OpenAI leva a Realtime API à disponibilidade geral com chamadas via SIP, MCP e um modelo de voz para voz mais barato

O que foi lançado: um modelo só, em vez de um pipeline

A OpenAI tirou a Realtime API do beta público em que ela estava desde outubro de 2024 e a tornou disponível de forma geral, lançando junto um novo modelo de voz para voz chamado gpt-realtime e duas vozes exclusivas, Cedar e Marin. As oito vozes já existentes estão sendo atualizadas para herdar as mesmas melhorias de qualidade.

A grande aposta arquitetural é o centro do lançamento: em vez de encadear um modelo de fala para texto, depois um modelo de linguagem, depois um modelo de texto para fala, a Realtime API processa e gera áudio diretamente por meio de um único modelo e uma única API. A OpenAI argumenta que isso reduz a latência e preserva nuances — sinais não verbais como risadas, trocas de idioma no meio da frase e mudanças de tom entre 'direto e profissional' e 'gentil e empático' — que um pipeline baseado em transcrição tende a achatar. Para equipes construindo agentes de voz, essa é a diferença entre reconstruir uma conversa a partir de tokens de texto e manter o sinal de áudio intacto do início ao fim.

Os números de benchmark que justificam chamá-lo de pronto para produção

A OpenAI sustenta o discurso de 'pronto para produção' com três comparações de benchmark em relação ao modelo de dezembro de 2024. No Big Bench Audio, que adapta perguntas de raciocínio do Big Bench Hard para o domínio do áudio, o gpt-realtime marca 82,8% contra os 65,6% anteriores. Numa versão em áudio do MultiChallenge — um teste de seguimento de instruções em múltiplos turnos — ele marca 30,5% contra 20,6%. No ComplexFuncBench, convertido de prompts em texto para fala, as chamadas de função chegam a 66,5% contra 49,7%.

O número do MultiChallenge merece uma leitura honesta: 30,5% é um salto relevante em relação a 20,6%, mas ainda significa que o modelo erra a maioria desses casos difíceis de múltiplos turnos, propositalmente desenhados para testar seus limites. Isso importa porque é justamente na obediência a instruções que a automação de voz quebra — ler scripts de aviso legal palavra por palavra, repetir sequências alfanuméricas, ou se recusar a fazer algo que o prompt do sistema proíbe. A OpenAI também destaca uma detecção melhor de sequências alfanuméricas, como números de telefone e chassi de veículos, em espanhol, chinês, japonês e francês — o tipo de trabalho pouco glamouroso que decide se uma chamada de suporte realmente se resolve.

A infraestrutura que transforma um modelo em agente: SIP, MCP e chamadas assíncronas

As adições mais relevantes para automação não são a qualidade de voz, mas as superfícies de integração. O suporte a SIP conecta as sessões diretamente à rede telefônica pública, a sistemas PBX e a telefones de mesa — ou seja, um agente de voz pode atender ou fazer ligações reais sem precisar de uma camada de telefonia separada. O suporte a servidores MCP remotos permite que uma sessão aponte para a URL de um servidor (o exemplo da documentação usa o endpoint MCP hospedado pela Stripe) e tenha as chamadas de ferramentas tratadas automaticamente — trocar o servidor troca as capacidades do agente.

As chamadas de função assíncronas resolvem um problema específico da voz em tempo real: uma chamada de ferramenta demorada costumava travar a conversa. O gpt-realtime agora continua falando enquanto espera pelos resultados, e a OpenAI afirma que esse comportamento é nativo, sem exigir mudanças de código. Combinado com prompts reutilizáveis — pacotes salvos de mensagens do desenvolvedor, ferramentas, variáveis e exemplos de turnos que acompanham a sessão — esses são os componentes que separam uma demonstração de um agente realmente implantado. Josh Weisberg, da Zillow, resumiu o ganho em termos de produto:

O novo modelo de voz para voz da Realtime API da OpenAI mostra raciocínio mais forte e fala mais natural — permitindo lidar com pedidos complexos e de múltiplas etapas, como filtrar imóveis por estilo de vida ou orientar discussões sobre poder de compra com ferramentas como nosso índice BuyAbility.Montana Labs

Preço e controle de contexto voltados para sessões longas

O gpt-realtime custa 20% menos que o gpt-4o-realtime-preview: US$ 32 por milhão de tokens de áudio de entrada (US$ 0,40 para entrada em cache) e US$ 64 por milhão de tokens de áudio de saída. Além do corte, a OpenAI adicionou um controle refinado do contexto da conversa, que permite aos desenvolvedores definir limites de tokens e truncar vários turnos de uma vez — uma alavanca direta contra o custo descontrolado de uma sessão de voz que nunca é reiniciada.

Essa combinação mostra o que a OpenAI acredita que era o entrave. Minutos de voz saem caros quando cada turno acumula tokens de áudio, e uma central de atendimento ou assistente que roda por muitos minutos pode rapidamente deixar de ser viável financeiramente. Reduzir o preço por token e, ao mesmo tempo, dar aos desenvolvedores a capacidade de reduzir o contexto é uma solução mais honesta do que só baixar o preço, porque ataca diretamente o crescimento do contexto que torna as chamadas de voz longas caras.

A implicação concreta: a automação de telefonia agora roda dentro do próprio provedor do modelo

Com chamadas via SIP nativas na API, a OpenAI absorveu uma camada que quem constrói agentes de voz antes precisava montar juntando fornecedores separados de telefonia e de fala. Agora uma equipe pode conectar um número de telefone, ligar ferramentas MCP remotas e rodar um único modelo de voz para voz com chamadas de ferramentas assíncronas — sem um pipeline de transcrição no meio do caminho. A postura de segurança reflete que isso foi pensado para implantações reais: classificadores ativos podem interromper sessões que violem regras de conteúdo, só é permitido usar vozes predefinidas para evitar personificação, os desenvolvedores precisam avisar os usuários de que estão falando com uma IA, e há suporte à residência de dados na UE.

Para equipes que aplicam IA no dia a dia, a leitura prática é que a conta de construir versus comprar para automação de voz acabou de pender para comprar toda a stack de uma única API — com a contrapartida de que roteamento de chamadas, ferramentas e qualidade de voz agora estão atrelados ao roadmap da OpenAI e ao seu teto de 30,5% em seguimento de instruções difíceis de múltiplos turnos. Esse é o número que você precisa validar contra os seus próprios scripts antes de conectar uma linha telefônica real a ele.