La Realtime API di OpenAI è quella che gli sviluppatori chiamano davvero quando hanno bisogno di voce in tempo reale in un’app — non GPT-Live, che è una funzionalità di ChatGPT senza ancora una API per sviluppatori. Il prezzo in evidenza, 32 $ per milione di token audio in input, sembra brutale, ma il calcolo mentale della maggior parte delle persone è sbagliato: con il rilevamento dell’attività vocale e il prompt caching, il traffico reale da speech-to-speech si aggira più vicino a 0,04 $ al minuto, e il nuovo livello mini riduce ulteriormente quel costo. Questa guida analizza i prezzi di luglio 2026 per tutti e quattro i modelli Realtime, mostra come i token audio si convertono davvero in minuti e fornisce esempi concreti di costo così da poter fare budget senza andare a intuito.
Cos'è la Realtime API (e perché non è GPT-Live)
GPT-Live, lanciato il 8 luglio 2026, è il modello vocale full-duplex di OpenAI — può ascoltare e parlare allo stesso tempo — e alimenta la nuova esperienza vocale di ChatGPT. Non è ancora disponibile come API per sviluppatori; OpenAI afferma che è "coming soon" e sta raccogliendo iscrizioni. Se oggi vuoi creare un prodotto vocale, ciò che devi integrare è la Realtime API: una famiglia separata di modelli (gpt-realtime-2.1, il più economico gpt-realtime-2.1-mini, oltre a modelli dedicati per translate e whisper). GPT-Live è ampiamente considerato la release di produzione del modello che OpenAI stava testando nel 2025 con il nome GPT-Bidi-1 — per la storia completa dell'architettura, consulta la nostra analisi precedente. Per i prezzi, rimani su questa pagina: da qui in avanti, "Realtime" indica i modelli API.
Prezzi attuali dell'API Realtime (luglio 2026)
Queste sono le tariffe aggiornate in tempo reale sulla pagina dei prezzi di OpenAI, verificate il 9 luglio 2026. Audio e testo vengono fatturati per milione di token; i due modelli specializzati vengono fatturati per minuto.
Modello | Modalità | Input | Input memorizzato nella cache | Output |
|---|---|---|---|---|
gpt-realtime-2.1 | Audio | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | Testo | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | Immagine | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | Audio | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | Testo | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | Immagine | $0.80 | $0.08 | — |
gpt-realtime-translate | Audio (per min) | — | — | $0.034/min |
gpt-realtime-whisper | Audio (per min) | — | — | $0.017/min |
Tre cose meritano di essere notate prima che la cifra di $32 vi faccia andare in panico. Primo, il livello mini (gpt-realtime-2.1-mini) costa circa un terzo del modello di punta — audio a $10/$20 contro $32/$64 — e per molte app vocali gestisce bene la conversazione. Secondo, l’input audio memorizzato nella cache scende a $0.30–$0.40 per milione, il che conta perché la maggior parte delle sessioni reinvia a ogni turno lo stesso system prompt e le stesse definizioni degli strumenti. Terzo, la tariffa audio per token ($32/$64) è in realtà rimasta stabile dal rilascio di gpt-realtime-2 del 2025, dopo essere scesa da $40/$80 e $100/$200 nel 2024 — quindi la storia del 2026 è meno “hanno tagliato il prezzo” e più “hanno aggiunto un livello mini economico e controlli di reasoning”.
Token vs minuto: perché la tua stima è probabilmente sbagliata
La stessa domanda riempie il forum degli sviluppatori OpenAI ancora e ancora: "$100 per million tokens, or $0.06 per minute — which is it?" Entrambi i numeri sono comparsi nella documentazione di OpenAI in momenti diversi, per lo stesso modello. Il motivo per cui le persone restano scioccate dal prezzo — uno sviluppatore ha نوشته che "non posso nemmeno testarlo senza bruciarmi il portafoglio" — è che il calcolo grezzo dei token ignora tre cose che determinano la vera fattura.
Non paghi per il silenzio. Il rilevamento dell'attività vocale lato server di OpenAI (VAD) è progettato per filtrare i non parlato, quindi il silenzio, le pause e il tempo in attesa di solito incidono poco sulla fattura — verificare nei tuoi registri di utilizzo.
La maggior parte del tuo input è memorizzata nella cache. Un prompt di sistema più gli schemi degli strumenti viene inviato a ogni turno; con il prompt caching, quel prefisso viene fatturato a $0.30–$0.40/M invece di $32/M — quasi 80× più economico.
Il rapporto del tempo di conversazione varia enormemente. Una "chiamata" di 10 minuti potrebbe contenere due minuti di parlato effettivo in ciascuna direzione. La fattura tiene traccia del parlato, non del tempo trascorso sul calendario.
Somma tutto e il valore per minuto oscilla drasticamente a seconda di chi fa la misurazione. Ecco alcune segnalazioni aneddotiche di sviluppatori che hanno pubblicato i loro conti:
@kwindla (Ago 2025): ~$0.04 al minuto di speech-to-speech, tenendo conto del caching implicito dei token, più circa $0.20/ora solo per rimanere connessi.
@kevintpayne (Mag 2026): ~$18/ora (≈ $0.30/min) in un carico di lavoro con tempo di conversazione più elevato.
@leonardsaros (Lug 2026): una stima di ~$1/minuto — probabilmente usando ipotesi diverse su VAD, caching o tempo di conversazione, la stessa trappola di cui sopra.
Quello è uno spread di 25× sul prezzo "stesso". La conclusione: non stimare dal solo tasso per token. Esegui una sessione reale, registra i token di input/output e i minuti di parlato, poi dividi. Come intervallo di pianificazione, aspettati $0.04–$0.10/minuto per gpt-realtime-2.1 in un assistente tipico con caching e VAD abilitati, e circa un terzo di ذلك al livello mini.
Quanto costa una vera conversazione
Stimare in base all'intervallo verificato al minuto è più affidabile che moltiplicare i tassi di token. Prendiamo due carichi di lavoro di riferimento.
Assistenza clienti — 1.000 chiamate/giorno, ~4 minuti di parlato del chiamante + 1 minuto di parlato dell'agente ciascuna. Con ~5 minuti di parlato fatturato per chiamata e un costo medio di $0,08/minuto su gpt-realtime-2.1 (fascia media, con caching e VAD), si tratta di circa $0,40/chiamata, ovvero all'incirca $12.000/mese a 1.000 chiamate/giorno. Lo stesso carico su gpt-realtime-2.1-mini scende a circa $0,13/chiamata (~$4.000/mese) — a condizione che il modello mini gestisca le chiamate agli strumenti e il ragionamento, cosa che per flussi IVR e FAQ semplici di solito fa.
Assistente vocale — 100 utenti attivi al giorno, 3 brevi sessioni ciascuno. Si considerano ~1,5 minuti di parlato per utente al giorno. A $0.08/min su 2.1, ciò equivale a circa ~$0.12/utente/giorno, ovvero circa $360/mese; su mini, più vicino a $120/mese.
Queste sono stime di pianificazione, non preventivi — il tuo valore reale dipende dal rapporto di conversazione, dall’impegno di ragionamento e da quanto siano cacheabili i tuoi prompt. L’ordine di grandezza è il punto: con caching e VAD, la voce live non è più il lusso "che vale la pena solo se hai un’attività già avviata" che era nel 2024. Per uno sguardo più ampio alla pianificazione dei costi dell’OpenAI API tra le famiglie di modelli, consulta la nostra guida ai costi dell’API di ragionamento di GPT-4o.
Sforzo di ragionamento e il livello mini: dove va il denaro
gpt-realtime-2.1 espone cinque livelli di ragionamento — minimal, low (predefinito), medium, high, xhigh (documentazione OpenAI). Un effort più alto significa più token di pensiero, più latenza e una bolletta più alta sul contatore dell’output testuale. Il valore low predefinito è adatto alla maggior parte delle app conversazionali; riserva high/xhigh agli scambi che richiedono ragionamento in più passaggi o un uso complesso degli strumenti, quindi torna poi a un livello più basso.
Il livello mini è la leva più importante. gpt-realtime-2.1-mini è all'incirca 3× più economico per audio e testo e supporta comunque il function calling, le interruzioni e il turn-taking naturale. Una regola pratica: mini per la maggior parte dei turni di recupero o conferma, 2.1 per i turni che richiedono un vero ragionamento. Instradare in questo modo in base alla complessità può ridurre sensibilmente il costo di una sessione quando la maggior parte del traffico è semplice.
Traduci e Sussurra: le occasioni al minuto
Due modelli Realtime non utilizzano affatto il prezzo per token, e sono le opzioni più economiche per i loro compiti:
gpt-realtime-translate — $0.034/minuto, traduce il parlato da oltre 70 lingue di input in 13 lingue di output in tempo reale. Per linee di supporto multilingue o interpretazione dal vivo, questa soluzione costa meno dell'esecuzione del modello completo 2.1 ed è ottimizzata specificamente per la traduzione.
gpt-realtime-whisper — $0.017/minuto, speech-to-text in streaming. Ancora più economico e utile quando ti servono sottotitoli in tempo reale o un feed di trascrizione senza una conversazione vocale completa.
Se il tuo lavoro è la traduzione o la trascrizione piuttosto che una chat vocale aperta, scegliere questi invece di gpt-realtime-2.1 è il singolo risparmio sui costi più grande disponibile.
Come pagare meno
Oltre alla scelta del modello e del livello di ragionamento, i consueti fattori di costo di Realtime:
Tieni il VAD attivo. La non-speech non dovrebbe essere fatturata, ma solo se il silenzio viene effettivamente filtrato — verifica che la tua sessione non stia trasmettendo silenzio inutile.
Riduci prima l'output audio. Il parlato generato (la parte da $64/M) è il contatore più oneroso. Risposte concise, riepiloghi o passare al testo dopo il primo turno vocale si sommano rapidamente.
Rendi memorizzabili i prompt. Mantieni statici il prompt di sistema e lo schema degli strumenti e mettili all'inizio del contesto in modo che rientrino nella tariffa cached; cambiarli a ogni turno fa perdere lo sconto 80×.
Comprimi le sessioni lunghe. Riassumi lo stato della conversazione ogni pochi turni invece di riprodurre l'intera trascrizione, che comporta una nuova fatturazione dei token di input.
Instrada in base alla complessità. Mini per impostazione predefinita, passa a 2.1 solo quando un turno lo richiede.
I endpoint Relay che rivendono gli stessi modelli OpenAI Realtime a una tariffa per token inferiore sono un’opzione in più — la superficie API è identica, quindi l’integrazione non cambia; AIReiter è un esempio.
FAQ
GPT-Live utilizza la Realtime API?
Non direttamente. GPT-Live è una funzionalità vocale di ChatGPT che non è ancora esposta come API per sviluppatori. I modelli della Realtime API (gpt-realtime-2.1 e simili) sono l'equivalente rivolto agli sviluppatori che puoi utilizzare oggi.
L'API Realtime di OpenAI è costosa?
Meno di quanto suggerisce il tasso di token — con VAD e caching è circa $0.04–$0.10/minuto su 2.1 e molto meno su mini. La sezione sopra sul rapporto token-vs-minute spiega perché le stime variano così tanto.
Quanto costa al minuto la Realtime API?
Non esiste un numero unico: dipende dal rapporto di tempo di conversazione, dall’impegno di reasoning e dalla cache. Una sessione 2.1 ben ottimizzata costa circa $0.04–$0.10/min; il livello mini circa un terzo di questo; translate e whisper sono fissi a $0.034 e $0.017/min.
Come si convertono i token audio in minuti?
Non fidarti di una regola pratica token-per-minuto — calcolala dai tuoi registri di utilizzo. Per una sessione gpt-realtime-2.1, somma i token fatturati su ogni metrica: input audio non memorizzato × $32/1M + input audio memorizzato × $0.40/1M + output audio × $64/1M + input testo × $4/1M + output testo × $24/1M (aggiungi input immagine × $5/1M se invii immagini), quindi dividi per i minuti di parlato effettivo. Quel valore medio reale, con VAD e caching in gioco, risulta molto inferiore alla matematica ingenua dei token.
API in tempo reale vs ElevenLabs o Grok Voice?
ElevenLabs eccelle nella qualità TTS ed è competitiva per i flussi di sola narrazione; la Realtime API vince nell'integrazione del reasoning e nell'uso di strumenti. Il Grok Voice Agent di xAI sarebbe stato lanciato a una tariffa fissa di $0.05/minuto (source), circa la metà di una tipica configurazione 2.1 — più economico per la sola voce, con meno funzionalità multimodali. I modelli Gemini omni di Google sono un'altra opzione realtime che vale la pena valutare in termini di prezzo.
Che cos’è l’input audio memorizzato nella cache e quanto fa risparmiare?
Le tariffe di input in cache sono di $0.30–$0.40/M invece di $10–$32/M per prefissi ripetuti come il tuo prompt di sistema e gli strumenti. In una sessione che riutilizza un prompt lungo a ogni turno, la differenza è tra una fattura ragionevole e una scioccante.
Conclusione
Per la maggior parte delle app vocali nel 2026, inizia con gpt-realtime-2.1-mini per la maggior parte dei turni, passa a gpt-realtime-2.1 solo quando un turno richiede un ragionamento vero, e usa translate o whisper se il tuo compito è specificamente multilingue o di trascrizione. Tieni attivo il VAD, progetta prompt da memorizzare nella cache e riduci il parlato generato. Fai così e i budget di utilizzo di Realtime saranno nell’ordine di pochi centesimi per minuto di parlato per la maggior parte delle app — molto al di sotto della cifra di $1/minuto che circola, e più vicini ai $0.04 che i setup davvero ottimizzati vedono effettivamente.