GPT-Realtime-2.1	GPT-4o Realtime
Reasoning	زیادہ مضبوط	جنرل
Context	128K	32K
Tool use	سپورٹڈ	سپورٹڈ
Voice agents	ایڈوانسڈ	جنرل
Complex workflows	زیادہ موزوں	موزوں

CometAPI کے ساتھ GPT-Realtime-2.1 API کا استعمال کیسے کریں

مرحلہ 1: اپنا CometAPI API Key حاصل کریں

ایک CometAPI اکاؤنٹ بنائیں اور ڈویلپر کنسول سے ایک API ٹوکن جنریٹ کریں۔

آپ کی API ریکویسٹ میں یہ شامل ہونا چاہیے:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

API key آپ کی ریکویسٹس کی تصدیق کرتی ہے اور آپ کی ایپلی کیشن کو CometAPI کے ذریعے دستیاب AI ماڈلز کال کرنے دیتی ہے۔

مرحلہ 2: GPT-Realtime-2.1 سیشن بنائیں

GPT-Realtime-2.1 روایتی ریکویسٹ-ریسپانس چیٹ کمپلیشن کے بجائے مستقل ریئل ٹائم سیشن کے ذریعے کام کرتا ہے۔

ایک ریئل ٹائم سیشن برقرار رکھتا ہے:

آڈیو ان پٹ اسٹریم
ماڈل کے جوابات
گفتگو کی حالت
ٹول کالز
مداخلتیں

OpenAI کا Realtime API WebRTC، WebSocket، اور SIP کے ذریعے ریئل ٹائم کمیونیکیشن کو سپورٹ کرتا ہے۔

مثال:

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."
}
'

مثالی جواب:

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

مرحلہ 3: GPT-Realtime-2.1 کو آڈیو ان پٹ بھیجیں

سیشن بنانے کے بعد، صارف کی آڈیو کو اسٹریم کریں۔

مثالی ورک فلو:

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

آڈیو ان پٹ ان چیزوں پر مشتمل ہو سکتا ہے:

فون گفتگو
وائس کمانڈز
کسٹمر سپورٹ کالز
انٹرایکٹو اسسٹنٹس

GPT-Realtime-2.1 خاموشی کی دریافت، شور کی ہینڈلنگ، اور انٹرپشن رویے میں پہلے کے ریئل ٹائم ماڈلز کے مقابلے بہتر ہے۔

مرحلہ 4: ریئل ٹائم آڈیو جوابات وصول کریں

ماڈل ریئل ٹائم کنیکشن کے ذریعے تیار کردہ آڈیو جوابات واپس بھیجتا ہے۔

Example event:

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

آپ کی ایپلیکیشن موصولہ آڈیو چنکس فوراً بجا سکتی ہے۔

عمومی امپلیمینٹیشنز:

WebRTC وائس ایپلی کیشنز
براؤزر پر مبنی اسسٹنٹس
موبائل وائس ایپس
AI فون ایجنٹس

مرحلہ 5: وائس ایجنٹس کے لیے فنکشن کالنگ شامل کریں

GPT-Realtime-2.1 فنکشن کالنگ کو سپورٹ کرتا ہے، جس سے وائس ایجنٹس بیرونی اعمال انجام دے سکتے ہیں۔

مثال:

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

ممکنہ وائس ایجنٹ ورک فلو:

"میرا پیکج کہاں ہے؟"
"کل کے لیے میرے لیے ایک میٹنگ بُک کریں۔"
"میری سبسکرپشن منسوخ کریں۔"
"میرا اکاؤنٹ بیلنس چیک کریں۔"

ماڈل درخواست کو پہچان سکتا ہے، مناسب ٹول کال کر سکتا ہے، اور گفتگو کو قدرتی طور پر جاری رکھ سکتا ہے۔

مرحلہ 6: ریزننگ اور انسٹرکشنز کو کنفیگر کریں

GPT-Realtime-2.1 قابلِ تشکیل استدلالی کوشش کو سپورٹ کرتا ہے۔

مثال:

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

تجویز کردہ سیٹنگز:

Application	Reasoning Level
سادہ وائس کمانڈز	کم
کسٹمر سپورٹ	درمیانی
پیچیدہ ورک فلو ایجنٹس	زیادہ

اکثر پوچھے جانے والے سوالات

قیمت

پہلی درخواست

—

تخمینی CometAPI استعمال کی لاگت

دس درخواستیں

—

تخمینی CometAPI استعمال کی لاگت

پندرہ درخواستیں

—

تخمینی CometAPI استعمال کی لاگت

GPT-Realtime-2.1 کی قیمتیں

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

API

ایک API، پروڈکشن کے لیے تیار ماڈل تک رسائی

GET/v1/realtime

GPT-Realtime-2.1 کے لیے نمونہ کوڈ اور 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;
});