A Realtime API da OpenAI é aquela que os desenvolvedores realmente chamam quando precisam de voz em tempo real em um app — não GPT-Live, que é um recurso do ChatGPT sem API para desenvolvedores ainda. O preço principal, US$ 32 por milhão de tokens de entrada de áudio, parece brutal, mas a conta mental da maioria das pessoas está errada: com detecção de atividade de voz e cache de prompt, o tráfego real de fala para fala fica mais perto de US$ 0,04 por minuto, e a nova camada mini reduz isso ainda mais. Este guia detalha os preços de julho de 2026 em todos os quatro modelos Realtime, mostra como os tokens de áudio realmente se convertem em minutos e traz exemplos concretos de custo para que você possa fazer seu orçamento sem adivinhações.
O que é a Realtime API (e por que ela não é o GPT-Live)
GPT-Live, lançado em 8 de julho de 2026, é o modelo de voz full-duplex da OpenAI — ele pode ouvir e falar ao mesmo tempo — e alimenta a nova experiência de Voz do ChatGPT. Ainda não está disponível como uma API para desenvolvedores; a OpenAI diz que ele está "chegando em breve" e está coletando inscrições. Se você quiser criar um produto de voz hoje, o que você deve integrar é a Realtime API: uma família separada de modelos (gpt-realtime-2.1, o mais barato gpt-realtime-2.1-mini, além de modelos dedicados de translate e whisper). Entende-se amplamente que GPT-Live é o lançamento em produção do modelo que a OpenAI estava testando em 2025 sob o nome GPT-Bidi-1 — para a história completa da arquitetura, veja nossa análise anterior. Para preços, continue nesta página: daqui em diante, "Realtime" significa os modelos da API.
Preços atuais da Realtime API (julho de 2026)
Estas são as tarifas ao vivo na página de preços da OpenAI, verificadas em 9 de julho de 2026. Áudio e texto são cobrados por milhão de tokens; os dois modelos especializados são cobrados por minuto.
Modelo | Modalidade | Entrada | Entrada em cache | Saída |
|---|---|---|---|---|
gpt-realtime-2.1 | Áudio | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | Texto | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | Imagem | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | Áudio | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | Texto | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | Imagem | $0.80 | $0.08 | — |
gpt-realtime-translate | Áudio (por min) | — | — | $0.034/min |
gpt-realtime-whisper | Áudio (por min) | — | — | $0.017/min |
Três coisas valem ser observadas antes que o valor de $32 lhe cause pânico. Primeiro, o plano mini (gpt-realtime-2.1-mini) custa cerca de um terço do principal — áudio de $10/$20 versus $32/$64 — e, para muitos apps de voz, ele lida bem com a conversa. Segundo, a entrada de áudio em cache cai para $0.30–$0.40 por milhão, o que importa porque a maioria das sessões reenviam o mesmo prompt do sistema e as definições das ferramentas a cada turno. Terceiro, a taxa de áudio por token ($32/$64) na verdade tem se mantido estável desde o lançamento do gpt-realtime-2 em 2025, depois de ter caído de $40/$80 e $100/$200 em 2024 — então a história de 2026 é menos "eles reduziram o preço" e mais "eles adicionaram um plano mini barato e controles de raciocínio."
Token vs minuto: por que sua estimativa provavelmente está errada
A mesma pergunta aparece no fórum de desenvolvedores da OpenAI repetidas vezes: "US$ 100 por milhão de tokens, ou US$ 0,06 por minuto — qual é?" Ambos os números já apareceram na própria documentação da OpenAI em momentos diferentes, para o mesmo modelo. O motivo do choque com o preço — um desenvolvedor escreveu que "não dá nem para testar isso sem queimar minha carteira" — é que a conta bruta de tokens ignora três coisas que dominam a fatura real.
Você não paga pelo silêncio. A detecção de atividade de voz (VAD) do lado do servidor da OpenAI foi projetada para filtrar não fala, então silêncio, pausas e tempo em espera geralmente contribuem pouco para a conta — confirme isso nos seus próprios registros de uso.
A maior parte da sua entrada fica em cache. Um prompt do sistema mais os schemas das ferramentas é enviado em cada turno; com o prompt caching, esse prefixo é cobrado a $0.30–$0.40/M em vez de $32/M — cerca de 80× mais barato.
A proporção de tempo de fala varia enormemente. Uma "chamada" de 10 minutos pode conter dois minutos de fala real em cada direção. A cobrança acompanha a fala, não o tempo de relógio.
Empilhe isso tudo e o valor por minuto oscila drasticamente, dependendo de quem está fazendo a medição. Alguns relatos anedóticos de desenvolvedores que հրապարակaram suas contas:
@kwindla (Ago 2025): ~US$0,04 por minuto de fala para fala, considerando o cache implícito de tokens, mais cerca de US$0,20/hora apenas para permanecer conectado.
@kevintpayne (Mai 2026): ~US$18/hora (≈ US$0,30/min) em uma carga de trabalho de tempo de fala mais pesada.
@leonardsaros (Jul 2026): uma estimativa de ~US$1/minuto — provavelmente usando suposições diferentes sobre VAD, cache ou tempo de fala, a mesma armadilha acima.
Isso é um spread de 25× sobre o preço "igual". A conclusão: não estime apenas com base na taxa por token. Execute uma sessão real, registre os tokens de entrada/saída e os minutos de fala, e então divida. Como faixa de planejamento, espere US$0,04–US$0,10/minuto para gpt-realtime-2.1 em um assistente típico com cache e VAD ativados, e aproximadamente um terço disso no nível mini.
Quanto custa uma conversa de verdade
Estimar com base na faixa verificada por minuto é mais confiável do que multiplicar as taxas de tokens. Considere duas cargas de trabalho de referência.
Suporte ao cliente — 1.000 chamadas/dia, ~4 minutos de fala do cliente + 1 minuto de fala do agente em cada uma. Com ~5 minutos de fala cobrada por chamada e um valor combinado de $0,08/minuto em gpt-realtime-2.1 (faixa intermediária, com cache e VAD), isso dá cerca de $0,40/chamada, ou aproximadamente $12.000/mês com 1.000 chamadas/dia. A mesma carga no gpt-realtime-2.1-mini cai para cerca de $0,13/chamada (~$4.000/mês) — desde que o modelo mini consiga lidar com suas chamadas de ferramenta e raciocínio, o que, para fluxos simples de IVR e FAQ, geralmente acontece.
Assistente de voz — 100 usuários ativos diários, 3 sessões curtas cada. Diga ~1,5 minuto de fala por usuário por dia. A $0,08/min em 2.1, isso dá ~$0,12/usuário/dia, ou cerca de $360/mês; no mini, mais perto de $120/mês.
Estes são valores de planejamento, não cotações — seu número real depende da proporção de tempo de fala, do esforço de raciocínio e de quão cacheáveis são seus prompts. A ordem de grandeza é o ponto: com caching e VAD, voz ao vivo já não é mais o luxo “só vale a pena se você já tiver um negócio existente” que era em 2024. Para uma visão mais ampla sobre como orçar os custos da OpenAI API entre famílias de modelos, veja nosso guia de custos da API de raciocínio do GPT-4o.
Esforço de raciocínio e o nível mini: para onde vai o dinheiro
gpt-realtime-2.1 expõe cinco níveis de raciocínio — minimal, low (default), medium, high, xhigh (OpenAI docs). Maior esforço significa mais tokens de raciocínio, mais latência e uma conta maior no medidor de saída de texto. O padrão low é ideal para a maioria dos apps conversacionais; reserve high/xhigh para turnos que exigem raciocínio em عدة etapas ou uso complexo de ferramentas, e depois reduza novamente.
O nível mini é a alavanca mais importante. gpt-realtime-2.1-mini é aproximadamente 3× mais barato em áudio e texto e ainda faz chamadas de função, interrupções e alternância natural de turnos. Uma regra prática: mini para a maior parte dos turnos que são de recuperação ou confirmação, 2.1 para os turnos que precisam de raciocínio real. Roteamento por complexidade dessa forma pode reduzir substancialmente o custo de uma sessão quando a maior parte do seu tráfego é simples.
Traduzir e Sussurrar: as pechinchas por minuto
Dois modelos Realtime não usam precificação por token de forma alguma e são as opções mais baratas para suas tarefas:
gpt-realtime-translate — $0.034/minuto, traduzindo fala de mais de 70 idiomas de entrada para 13 idiomas de saída em tempo real. Para linhas de suporte multilíngues ou interpretação ao vivo, isso é mais barato do que executar o modelo completo 2.1 e é ajustado especificamente para tradução.
gpt-realtime-whisper — $0.017/minuto, conversão de fala para texto em streaming. Ainda mais barato e útil quando você precisa de legendas ao vivo ou de um fluxo de transcrição sem uma conversa de voz completa.
Se o seu trabalho é tradução ou transcrição, em vez de chat de voz aberto, optar por estes em vez de gpt-realtime-2.1 é a maior economia de custo disponível.
Como pagar menos
Além da escolha de modelo e de nível de raciocínio, as alavancas padrão de custo do Realtime:
Mantenha o VAD ativado. Trechos sem fala não devem ser cobrados, mas somente se o silêncio estiver realmente filtrado — verifique se sua sessão não está transmitindo silêncio vazio.
Reduza primeiro a saída de áudio. A fala gerada (o lado de $64/M) é o medidor mais caro. Respostas concisas, resumos ou mudar para texto após a primeira interação por voz acumulam rápido.
Faça os prompts serem armazenáveis em cache. Mantenha seu prompt de sistema e o esquema da ferramenta estáticos e no início do contexto para que sejam cobrados pela taxa em cache; alterná-los a cada turno desperdiça o desconto de 80×.
Comprima sessões longas. Resuma o estado da conversa a cada poucos turnos em vez de reproduzir todo o transcript, o que cobra novamente tokens de entrada.
Roteie por complexidade. Mini por padrão, escale para 2.1 apenas quando um turno realmente precisar.
Endpoints relay que revendem os mesmos modelos OpenAI Realtime a uma taxa por token mais baixa são mais uma opção — a superfície da API é idêntica, então a integração não muda; AIReiter é um exemplo.
FAQ
O GPT-Live usa a API Realtime?
Não diretamente. GPT-Live é um recurso de voz do ChatGPT que ainda não foi disponibilizado como uma API de desenvolvedor. Os modelos da Realtime API (gpt-realtime-2.1 e outros) são o equivalente voltado para desenvolvedores que você pode chamar hoje.
A API Realtime da OpenAI é cara?
Menos do que a taxa de token sugere — com VAD e cache, fica em torno de $0,04–$0,10/minuto no 2.1 e muito menos no mini. A seção acima sobre tokens versus minutos explica por que as estimativas variam tanto.
Quanto custa a Realtime API por minuto?
Não há um único valor — isso depende da proporção de tempo de fala, do esforço de raciocínio e do cache. Uma sessão 2.1 bem ajustada custa cerca de $0.04–$0.10/min; o nível mini é aproximadamente um terço disso; translate e whisper têm tarifa fixa de $0.034 e $0.017/min.
Como os tokens de áudio se convertem em minutos?
Não confie em uma regra prática de tokens por minuto — calcule isso a partir dos seus próprios logs de uso. Para uma sessão gpt-realtime-2.1, some os tokens cobrados em cada medidor: entrada de áudio não em cache × $32/1M + entrada de áudio em cache × $0.40/1M + saída de áudio × $64/1M + entrada de texto × $4/1M + saída de texto × $24/1M (adicione entrada de imagem × $5/1M se você enviar imagens) e, então, divida pelos minutos de fala real. Esse valor combinado real, com VAD e cache em ação, fica muito abaixo da matemática ingênua de tokens.
API em Tempo Real vs ElevenLabs ou Grok Voice?
ElevenLabs se destaca na qualidade de TTS e é competitivo para fluxos apenas de narração; a Realtime API vence em raciocínio integrado e uso de ferramentas. O Grok Voice Agent da xAI teria sido lançado com um preço fixo de US$ 0,05/minuto (source), cerca de metade de uma configuração típica 2.1 — mais barato para voz pura, com menos recursos multimodais. Os modelos Gemini omni do Google são outra opção em tempo real que vale a pena precificar.
O que é entrada de áudio em cache e quanto ela economiza?
Entradas em cache custam US$0,30–US$0,40/M em vez de US$10–US$32/M para prefixos repetidos como seu prompt de sistema e ferramentas. Em uma sessão que reutiliza um prompt grande a cada turno, a diferença é entre uma conta razoável e uma assustadora.
Conclusão
Para a maioria dos apps de voz em 2026, comece com gpt-realtime-2.1-mini para a maior parte das interações, escale para gpt-realtime-2.1 somente quando uma interação exigir raciocínio real, e use translate ou whisper se a sua tarefa for especificamente multilíngue ou de transcrição. Mantenha o VAD ativado, estruture prompts para cache e reduza o discurso gerado. Faça isso e os orçamentos de uso do Realtime ficarão na faixa de centavos baixos por minuto de fala para a maioria dos apps — bem abaixo da cifra de US$ 1/minuto que está circulando, e mais perto dos US$ 0,04 que as configurações realmente otimizadas alcançam.