L’API Realtime d’OpenAI est celle que les développeurs appellent réellement lorsqu’ils ont besoin de voix en direct dans une application — pas GPT-Live, qui est une fonctionnalité de ChatGPT sans API développeur pour l’instant. Le prix affiché, 32 $ par million de jetons d’entrée audio, semble brutal, mais le calcul mental de la plupart des gens est faux : avec la détection d’activité vocale et la mise en cache des prompts, le trafic réel de parole à parole revient plus près de 0,04 $ la minute, et le nouveau niveau mini réduit encore ce coût. Ce guide détaille les tarifs de juillet 2026 pour les quatre modèles Realtime, montre comment les jetons audio se convertissent réellement en minutes, et fournit des exemples de coûts concrets afin que vous puissiez budgéter sans approximation.
Ce qu'est l'API Realtime (et pourquoi ce n'est pas GPT-Live)
GPT-Live, lancé le 8 juillet 2026, est le modèle vocal full-duplex d'OpenAI — il peut écouter et parler en même temps — et il alimente la nouvelle expérience vocale de ChatGPT. Il n'est pas encore disponible en tant qu'API pour développeurs ; OpenAI indique qu'il est « bientôt disponible » et recueille des inscriptions. Si vous voulez créer aujourd'hui un produit vocal, la solution à intégrer est l'API Realtime : une famille distincte de modèles (gpt-realtime-2.1, le moins cher gpt-realtime-2.1-mini, ainsi que des modèles dédiés de traduction et de transcription). GPT-Live est généralement considéré comme la version de production du modèle qu'OpenAI testait en 2025 sous le nom GPT-Bidi-1 — pour l'histoire complète de l'architecture, consultez notre analyse précédente. Pour les tarifs, restez sur cette page : à partir d'ici, « Realtime » désigne les modèles de l'API.
Tarification actuelle de l’API Realtime (juillet 2026)
Voici les tarifs en direct sur la page de tarification d'OpenAI, vérifiés le 9 juillet 2026. L'audio et le texte sont facturés par million de tokens ; les deux modèles spécialisés sont facturés par minute.
Modèle | Modalité | Entrée | Entrée mise en cache | Sortie |
|---|---|---|---|---|
gpt-realtime-2.1 | Audio | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | Texte | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | Image | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | Audio | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | Texte | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | Image | $0.80 | $0.08 | — |
gpt-realtime-translate | Audio (par min) | — | — | $0.034/min |
gpt-realtime-whisper | Audio (par min) | — | — | $0.017/min |
Trois choses méritent d’être remarquées avant que le chiffre de 32 $ ne vous affole. Premièrement, le niveau mini (gpt-realtime-2.1-mini) représente à peu près un tiers du modèle phare — 10 $/20 $ pour l’audio contre 32 $/64 $ — et, pour de nombreuses applications vocales, il gère bien la conversation. Deuxièmement, l’entrée audio mise en cache tombe à 0,30 $–0,40 $ par million, ce qui compte parce que la plupart des sessions renvoient à chaque tour le même prompt système et les mêmes définitions d’outils. Troisièmement, le tarif audio par jeton (32 $/64 $) est en réalité resté stable depuis la sortie de gpt-realtime-2 en 2025, après être passé de 40 $/80 $ puis de 100 $/200 $ en 2024 — ainsi, l’histoire de 2026 est moins « ils ont baissé le prix » que « ils ont ajouté un niveau mini bon marché et des contrôles de raisonnement ».
Jeton vs minute : pourquoi votre estimation est probablement erronée
La même question revient sans cesse sur le forum des développeurs d’OpenAI : « 100 $ par million de tokens, ou 0,06 $ par minute — lequel est-ce ? » Ces deux chiffres sont apparus dans la documentation d’OpenAI à des moments différents, pour le même modèle. La raison pour laquelle les gens ont un choc en voyant le prix — un développeur a écrit qu’il « ne peut même pas tester ça sans y laisser son portefeuille » — est que le calcul brut des tokens ignore trois éléments qui dominent la facture réelle.
Vous ne payez pas pour le silence. La détection d’activité vocale côté serveur (VAD) d’OpenAI est conçue pour filtrer ce qui n’est pas de la parole, donc le silence, les pauses et le temps d’attente contribuent généralement peu à la facture — confirmez-le dans vos propres journaux d’utilisation.
La majeure partie de votre entrée est mise en cache. Une invite système ainsi que les schémas d’outils sont envoyés à chaque tour ; avec la mise en cache des invites, ce préfixe est facturé à 0,30–0,40 $/M au lieu de 32 $/M — soit près de 80× moins cher.
Le ratio de temps de parole varie énormément. Un « appel » de 10 minutes peut contenir deux minutes de parole réelle dans chaque sens. La facture suit la parole, pas le temps écoulé.
Empilez cela ensemble et le chiffre par minute varie énormément selon qui le mesure. Voici quelques témoignages anecdotiques de développeurs qui ont publié leurs factures :
@kwindla (août 2025) : ~0,04 $ par minute de speech-to-speech, en tenant compte de la mise en cache implicite des tokens, plus environ 0,20 $/heure juste pour rester connecté.
@kevintpayne (mai 2026) : ~18 $/heure (≈ 0,30 $/min) dans une charge de travail de temps de parole plus importante.
@leonardsaros (juil. 2026) : une estimation de ~1 $/minute — probablement en utilisant des hypothèses différentes concernant VAD, la mise en cache ou le temps de parole, le même piège que ci-dessus.
C’est un écart de 25× sur le « même » prix. À retenir : ne faites pas d’estimation à partir du seul tarif par token. Exécutez une vraie session, consignez les tokens d’entrée/de sortie et les minutes de parole, puis divisez. Comme fourchette de planification, prévoyez 0,04 $–0,10 $/minute pour gpt-realtime-2.1 dans un assistant typique avec le cache et le VAD activés, et environ un tiers de cela sur le niveau mini.
Ce qu'une vraie conversation coûte
Estimer à partir de la plage vérifiée par minute est plus fiable que de multiplier les taux de jetons. Prenez deux charges de travail de référence.
Assistance clientèle — 1 000 appels/jour, ~4 minutes de parole de l’appelant + 1 minute de parole de l’agent chacun. À ~5 minutes de parole facturées par appel et un coût mixte de 0,08 $/minute sur gpt-realtime-2.1 (milieu de gamme, avec mise en cache et VAD), cela représente environ 0,40 $/appel, soit environ 12 000 $/mois pour 1 000 appels/jour. La même charge sur gpt-realtime-2.1-mini descend à environ 0,13 $/appel (~4 000 $/mois) — à condition que le modèle mini gère vos appels d’outils et votre raisonnement, ce qu’il fait généralement pour des flux IVR et FAQ simples.
Assistant vocal — 100 utilisateurs actifs quotidiens, 3 courtes sessions chacun. Disons environ 1,5 minute de parole par utilisateur et par jour. À 0,08 $/min sur 2.1, cela représente environ 0,12 $/utilisateur/jour, soit environ 360 $/mois ; sur mini, plutôt 120 $/mois.
Ce sont des chiffres de planification, pas des devis — votre montant réel dépend du ratio de temps de parole, de l’effort de raisonnement et du caractère plus ou moins cacheable de vos prompts. L’ordre de grandeur est ce qui compte : avec la mise en cache et le VAD, la voix en direct n’est plus ce luxe « qui ne vaut le coup que si vous avez déjà une activité » qu’elle était en 2024. Pour un aperçu plus large de la budgétisation des coûts de l’API OpenAI entre les familles de modèles, consultez notre guide des coûts de l’API de raisonnement GPT-4o.
Effort de raisonnement et le niveau mini : où va l’argent
gpt-realtime-2.1 expose cinq niveaux de raisonnement — minimal, low (par défaut), medium, high, xhigh (OpenAI docs). Un effort plus élevé signifie davantage de jetons de réflexion, plus de latence et une facture plus élevée sur le compteur de sortie de texte. Le niveau par défaut low convient à la plupart des applications conversationnelles ; réservez high/xhigh aux échanges nécessitant un raisonnement en plusieurs étapes ou une utilisation complexe d’outils, puis redescendez ensuite.
Le palier mini est le levier le plus important. gpt-realtime-2.1-mini est environ 3× moins cher pour l’audio et le texte, tout en prenant toujours en charge l’appel de fonctions, les interruptions et l’alternance naturelle des tours de parole. Règle pratique : mini pour la majorité des tours qui relèvent de la recherche d’information ou de la confirmation, 2.1 pour les tours qui nécessitent un vrai raisonnement. Acheminer les requêtes selon cette complexité peut réduire considérablement le coût d’une session lorsque la plupart de votre trafic est simple.
Traduire et chuchoter : les offres à la minute
Deux modèles Realtime n'utilisent pas du tout la tarification par jetons, et ce sont les options les moins chères pour leurs tâches :
gpt-realtime-translate — $0.034/minute, traduction de la parole de plus de 70 langues d’entrée vers 13 langues de sortie en temps réel. Pour les lignes d’assistance multilingues ou l’interprétation en direct, c’est moins cher que d’exécuter le modèle complet 2.1 et c’est spécifiquement optimisé pour la traduction.
gpt-realtime-whisper — $0.017/minute, conversion vocale en texte en streaming. Encore moins cher, et utile lorsque vous avez besoin de sous-titres en direct ou d’un flux de transcription sans une conversation vocale complète.
Si votre travail consiste en de la traduction ou de la transcription plutôt qu’en un chat vocal ouvert, les utiliser à la place de gpt-realtime-2.1 est la plus grande source d’économies disponible.
Comment payer moins
Au-delà du choix du modèle et du niveau de raisonnement, les leviers de coût standard du Realtime :
Gardez le VAD activé. Les passages non vocaux ne devraient pas être facturés, mais seulement si le silence est réellement filtré — vérifiez que votre session ne diffuse pas du silence inutile.
Réduisez d’abord la sortie audio. La parole générée (la partie à 64 $/M) est le compteur le plus coûteux. Des réponses concises, des résumés, ou le passage au texte après le premier tour vocal s’additionnent rapidement.
Rendez les prompts cacheables. Gardez votre prompt système et le schéma des outils statiques et au début du contexte afin qu’ils bénéficient du tarif mis en cache ; les faire tourner à chaque tour fait perdre la remise de 80×.
Compressez les longues sessions. Résumez l’état de la conversation tous les quelques tours au lieu de rejouer l’intégralité de la transcription, ce qui refacture les jetons d’entrée.
Acheminement selon la complexité. Mini par défaut, puis basculez vers 2.1 uniquement lorsqu’un tour en a besoin.
Les endpoints relais qui revendent les mêmes modèles OpenAI Realtime à un tarif par token inférieur constituent une option supplémentaire — l’interface API est identique, donc l’intégration ne change pas; AIReiter en est un exemple.
FAQ
GPT-Live utilise-t-il l’API Realtime ?
Pas directement. GPT-Live est une fonctionnalité vocale de ChatGPT qui n’est pas encore exposée en tant qu’API développeur. Les modèles de l’API Realtime (gpt-realtime-2.1 et autres) sont l’équivalent destiné aux développeurs que vous pouvez utiliser dès aujourd’hui.
L'API Realtime d'OpenAI est-elle coûteuse ?
Moins que ce que suggère le taux de tokens — avec VAD et la mise en cache, c’est environ 0,04 $ à 0,10 $/minute sur 2.1 et bien moins sur mini. La section ci-dessus sur les tokens par rapport aux minutes explique pourquoi les estimations varient autant.
Combien coûte l'API Realtime par minute ?
Il n’y a pas de chiffre unique — cela dépend du ratio de temps de parole, de l’effort de raisonnement et de la mise en cache. Une session 2.1 bien réglée coûte environ 0,04–0,10 $/min ; le niveau mini coûte à peu près un tiers de cela ; translate et whisper sont fixes à 0,034 $ et 0,017 $/min.
Comment les jetons audio se convertissent-ils en minutes ?
Ne vous fiez pas à une règle approximative tokens-par-minute — calculez-le à partir de vos propres journaux d’utilisation. Pour une session gpt-realtime-2.1, additionnez les tokens facturés sur chaque mesure : entrée audio non mise en cache × $32/1M + entrée audio mise en cache × $0.40/1M + sortie audio × $64/1M + entrée texte × $4/1M + sortie texte × $24/1M (ajoutez entrée image × $5/1M si vous envoyez des images), puis divisez par les minutes de parole réelle. Ce chiffre mixte réel, avec le VAD et la mise en cache en jeu, est bien inférieur au calcul naïf des tokens.
API temps réel vs ElevenLabs ou Grok Voice ?
ElevenLabs excelle en matière de qualité TTS et est compétitif pour les flux centrés uniquement sur la narration ; la Realtime API l’emporte sur le raisonnement intégré et l’utilisation d’outils. Le Grok Voice Agent de xAI aurait été lancé à un tarif fixe de 0,05 $/minute (source), soit environ la moitié d’une configuration 2.1 typique — moins cher pour la voix pure, avec moins de fonctionnalités multimodales. Les modèles Gemini omni de Google sont une autre option realtime qu’il vaut la peine d’évaluer en termes de prix.
Qu'est-ce que l'entrée audio mise en cache, et combien cela permet-il d'économiser ?
Les entrées mises en cache coûtent 0,30–0,40 $/M au lieu de 10–32 $/M pour des préfixes répétés comme votre prompt système et vos outils. Dans une session qui réutilise un long prompt à chaque tour, cela fait la différence entre une facture raisonnable et une facture choquante.
Conclusion
Pour la plupart des applications vocales en 2026, commencez sur gpt-realtime-2.1-mini pour la majorité des tours, passez à gpt-realtime-2.1 uniquement lorsqu’un tour nécessite un vrai raisonnement, et utilisez translate ou whisper si votre tâche est spécifiquement multilingue ou de transcription. Laissez VAD activé, concevez des prompts à mettre en cache et réduisez la parole générée. Faites cela et les budgets d’utilisation de Realtime resteront dans les quelques cents par minute de parole pour la plupart des applications — bien en dessous du chiffre de 1 $/minute qui circule, et plus proches des 0,04 $ que les configurations vraiment bien optimisées constatent en pratique.