Realtime API от OpenAI — это то, к чему разработчики действительно обращаются, когда им нужен живой голос в приложении, — а не GPT-Live, который является функцией ChatGPT без API для разработчиков. Заголовочная цена — $32 за миллион входных аудиотокенов — выглядит жестоко, но в ментальной арифметике большинства людей есть ошибка: с обнаружением голосовой активности и кэшированием промптов реальный трафик speech-to-speech обходится ближе к $0.04 в минуту, а новый mini-tier снижает это ещё сильнее. Это руководство разбирает цены за июль 2026 года по всем четырём моделям Realtime, показывает, как аудиотокены на самом деле переводятся в минуты, и приводит конкретные примеры стоимости, чтобы вы могли планировать бюджет без догадок.
Что такое Realtime API (и почему это не GPT-Live)
GPT-Live, запущенный 8 июля 2026 года, — это полно-дуплексная голосовая модель OpenAI: она может слушать и говорить одновременно — и она обеспечивает работу нового голосового опыта ChatGPT Voice. Пока она ещё недоступна в качестве API для разработчиков; OpenAI говорит, что она «скоро появится», и принимает заявки. Если вы хотите сегодня создать голосовой продукт, то подключать нужно Realtime API: отдельное семейство моделей (gpt-realtime-2.1, более дешёвая gpt-realtime-2.1-mini, а также выделенные модели translate и whisper). Широко считается, что GPT-Live — это production-релиз модели, которую OpenAI тестировала в 2025 году под названием GPT-Bidi-1 — полную историю архитектуры смотрите в нашем предыдущем разборе. Что касается цен, оставайтесь на этой странице: далее «Realtime» означает модели API.
Текущие цены Realtime API (июль 2026)
Это текущие тарифы на странице цен OpenAI, проверенные 9 июля 2026 года. Аудио и текст тарифицируются за миллион токенов; две специализированные модели тарифицируются за минуту.
Модель | Модальность | Ввод | Кэшированный ввод | Вывод |
|---|---|---|---|---|
gpt-realtime-2.1 | Audio | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | Text | $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 | Text | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | Image | $0.80 | $0.08 | — |
gpt-realtime-translate | Audio (per min) | — | — | $0.034/min |
gpt-realtime-whisper | Audio (per min) | — | — | $0.017/min |
Прежде чем цифра $32 вас напугает, стоит обратить внимание на три вещи. Во-первых, мини-уровень (gpt-realtime-2.1-mini) примерно в три раза дешевле флагманского — $10/$20 за аудио против $32/$64 — и для многих голосовых приложений он вполне хорошо справляется с диалогом. Во-вторых, кэшированный аудиовход снижается до $0.30–$0.40 за миллион, что важно, потому что большинство сессий пересылают один и тот же системный prompt и определения инструментов на каждом ходе. В-третьих, цена за токен аудио ($32/$64) на самом деле оставалась стабильной с выпуска gpt-realtime-2 в 2025 году, снизившись с $40/$80 и $100/$200 в 2024 году — так что история 2026 года это скорее не «они снизили цену», а «они добавили дешевый mini-уровень и элементы управления рассуждением».
Токен против минуты: почему ваша оценка, вероятно, неверна
Один и тот же вопрос снова и снова заполняет форум разработчиков OpenAI: «$100 за миллион токенов, или $0.06 за минуту — так что же это?» Обе цифры появлялись в документации OpenAI в разное время для одной и той же модели. Причина, по которой людей шокирует цена — один разработчик написал, что он «даже не может протестировать это, не сжигая свой кошелек» — в том, что простая математика по токенам игнорирует три вещи, которые и определяют реальный счет.
Вы не платите за тишину. Серверное определение голосовой активности (VAD) от OpenAI предназначено для фильтрации не-речи, поэтому тишина, паузы и время ожидания обычно почти не влияют на счёт — подтвердите это в собственных логах использования.
Большая часть вашего ввода кэшируется. Системный prompt плюс схемы инструментов отправляются на каждом ходе; при prompt caching этот префикс тарифицируется по $0.30–$0.40/M вместо $32/M — почти в 80 раз дешевле.
Соотношение времени разговора сильно варьируется. 10-минутный "call" может содержать по две минуты фактической речи в каждую сторону. Счёт учитывает речь, а не реальное время.
Сложите это вместе, и почасовой показатель сильно колеблется в зависимости от того, кто его измеряет. Вот несколько анекдотических отчетов от разработчиков, которые опубликовали свои счета:
@kwindla (Aug 2025): ~$0.04 за минуту speech-to-speech, с учётом неявного кэширования токенов, плюс около $0.20/час просто за поддержание соединения.
@kevintpayne (May 2026): ~$18/час (≈ $0.30/мин) при более высокой нагрузке на время разговора.
@leonardsaros (Jul 2026): оценка ~$1/минута — вероятно, с использованием других допущений о VAD, кэшировании или времени разговора, та же ловушка, что и выше.
Это 25-кратный разброс при «одной и той же» цене. Вывод: не оценивайте стоимость только по rate за токен. Проведите реальную сессию, зафиксируйте входные/выходные токены и минуты речи, затем разделите. Для планирования ориентируйтесь на $0.04–$0.10/минуту для gpt-realtime-2.1 в типичном помощнике с включёнными caching и VAD, и примерно на треть от этого на mini-уровне.
Что стоит настоящий разговор
Оценка по проверенному поминутному диапазону более надежна, чем умножение токенных ставок. Возьмем две эталонные рабочие нагрузки.
Поддержка клиентов — 1 000 звонков/день, ~4 минуты речи звонящего + 1 минута речи агента на каждый звонок. При ~5 минутах тарифицируемой речи на звонок и усреднённой стоимости $0.08/минуту на gpt-realtime-2.1 (средний диапазон, с кэшированием и VAD) это составляет примерно $0.40/звонок, или около $12,000/месяц при 1 000 звонках в день. Та же нагрузка на gpt-realtime-2.1-mini снижает стоимость примерно до $0.13/звонок (~$4,000/месяц) — при условии, что модель mini справляется с вызовами инструментов и рассуждениями, что для простых сценариев IVR и FAQ она обычно делает.
Голосовой помощник — 100 ежедневных активных пользователей, по 3 коротких сеанса у каждого. Это примерно ~1,5 минуты речи на пользователя в день. При $0.08/мин на 2.1 это около ~$0.12/пользователь/день, или примерно $360/месяц; на mini — ближе к $120/месяц.
Это ориентировочные расчёты, а не точные цены — ваша реальная сумма зависит от соотношения времени разговора, объёма reasoning и того, насколько хорошо кэшируются ваши prompts. Важен порядок величины: с caching и VAD live voice уже не является той роскошью в духе «имеет смысл только если у вас уже есть бизнес», какой он был в 2024 году. Для более широкого обзора бюджетирования затрат OpenAI API по семействам моделей см. наше руководство по стоимости API рассуждений GPT-4o.
Уровень reasoning effort и mini tier: куда уходят деньги
gpt-realtime-2.1 предоставляет пять уровней рассуждения — minimal, low (default), medium, high, xhigh (OpenAI docs). Более высокий уровень означает больше токенов на мышление, большую задержку и более крупный счёт по метру текстового вывода. Значение по умолчанию low подходит для большинства разговорных приложений; оставляйте high/xhigh для ходов, требующих многошагового рассуждения или сложного использования инструментов, а затем снова снижайте уровень.
Тариф mini — это более мощный рычаг. gpt-realtime-2.1-mini примерно в 3 раза дешевле для аудио и текста и при этом по-прежнему поддерживает вызов функций, прерывания и естественную смену реплик. Практическое правило: mini — для большей части реплик, связанных с поиском или подтверждением, 2.1 — для реплик, где требуется настоящее рассуждение. Такая маршрутизация по сложности может существенно снизить стоимость сеанса, когда большая часть вашего трафика проста.
Перевод и Whisper: поминутные выгодные предложения
Две Realtime-модели вообще не используют токенную тарификацию, и они являются самыми дешевыми вариантами для своих задач:
gpt-realtime-translate — $0.034/minute, перевод речи с более чем 70 входных языков на 13 выходных языков в реальном времени. Для линий поддержки на нескольких языках или устного перевода это дешевле, чем запуск полной модели 2.1, и специально настроено для перевода.
gpt-realtime-whisper — $0.017/minute, потоковое преобразование речи в текст. Ещё дешевле и полезно, когда нужны живые субтитры или поток расшифровки без полноценного голосового диалога.
Если ваша работа — перевод или транскрибация, а не голосовой чат с открытым концом, выбор этих вариантов вместо gpt-realtime-2.1 даёт самую большую доступную экономию затрат.
Как платить меньше
Помимо выбора модели и уровня reasoning, стандартные рычаги стоимости Realtime:
Держите VAD включённым. Неразговорная речь не должна тарифицироваться, но только если тишина действительно отфильтровывается — проверьте, что ваша сессия не передаёт в поток пустой звук.
Сначала обрезайте аудиовывод. Сгенерированная речь (сторона за $64/M) — это самый дорогой счётчик. Краткие ответы, резюме или переход на текст после первого голосового хода быстро дают значительную экономию.
Делайте промпты кэшируемыми. Держите системный промпт и схему инструментов статичными и в начале контекста, чтобы они попадали в кэшируемый тариф; если менять их на каждом ходе, вы теряете скидку 80×.
Сжимайте длинные сессии. Суммируйте состояние диалога каждые несколько ходов вместо повторной отправки полной расшифровки, которая заново тарифицирует входные токены.
Маршрутизируйте по сложности. Mini по умолчанию, переходите на 2.1 только когда это нужно для конкретного хода.
Relay endpoints, которые перепродают те же модели OpenAI Realtime по более низкой ставке за токен, — это ещё один вариант; поверхность API идентична, поэтому интеграция не меняется; AIReiter — один из примеров.
FAQ
Использует ли GPT-Live Realtime API?
Не напрямую. GPT-Live — это голосовая функция ChatGPT, которая пока не доступна как developer API. Модели Realtime API (gpt-realtime-2.1 и другие) — это аналог для разработчиков, который вы можете использовать уже сегодня.
Дорогой ли OpenAI Realtime API?
Меньше, чем можно предположить по тарифу за токены — с VAD и кэшированием это примерно $0.04–$0.10/минуту на 2.1 и гораздо меньше на mini. В разделе выше про токены и минуты объясняется, почему оценки так сильно различаются.
Сколько стоит Realtime API в минуту?
Нет единого числа — это зависит от соотношения времени разговора, объёма рассуждений и кеширования. Хорошо настроенная сессия 2.1 стоит примерно $0.04–$0.10/мин; тариф mini — примерно треть от этого; translate и whisper имеют фиксированную стоимость $0.034 и $0.017/мин.
Как аудиотокены преобразуются в минуты?
Не доверяйте правилу «токены в минуту» — вычислите это по собственным журналам использования. Для сеанса gpt-realtime-2.1 сложите оплачиваемые токены по всем метрикам: некэшированный аудиовход × $32/1M + кэшированный аудиовход × $0.40/1M + аудиовыход × $64/1M + текстовый ввод × $4/1M + текстовый вывод × $24/1M (добавьте ввод изображений × $5/1M, если отправляете изображения), затем разделите на минуты фактической речи. Эта реальная усреднённая величина с учётом VAD и кэширования оказывается гораздо ниже наивных подсчётов токенов.
Realtime API против ElevenLabs или Grok Voice?
ElevenLabs отличается качеством TTS и конкурентоспособен для сценариев только с озвучкой; Realtime API выигрывает за счёт встроенного reasoning и использования инструментов. Сообщается, что xAI Grok Voice Agent был запущен по фиксированной цене $0.05/минуту (source), что примерно вдвое дешевле типичной конфигурации 2.1 — дешевле для чистого голоса, но с меньшим числом мультимодальных функций. Модели Google Gemini omni models — ещё один вариант realtime, который стоит оценить по стоимости.
Что такое кэшированный аудиовход и насколько он экономит?
Кэшированные входные токены стоят $0.30–$0.40/M вместо $10–$32/M для повторяющихся префиксов, таких как ваш системный prompt и инструменты. В сессии, где большой prompt переиспользуется на каждом ходе, это разница между разумным счетом и шокирующим.
Итог
Для большинства voice apps в 2026 году начинайте с gpt-realtime-2.1-mini для основной части turns, переключайтесь на gpt-realtime-2.1 только когда turn требует настоящего reasoning, и используйте translate или whisper если ваша задача specifically multilingual или transcription. Оставляйте VAD включённым, проектируйте prompts так, чтобы они кэшировались, и сокращайте сгенерированную речь. Сделайте это — и бюджеты Realtime usage для большинства apps окажутся на уровне нескольких центов за speech-minute, что намного ниже цифры $1/minute, которая ходит по кругу, и ближе к $0.04, которые на самом деле видят хорошо оптимизированные setups.