OpenAI выпустила GPT-Realtime-2.1 и GPT-Realtime-2.1-mini для голосовых агентов

OpenAI добавила в API два новых Realtime-модели - gpt-realtime-2.1 и gpt-realtime-2.1-mini. Оба рассчитаны на голосовые агенты с низкой задержкой, но между ними есть принципиальное различие по цене и возможностям.

Что такое gpt-realtime-2.1-mini и почему это интересно

Gpt-realtime-2.1-mini - первая mini reasoning-модель для голоса в реальном времени. Она принимает аудио и текст через живое соединение и, что важно, умеет «думать» внутри перед тем как ответить.

При этом цена осталась на уровне предыдущего gpt-realtime-mini. То есть возможность рассуждений теперь доступна без доплаты за переход на более дорогую модель.

Модель поддерживает вызов функций (tool use / function calling) прямо через Realtime API. Это позволяет строить сценарии: модель формулирует шаг, вызывает твою функцию, потом отвечает пользователю.

Что изменилось в gpt-realtime-2.1 (старший брат)

Gpt-realtime-2.1 обновляет предыдущий GPT-Realtime-2. Из конкретных улучшений:

• лучше распознаёт буквенно-цифровые последовательности (например, коды деталей или номера счетов)
• улучшена обработка тишины, шумов и ситуаций, когда пользователь прерывает речь
• поддерживает speech-to-speech с настраиваемым уровнем рассуждений, следование инструкциям и tool use

Когда выбирать полную версию: когда нужна максимальная точность reasoning, сложные инструкции и поведение полноценного голосового агента. Mini подойдёт, когда важнее скорость и стоимость.

Снижение p95-задержки на 25%

P95-задержка - это время ответа на уровне 95-го перцентиля, то есть «медленные хвосты», которые пользователи реально ощущают в разговоре. OpenAI снизила этот показатель минимум на 25% по всем Realtime-моделям за счёт улучшенного кеширования.

Кеширование здесь работает двойным образом: снижает и задержку, и стоимость. Системный промпт кешируется после первого хода сессии, и это особенно выгодно для длинных диалогов.

Цены: конкретные цифры

Всё считается по токенам (за 1M), раздельно для текста, аудио и изображений.

Для gpt-realtime-2.1-mini:

• аудио-вход: $10.00 за 1M токенов (обычный)
• аудио-вход кешированный: $0.30 за 1M - скидка в 33 раза
• аудио-выход: $20.00 за 1M

Для gpt-realtime-2.1:

• аудио-выход: $64.00 за 1M - примерно в 3 раза дороже, чем у mini

Если сессии длинные и системный промпт большой - кеш отрабатывает уже с первого хода и экономия становится ощутимой.

Зачем нужно рассуждение в голосовом агенте

Это решает конкретную проблему: когда голосовой агент вызывает функцию, он замолкает. Пользователь думает, что соединение упало, и прерывает. В итоге - незавершённые вызовы и сломанный контекст разговора.

С рассуждением модель может сказать «сейчас проверю заказ» и продолжать говорить, пока обрабатывает запрос. Это делает многошаговые диалоги связными.

Настройка уровня рассуждений

Разработчик выбирает уровень рассуждений из пяти вариантов: minimal, low, medium, high, xhigh. По умолчанию стоит low - он даёт минимальную задержку для простых реплик.

Чем выше уровень, тем больше задержка и расход output-токенов. OpenAI рекомендует начинать с low для большинства production-агентов и поднимать уровень только под конкретные задачи.

Примеры применения из документации

Поддержка клиентов. Звонящий сообщает об ошибке в счёте. Модель рассуждает при низком уровне усилий, последовательно вызывает lookup_account и check_invoice, комментирует каждый шаг вслух.

Запись данных на объекте. Техник просит агента записать номер детали. Улучшенное распознавание буквенно-цифровых кодов помогает точно захватить значения вроде «8-3-5-7-1». Модель зачитывает значение обратно для подтверждения перед записью.

Переносинтеграции. Мобильное приложение стримит аудио с микрофона через WebRTC. Mini-модель отвечает на вопросы коротко (1-2 предложения). Низкая стоимость позволяет держать функцию включённой при высокой нагрузке.

Как подключиться: WebRTC vs WebSocket

Браузерные клиенты работают через WebRTC. Схема такая:

1. Сервер создаёт короткоживущий клиентский секрет (ephemeral client secret). API-ключ остаётся только на сервере.
2. Браузер открывает WebRTC peer connection, добавляет трек микрофона и data channel для событий, отправляет SDP-оффер на endpoint.
3. Сервер настраивает сессию: модель, уровень рассуждений, инструменты.

Серверные медиа-пайплайны используют WebSockets, телефония - SIP.

Что это значит

Если ты строишь голосового агента или только думаешь об этом - теперь есть недорогой вариант с reasoning. Раньше нужно было выбирать: либо умная модель с рассуждениями, либо быстрая и дешёвая. gpt-realtime-2.1-mini снимает этот компромисс для большинства задач.

Практический совет от OpenAI: начинай с уровня low, добавь пару коротких инструкций, которые разделяют жёсткие правила и дефолтное поведение. Прогони оценки до и после миграции с предыдущей модели.

Единственное, что пока остаётся неудобным - цена в токенах плохо конвертируется в стоимость одного звонка без реальных данных о длине сессий. Это придётся считать самостоятельно под свой сценарий.

Источник: Michal Sutter, MarkTechPost, 7 июля 2025 - ссылка