La API Realtime de OpenAI es la que los desarrolladores realmente usan cuando necesitan voz en vivo en una app — no GPT-Live, que es una función de ChatGPT sin API para desarrolladores todavía. El precio principal, $32 por millón de tokens de entrada de audio, parece brutal, pero la matemática mental de la mayoría de las personas es incorrecta: con detección de actividad de voz y almacenamiento en caché de prompts, el tráfico real de voz a voz se acerca más a $0.04 por minuto, y el nuevo nivel mini lo reduce aún más. Esta guía desglosa los precios de julio de 2026 en los cuatro modelos Realtime, muestra cómo se convierten realmente los tokens de audio a minutos y ofrece ejemplos concretos de costos para que puedas presupuestar sin tener que adivinar.
Qué es la API de tiempo real (y por qué no es GPT-Live)
GPT-Live, lanzado el 8 de julio de 2026, es el modelo de voz full-duplex de OpenAI — puede escuchar y hablar al mismo tiempo — y potencia la nueva experiencia de voz de ChatGPT. Aún no está disponible como una API para desarrolladores; OpenAI dice que "coming soon" y está aceptando registros. Si quieres construir hoy un producto de voz, lo que debes integrar es la Realtime API: una familia separada de modelos (gpt-realtime-2.1, el más económico gpt-realtime-2.1-mini, además de modelos dedicados de translate y whisper). Se entiende ampliamente que GPT-Live es la versión de producción del modelo que OpenAI estuvo probando en 2025 bajo el nombre GPT-Bidi-1 — para la historia completa de la arquitectura, consulta nuestro desglose anterior. Para ver los precios, quédate en esta página: de aquí en adelante, "Realtime" significa los modelos de la API.
Precios actuales de la API Realtime (julio de 2026)
Estas son las tarifas en vivo en la página de precios de OpenAI, verificadas el 9 de julio de 2026. El audio y el texto se facturan por millón de tokens; los dos modelos especializados se facturan por minuto.
Modelo | Modalidad | Entrada | Entrada en caché | Salida |
|---|---|---|---|---|
gpt-realtime-2.1 | Audio | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | Texto | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | Imagen | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | Audio | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | Texto | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | Imagen | $0.80 | $0.08 | — |
gpt-realtime-translate | Audio (por min) | — | — | $0.034/min |
gpt-realtime-whisper | Audio (por min) | — | — | $0.017/min |
Tres cosas merecen notarse antes de que la cifra de $32 le cause pánico. Primero, el nivel mini (gpt-realtime-2.1-mini) es aproximadamente un tercio del modelo insignia — $10/$20 de audio frente a $32/$64 — y para muchas apps de voz maneja bien la conversación. Segundo, la entrada de audio en caché baja a $0.30–$0.40 por millón, lo cual importa porque la mayoría de las sesiones reenvían el mismo prompt del sistema y las definiciones de herramientas en cada turno. Tercero, la tarifa de audio por token ($32/$64) en realidad se ha mantenido estable desde la versión gpt-realtime-2 de 2025, después de haber bajado desde $40/$80 y $100/$200 en 2024 — así que la historia de 2026 es menos "rebajaron el precio" y más "añadieron un nivel mini barato y controles de razonamiento".
Token frente a minuto: por qué tu estimación probablemente es incorrecta
La misma pregunta llena el foro de desarrolladores de OpenAI una y otra vez: "$100 por millón de tokens, o $0.06 por minuto — ¿cuál es?" Ambas cifras han aparecido en la propia documentación de OpenAI en distintos momentos, para el mismo modelo. La razón por la que la gente se lleva una sorpresa desagradable —un desarrollador escribió que "ni siquiera puede probar esto sin quemar mi cartera"— es que las matemáticas brutas de tokens ignoran tres cosas que dominan la factura real.
No pagas por el silencio. La detección de actividad de voz (VAD) del lado del servidor de OpenAI está diseñada para filtrar lo que no es voz, así que el silencio, las pausas y el tiempo en espera suelen contribuir muy poco a la factura — confírmalo en tus propios registros de uso.
La mayor parte de tu entrada está en caché. Un prompt del sistema más los esquemas de herramientas se envía en cada turno; con prompt caching, ese prefijo se factura a $0.30–$0.40/M en lugar de $32/M — casi 80× más barato.
La proporción de tiempo de conversación varía enormemente. Una "llamada" de 10 minutos podría contener dos minutos de voz real en cada dirección. La factura se basa en el habla, no en el tiempo transcurrido.
Apílalos juntos y la cifra por minuto oscila salvajemente según quién la esté midiendo. Algunos informes anecdóticos de desarrolladores que publicaron sus facturas:
@kwindla (Ago 2025): ~$0.04 por minuto de voz a voz, teniendo en cuenta el almacenamiento en caché implícito de tokens, más unos $0.20/hora solo para mantenerse conectado.
@kevintpayne (May 2026): ~$18/hora (≈ $0.30/min) en una carga de trabajo de tiempo de conversación más intensa.
@leonardsaros (Jul 2026): una estimación de ~$1/minuto — probablemente usando diferentes suposiciones sobre VAD, caché o tiempo de conversación, la misma trampa que arriba.
Eso es una variación de 25× sobre el precio "mismo". La conclusión: no estimes solo a partir de la tarifa por token. Ejecuta una sesión real, registra los tokens de entrada/salida y los minutos de voz, y luego divide. Como rango de planificación, espera $0.04–$0.10/minuto para gpt-realtime-2.1 en un asistente típico con caching y VAD habilitados, y aproximadamente un tercio de eso en el nivel mini.
Lo que cuesta una conversación real
Estimating from the verified per-minute range is more reliable than multiplying token rates. Take two reference workloads.
Atención al cliente — 1,000 llamadas/día, ~4 minutos de hablante llamante + 1 minuto de habla del agente cada una. Con ~5 minutos de habla facturable por llamada y un coste combinado de $0.08/minuto en gpt-realtime-2.1 (gama media, con caché y VAD), eso equivale a $0.40/llamada, o aproximadamente $12,000/mes con 1,000 llamadas/día. La misma carga en gpt-realtime-2.1-mini se reduce a alrededor de $0.13/llamada (~$4,000/mes) — siempre que el modelo mini gestione tus llamadas a herramientas y el razonamiento, lo cual para flujos sencillos de IVR y FAQ normalmente hace.
Asistente de voz — 100 usuarios activos diarios, 3 sesiones cortas cada uno. Se requieren ~1.5 minutos de habla por usuario al día. A $0.08/min en 2.1, eso equivale a ~$0.12/usuario/día, o alrededor de $360/mes; en mini, más cerca de $120/mes.
Estas son cifras de planificación, no presupuestos — tu número real depende de la proporción de tiempo de conversación, el esfuerzo de razonamiento y lo cacheables que sean tus prompts. La idea es el orden de magnitud: con caching y VAD, la voz en vivo ya no es el lujo de "solo merece la pena si ya tienes un negocio existente" que era en 2024. Para una visión más amplia sobre cómo presupuestar los costes de la API de OpenAI en las distintas familias de modelos, consulta nuestra guía de costes de la API de razonamiento de GPT-4o.
Esfuerzo de razonamiento y el nivel mini: a dónde va el dinero
gpt-realtime-2.1 expone cinco niveles de razonamiento — minimal, low (default), medium, high, xhigh (OpenAI docs). Un mayor esfuerzo significa más tokens de pensamiento, más latencia y una factura más alta en el contador de salida de texto. El valor predeterminado low es adecuado para la mayoría de las aplicaciones conversacionales; reserve high/xhigh para turnos que necesiten razonamiento multinivel o uso complejo de herramientas, y luego vuelva a reducirlo.
El nivel mini es la palanca más grande. gpt-realtime-2.1-mini es aproximadamente 3× más barato en audio y texto y aun así realiza llamadas a funciones, interrupciones y turnos naturales. Una regla práctica: mini para la mayor parte de los turnos que son de recuperación o confirmación, 2.1 para los turnos que necesitan razonamiento real. Enrutar por complejidad de esa manera puede reducir sustancialmente el costo de una sesión cuando la mayor parte de tu tráfico es simple.
Traducir y susurrar: las ofertas por minuto
Dos modelos Realtime no usan precios por token en absoluto, y son las opciones más baratas para sus tareas:
gpt-realtime-translate — $0.034/minuto, traduciendo voz de más de 70 idiomas de entrada a 13 idiomas de salida en tiempo real. Para líneas de soporte multilingüe o interpretación en vivo, esto es más barato que ejecutar el modelo completo 2.1 y está ajustado específicamente para la traducción.
gpt-realtime-whisper — $0.017/minuto, conversión de voz a texto en streaming. Aún más barato, y útil cuando necesitas subtítulos en vivo o un flujo de transcripción sin una conversación de voz completa.
Si su trabajo es traducción o transcripción en lugar de chat de voz de respuesta abierta, optar por estos en lugar de gpt-realtime-2.1 es el mayor ahorro de costos disponible.
Cómo pagar menos
Más allá de la elección del modelo y del nivel de razonamiento, los controles estándar de costo de Realtime:
Mantén VAD activado. La no voz no debería facturarse, pero solo si el silencio realmente se filtra; verifica que tu sesión no esté transmitiendo aire muerto.
Recorta primero la salida de audio. El habla generada (la parte de $64/M) es el medidor más caro. Respuestas concisas, resúmenes o cambiar a texto después del primer turno de voz se acumulan rápidamente.
Haz que los prompts sean almacenables en caché. Mantén tu prompt de sistema y el esquema de herramientas estáticos y al principio del contexto para que entren en la tarifa en caché; rotarlos en cada turno desperdicia el descuento de 80×.
Comprime sesiones largas. Resume el estado de la conversación cada pocos turnos en lugar de reproducir la transcripción completa, lo que vuelve a facturar los tokens de entrada.
Dirige por complejidad. Mini por defecto, escala a 2.1 solo cuando un turno lo necesite.
Los endpoints de Relay que revenden los mismos modelos OpenAI Realtime a una tarifa por token más baja son una opción más — la superficie de la API es idéntica, por lo que la integración no cambia; AIReiter es un ejemplo.
Preguntas frecuentes
¿GPT-Live usa la API en tiempo real?
No directamente. GPT-Live es una función de voz de ChatGPT que todavía no se expone como una API para desarrolladores. Los modelos de la Realtime API (gpt-realtime-2.1 y otros similares) son el equivalente orientado a desarrolladores que puedes usar hoy.
¿Es costosa la API Realtime de OpenAI?
Menos de lo que sugiere la tasa de tokens — con VAD y caché, es aproximadamente $0.04–$0.10/minuto en 2.1 y mucho menos en mini. La sección anterior sobre tokens frente a minutos explica por qué las estimaciones varían tanto.
¿Cuánto cuesta por minuto la Realtime API?
No hay una sola cifra: depende de la proporción de tiempo de conversación, el esfuerzo de razonamiento y el almacenamiento en caché. Una sesión 2.1 bien ajustada cuesta aproximadamente $0.04–$0.10/min; el nivel mini es aproximadamente un tercio de eso; translate y whisper tienen tarifas fijas de $0.034 y $0.017/min.
¿Cómo se convierten los tokens de audio en minutos?
No confíe en una regla general de tokens por minuto: calcúlelo a partir de sus propios registros de uso. Para una sesión de gpt-realtime-2.1, sume los tokens facturados en cada medidor: entrada de audio sin caché × $32/1M + entrada de audio en caché × $0.40/1M + salida de audio × $64/1M + entrada de texto × $4/1M + salida de texto × $24/1M (añada entrada de imagen × $5/1M si envía imágenes), y luego divídalo por los minutos de habla real. Esa cifra combinada real, con VAD y caché en juego, queda muy por debajo de la matemática ingenua de tokens.
¿API en tiempo real vs ElevenLabs o Grok Voice?
ElevenLabs destaca por la calidad de TTS y es competitivo para flujos de solo narración; la Realtime API gana en razonamiento integrado y uso de herramientas. Se ha informado que el Grok Voice Agent de xAI se lanzó con una tarifa fija de $0.05/minuto (source), aproximadamente la mitad de una configuración típica 2.1 — más barato para voz pura, con menos funciones multimodales. Los modelos Gemini omni de Google son otra opción en tiempo real que vale la pena evaluar en términos de precio.
¿Qué es la entrada de audio en caché y cuánto ahorra?
Las facturas de entrada en caché cuestan entre $0.30–$0.40/M en lugar de $10–$32/M para prefijos repetidos como tu prompt del sistema y herramientas. En una sesión que reutiliza un prompt grande en cada turno, la diferencia es entre una factura razonable y una sorprendente.
Línea de fondo
Para la mayoría de las apps de voz en 2026, comienza con gpt-realtime-2.1-mini para la mayor parte de los turnos, pasa a gpt-realtime-2.1 solo cuando un turno necesite razonamiento real, y usa translate o whisper si tu tarea es específicamente multilingüe o de transcripción. Mantén VAD activado, diseña prompts para que se puedan almacenar en caché y recorta el habla generada. Haz eso y los presupuestos de uso de Realtime se mantendrán en céntimos bajos por minuto de voz para la mayoría de las apps — muy por debajo de la cifra de $1/minuto que circula, y más cerca de los $0.04 que realmente ven las configuraciones bien optimizadas.