Introducción
GPT-Realtime-2.1 recibe una solicitud hablada y responde dentro de una conversación continua. Combina comprensión del habla y razonamiento ajustable, por lo que no requiere unir por separado transcripción, generación de texto y síntesis de voz. Este endpoint ofrece una conexión WebSocket de servidor. También hay una tarea independiente para probar una sola respuesta hablada a partir de una solicitud escrita breve.
Funciones y aspectos destacados
La versión 2.1 mejora el reconocimiento de letras y números, el manejo de pausas y ruido, y la respuesta a interrupciones. Estas capacidades resultan útiles al confirmar un código de referencia o escuchar una frase sin terminar. Aun así, la aplicación debe confirmar nombres y cifras importantes. La transcripción que acompaña al audio no demuestra que todos los dígitos se hayan entendido bien.
El nivel de razonamiento permite dedicar más trabajo a un turno difícil. Las funciones vinculan la conversación con acciones de la aplicación, y el audio en streaming puede reproducirse antes de que termine toda la respuesta. El contexto admite 128,000 tokens y la salida hasta 32,000. Cada conexión usa los presupuestos de historial y salida que seleccione quien llama al endpoint.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | No | GPT-Realtime-2.1 — Indique el texto inicial de una tarea individual. El audio en vivo se envía mediante eventos WebSocket. mínimo 1 caracteres · máximo 4096 caracteres |
voice_id | No | GPT-Realtime-2.1 — Elija la voz antes de generar audio; cambiarla después de la primera salida requiere otra conversación. |
reasoning_effort | No | GPT-Realtime-2.1 — Se admiten minimal, low, medium, high y xhigh. El razonamiento también consume tokens de salida. |
output_format | No | GPT-Realtime-2.1 — Seleccione PCM o G.711 µ-law/A-law. La tarea individual devuelve un WAV con la codificación elegida. |
speed | No | GPT-Realtime-2.1 — La velocidad va de 0.25 a 1.5. No cambia el presupuesto de razonamiento. |
max_tokens | No | GPT-Realtime-2.1 — Limita juntos razonamiento, texto y audio por respuesta: 512 por defecto, entre 16 y 32,000 tokens. |
max_context_tokens | No | GPT-Realtime-2.1 — El historial, los 4,096 tokens reservados para instrucciones y la salida deben caber en 128,000 tokens. |
audio_input_format | No | GPT-Realtime-2.1 — Use PCM mono de 16 bits a 24 kHz o G.711 a 8 kHz; no hay remuestreo automático. |
audio_noise_reduction | No | GPT-Realtime-2.1 — |
realtime_session | No | GPT-Realtime-2.1 — Configuración avanzada de funciones y detección del habla; se rechazan valores en conflicto con los campos habituales. |
Precios
Texto · Entrada $0.80 / Texto · Salida $4.80 / Audio · Entrada $6.40 / Audio · Salida $12.80 / Imagen · Entrada $1 por 1 millón de tokens
Casos de uso
Para coordinar una cita por voz, una función consulta la disponibilidad antes de proponer un horario. La aplicación puede pedir que se repitan la fecha y los participantes antes de ejecutar una acción independiente que confirme la reserva.
Para diagnosticar un dispositivo, conserve su estado actual en la conversación y haga una pregunta por turno. Confirme el éxito de cada operación con el resultado de una herramienta antes de explicar el siguiente paso en voz alta.
Guía de prompts y consejos prácticos
Defina de forma breve el rol, el idioma y cuándo confirmar nombres o números ambiguos. Describa cuándo debe llamarse cada función y qué resultado permite anunciar que algo se completó. Comience con minimal para una confirmación corta y compare un esfuerzo mayor en preguntas representativas de varios pasos.
Elija la voz, la codificación y la velocidad antes de iniciar la respuesta. PCM usa 24 kHz mono; G.711 usa 8 kHz. Ajuste la detección automática con ruido de micrófono y vacilaciones reales. El cliente controla la reproducción y las interrupciones. La transcripción independiente de la entrada usa una conexión con cobro separado. Reserve el historial útil y un límite de salida adecuado para una respuesta hablada.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "openai/gpt-realtime-2.1/realtime",
"input": {
"prompt": "Calm ambient pads with a slow rising motif",
"audio_input_format": "pcm",
"audio_noise_reduction": "near_field"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.

















