はじめに
GPT-Realtime-2.1 は、継続中の音声会話で発話を受け取り、応答を生成します。音声理解と強度を調整できる推論が一つのモデルにまとまっているため、文字起こし、文章生成、読み上げを個別につなぐことなく、考慮した返答を求められます。本エンドポイントはサーバー WebSocket 接続を提供します。短い文章から音声を一度生成するタスクでも、応答を確認できます。
主な機能とハイライト
2.1 では、英数字の認識、間や環境音への対応、利用者が割り込んだ際の動作が改善対象になっています。参照番号を確認する場面や、言いかけた文を聞く場面に関わる能力です。ただし、重要な名前や数字はアプリ側で復唱して確認してください。音声に付随する文字列だけで、すべての桁を正しく理解したとは判断できません。
難しい発話には推論強度を上げ、アプリの操作が必要なら関数を呼び出せます。音声は逐次届くため、回答全体がそろう前に再生を開始できます。モデルのコンテキストは 128,000 トークン、出力上限は 32,000 トークンです。接続ごとに、実際の用途に合った履歴と各応答の予算を選びます。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | いいえ | GPT-Realtime-2.1 — 単輪タスクの最初の文章を指定します。ライブ音声は WebSocket のイベントで送ります。 1 文字以上 · 4096 文字以内 |
voice_id | いいえ | GPT-Realtime-2.1 — 音声を生成する前にプリセットを選びます。発話後の声の変更には新しい会話が必要です。 |
reasoning_effort | いいえ | GPT-Realtime-2.1 — minimal、low、medium、high、xhigh を選べます。推論も出力トークンを消費します。 |
output_format | いいえ | GPT-Realtime-2.1 — PCM または G.711 µ-law/A-law を選びます。単輪タスクは対応する WAV を返します。 |
speed | いいえ | GPT-Realtime-2.1 — 話速は 0.25~1.5 倍です。推論予算は変わりません。 |
max_tokens | いいえ | GPT-Realtime-2.1 — 各応答の推論と音声・文字の合計上限です。標準 512、範囲 16~32,000 トークンです。 |
max_context_tokens | いいえ | GPT-Realtime-2.1 — 履歴上限を指定します。別枠の指示用 4,096 トークンと出力を合わせて 128,000 以内に収めます。 |
audio_input_format | いいえ | GPT-Realtime-2.1 — 24 kHz・16-bit・モノラル PCM、または 8 kHz の G.711 に合わせます。自動変換はしません。 |
audio_noise_reduction | いいえ | GPT-Realtime-2.1 — 近いマイクは |
realtime_session | いいえ | GPT-Realtime-2.1 — 関数ツールや音声検出の詳細設定です。通常の入力欄と矛盾する値は受け付けません。 |
料金
テキスト · 入力 $0.80 / テキスト · 出力 $4.80 / 音声 · 入力 $6.40 / 音声 · 出力 $12.80 / 画像 · 入力 $1 100 万トークンあたり
ユースケース
音声の予定調整では、空き時間を調べる関数の結果を受けてから候補を提示します。予約を確定する別の操作の前に、選ばれた日時と参加者を読み上げるように設計できます。
機器のトラブル対応では、現在の状態を会話に残し、診断の質問を一度に一つだけ行います。操作の成功はツールの結果で確認し、その事実に基づいて次の手順を声で説明します。
プロンプトガイドと実践のヒント
役割、応答する言語、曖昧な名前や数字を確認する条件を短く指定してください。各関数を呼ぶ場面と、完了を告げてよい結果を明示します。短い確認には minimal から始め、複数の条件を扱う代表的な質問で高い推論強度を比較します。すべての発話で推論を増やす必要はありません。
応答前に音声、再生形式、話速を決めます。PCM は 24 kHz のモノラル、G.711 は 8 kHz です。自動音声検出を使う場合は、実際のマイク環境と短い言いよどみで閾値を調整します。再生と割り込みはクライアント側で扱います。入力の独立した文字起こしは別の従量接続を使います。履歴を残す範囲と、話し言葉に適した各応答の上限を設定してください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。

















