OpenAI выпустила GPT Realtime 2.1: голосовые агенты рассуждают вслух втрое дешевле

Речь о двух моделях в API OpenAI: «gpt-realtime-2.1» (старшая) и «gpt-realtime-2.1-mini» (младшая). Обе работают с голосом и текстом через единое соединение в реальном времени. Релиз опубликован в документации OpenAI без отдельной пресс-конференции, но для тех, кто строит голосовые агенты, это ключевое обновление сезона: младшая модель получила способность рассуждать, оставшись на прежней цене.

Что умеют новые модели?

• Рассуждение вслух. Младшая модель думает перед ответом. Это значит, что голосовой агент может сказать «сейчас проверю ваш заказ», вызвать нужную функцию и продолжить разговор, не уходя в тишину. Раньше пауза на вызов инструмента воспринималась как обрыв связи.
• Снижение задержки на 25% и больше. OpenAI сократила p95-задержку (время ответа, которое ощущают 5% самых «невезучих» пользователей) минимум на 25%. Достигнуто за счёт улучшенного кэширования.
• Кэширование аудио по цене $0,30 вместо $10 за 1 млн токенов (токен, минимальная единица, которую модель обрабатывает). После первого обмена репликами системный промпт (системный промпт, базовая инструкция для модели) попадает в кэш. Долгие сессии обходятся на порядок дешевле.
• Вызов функций прямо из голоса. Оба варианта поддерживают tool use (вызов внешних функций): модель сама решает, когда обратиться к вашему коду, например, найти аккаунт клиента по email или перенести запись.
• Улучшенное распознавание букв и цифр. Старшая модель лучше разбирает коды вроде «8-3-5-7-1», точнее реагирует на тишину и прерывания собеседника.
• Настраиваемая глубина рассуждения. Пять уровней: minimal, low, medium, high, xhigh. OpenAI рекомендует начинать с low для большинства продуктовых голосовых агентов: минимальная задержка при достаточном качестве.

Единая модель вместо цепочки

Классическая схема голосового бота выглядит так: распознавание речи в текст, обработка текста, синтез речи обратно. Каждое звено добавляет задержку и теряет интонационные нюансы.

Realtime API обрабатывает и генерирует аудио внутри одной модели. Голос приходит, голос уходит, промежуточного текстового слоя нет. Для пользователя это ощущается как разговор с живым оператором, а не с роботом, который «переводит» каждую фразу.

Как попробовать?

1. Получите API-ключ OpenAI на странице platform.openai.com (нужен платный аккаунт).
2. Создайте на сервере короткоживущий клиентский секрет через эндпоинт /v1/realtime/client_secrets, указав модель gpt-realtime-2.1-mini и уровень рассуждения low.
3. Подключите браузер через WebRTC (протокол для передачи аудио и видео в реальном времени): добавьте микрофон и канал данных, отправьте SDP-предложение на API.
4. Для телефонии используйте SIP-подключение, для серверных сценариев подойдут WebSocket-соединения.

Полный код примера OpenAI приводит в документации API.

Как это соотносится с российскими аналогами?

Для авторов из России главное ограничение: доступ к API OpenAI из РФ затруднён. YandexGPT и GigaChat пока используют раздельные модули для распознавания и синтеза речи, единого «голосового мозга» ни одна из платформ публично не анонсировала.

Что это значит для вашей работы?

Авторам Дзена. Если вы диктуете тексты или записываете подкасты, голосовые агенты на Realtime API могут стать редактором в реальном времени: вы говорите, агент уточняет, переспрашивает, структурирует. Пока доступно через API, готовых приложений для контента мало, но направление понятно.

Маркетологам. Стоимость аудиовыхода $20 за миллион токенов у младшей модели делает голосовых ботов для обзвона и поддержки экономически реалистичными. Кэширование снижает затраты на длинные диалоги, а это именно то, что нужно для сложных продаж и техподдержки.

Предпринимателям в РФ и СНГ. Прямой доступ к OpenAI API ограничен. Но архитектура «единая модель вместо цепочки» показывает, куда двигается рынок. Если строите голосового бота на Yandex SpeechKit + YandexGPT, следите за тем, появится ли аналогичный режим у российских провайдеров.

Частые вопросы

Чем mini отличается от полной модели?

Младшая модель «gpt-realtime-2.1-mini» быстрее и дешевле: $20 за миллион аудиотокенов на выходе против $64 у старшей. Она тоже умеет рассуждать и вызывать функции, но старшая лучше справляется со сложными инструкциями, распознаванием букв и цифр, обработкой пауз и прерываний.

Можно ли использовать из России?

Официально OpenAI не предоставляет доступ из РФ. Часть разработчиков используют промежуточные серверы за рубежом. Из полностью доступных в России решений для голосовых ботов: Yandex SpeechKit с YandexGPT и Salute Speech с GigaChat, но они работают по схеме «распознавание плюс генерация плюс синтез», а не через единую модель.

Зачем нужны уровни рассуждения?

Чем выше уровень (от minimal до xhigh), тем дольше модель думает и тем больше токенов тратит. Для простого ответа «ваш заказ отправлен» хватит low. Для разбора сложной жалобы с несколькими проверками подойдёт medium или high. OpenAI рекомендует не поднимать уровень без необходимости: каждый шаг вверх увеличивает задержку и стоимость.