A API Realtime da OpenAI permite enviar áudio do microfone e reproduzir uma resposta falada por WebRTC. Este guia cria uma conversa local com gpt-realtime-2.1. A chave API fica em um servidor Node no seu computador. É necessário um projeto API OpenAI com acesso ao modelo e cobrança; uma assinatura ChatGPT não paga uso da API. O BIG CHANGE conferiu a documentação atual e o código, mas não abriu sessão paga nem ouviu resposta.

A grande mudança

  • O que mudou: A OpenAI documenta um caminho WebRTC no navegador para conversar com Realtime: um servidor local guarda a chave e troca a oferta de conexão do navegador por uma resposta.
  • Por que importa: Um desenvolvedor pode verificar todo o caminho do microfone à resposta falada em uma página local antes de criar um produto maior. O dono do projeto controla a chave e paga a API.
  • O que observar: Uma troca local bem-sucedida não comprova prontidão para produção. Uma versão compartilhada precisa autenticação e controle de gastos; uma solicitação cancelada ou expirada pode já ter chegado à OpenAI.

Antes de começar

Instale Node.js 22.6 ou posterior e use um navegador atual com microfone e alto-falante funcionando. O microfone exige contexto seguro; http://localhost serve para este exemplo local. Tenha uma chave de projeto API OpenAI com acesso a gpt-realtime-2.1 e cobrança habilitada. Verifique antes limites de taxa e gastos. A página do modelo indica que o nível Free não é compatível. Guarde a chave no ambiente do processo servidor por seu gerenciador de segredos ou configuração local habitual. Não coloque em index.html, não faça commit em um arquivo .env nem cole em transcrições. O guia WebRTC da OpenAI documenta a troca pelo servidor confiável; a página do modelo mostra acesso e preços atuais.

Esta é a rota unificada /v1/realtime/calls da API Realtime. O guia WebRTC também descreve GPT-Live por /v1/live/sessions, com outro protocolo de sessão. Mantenha juntos a rota e o conteúdo a seguir. O exemplo se limita ao seu computador; verificações locais de Host e Origin não autenticam usuários de um serviço compartilhado.

  1. Crie um diretório vazio para a demonstração e instale Express nele:
Terminal
npm init -y
npm install express

A instalação cria package.json e adiciona a dependência do servidor web. Salve os próximos dois arquivos nesse diretório. O código usa os componentes integrados do Node fetch, FormData e AbortSignal.timeout; a configuração revisada exige Node.js 22.6 ou posterior.

  1. Salve o seguinte como server.mjs. Ele recebe a oferta SDP do navegador (descrição da conexão WebRTC proposta) e envia à OpenAI com os ajustes Realtime. Somente esse servidor lê a chave API padrão.
JavaScript
import express from "express";

const app = express();
// This demo accepts only the local page, including protection against DNS rebinding.
app.use((req, res, next) => {
  const hosts = ["localhost:3000", "127.0.0.1:3000"];
  if (!hosts.includes(req.get("host"))) return res.status(403).send("Local host required");
  if (req.method === "POST" && req.get("origin") !== `http://${req.get("host")}`) {
    return res.status(403).send("Same-origin local page required");
  }
  next();
});
app.use(express.text({ type: "application/sdp", limit: "64kb" }));

app.get("/", (_req, res) => res.sendFile("index.html", { root: process.cwd() }));

app.post("/session", async (req, res) => {
  if (!process.env.OPENAI_API_KEY) return res.status(500).send("Server API key missing");
  if (typeof req.body !== "string" || !req.body.startsWith("v=")) {
    return res.status(400).send("Expected an SDP offer");
  }

  const form = new FormData();
  form.set("sdp", req.body);
  form.set("session", JSON.stringify({
    type: "realtime",
    model: "gpt-realtime-2.1",
    output_modalities: ["audio"],
    audio: { output: { voice: "marin" } },
    instructions: "Be a concise, helpful voice assistant. Do not claim access to external tools."
  }));

  try {
    const upstream = await fetch("https://api.openai.com/v1/realtime/calls", {
      method: "POST",
      headers: { Authorization: `Bearer ${process.env.OPENAI_API_KEY}` },
      body: form,
      signal: AbortSignal.timeout(25000)
    });
    const answer = await upstream.text();
    if (!upstream.ok) {
      console.error("Realtime session rejected", upstream.status);
      return res.status(502).send(`OpenAI session request failed (${upstream.status})`);
    }
    res.type("application/sdp").send(answer);
  } catch (error) {
    console.error("Realtime session network failure", error.name);
    res.status(502).send("Could not reach the Realtime API");
  }
});

app.listen(3000, "127.0.0.1", () => console.log("Open http://localhost:3000"));

O servidor se vincula a 127.0.0.1:3000, aceita apenas host e origem POST da página local e devolve a resposta SDP. O prazo de 25 segundos para a solicitação ao provedor é uma escolha do exemplo. Tempo esgotado ou desconexão não prova que a OpenAI recusou a solicitação; confira o uso antes de repetir um início incerto.

  1. Salve o seguinte como index.html. A página pede permissão do microfone após Start voice, envia a oferta ao servidor local e reproduz o áudio recebido. Stop fecha a conexão e para as faixas do microfone mesmo durante a configuração. O temporizador de 30 segundos também é uma escolha do exemplo, não garantia da API.
HTML
<!doctype html>
<html lang="en">
<meta charset="utf-8">
<title>Local Realtime voice check</title>
<button id="start">Start voice</button>
<button id="stop" disabled>Stop</button>
<p id="status" role="status">Idle</p>
<audio id="reply" autoplay controls></audio>
<script type="module">
  const start = document.querySelector("#start");
  const stop = document.querySelector("#stop");
  const status = document.querySelector("#status");
  const reply = document.querySelector("#reply");
  let current;

  function closeSession(session = current, message = "Stopped") {
    if (!session) return;
    session.closed = true;
    clearTimeout(session.timer);
    session.abort.abort();
    session.mic?.getTracks().forEach(track => track.stop());
    if (session.pc) session.pc.onconnectionstatechange = null;
    session.dc?.close();
    session.pc?.close();
    if (current === session) {
      current = null;
      reply.srcObject = null;
      start.disabled = false;
      stop.disabled = true;
      status.textContent = message;
    }
  }

  start.onclick = async () => {
    const session = { abort: new AbortController(), closed: false };
    current = session;
    start.disabled = true;
    stop.disabled = false;
    status.textContent = "Requesting microphone";
    session.timer = setTimeout(() => closeSession(session, "Setup timed out; microphone stopped"), 30000);
    try {
      const mic = await navigator.mediaDevices.getUserMedia({ audio: true });
      if (session.closed) { mic.getTracks().forEach(track => track.stop()); return; }
      session.mic = mic;
      const pc = session.pc = new RTCPeerConnection();
      pc.ontrack = event => { if (!session.closed) reply.srcObject = event.streams[0]; };
      pc.onconnectionstatechange = () => {
        if (session.closed) return;
        status.textContent = `Connection: ${pc.connectionState}`;
        if (pc.connectionState === "connected") clearTimeout(session.timer);
        if (["failed", "closed", "disconnected"].includes(pc.connectionState)) {
          closeSession(session, "Connection ended; microphone stopped. Start a new session.");
        }
      };
      pc.addTrack(mic.getAudioTracks()[0], mic);
      const dc = session.dc = pc.createDataChannel("oai-events");
      dc.onmessage = message => {
        if (session.closed) return;
        try {
          const event = JSON.parse(message.data);
          if (event.type === "session.created") status.textContent = "Session ready: speak when connected";
          if (event.type === "response.done") {
            status.textContent = `Response status: ${event.response?.status || "unknown"}; verify audible playback`;
          }
          if (event.type === "error") closeSession(session, `Realtime error: ${event.error?.message || "unknown"}; stopped`);
        } catch { closeSession(session, "Invalid event; stopped"); }
      };
      dc.onclose = () => { if (!session.closed) closeSession(session, "Event channel closed; stopped"); };
      dc.onerror = () => closeSession(session, "Event channel failed; stopped");
      const offer = await pc.createOffer();
      await pc.setLocalDescription(offer);
      if (session.closed) return;
      // The official WebRTC example submits the generated offer directly.
      const response = await fetch("/session", {
        method: "POST",
        headers: { "Content-Type": "application/sdp" },
        body: offer.sdp,
        signal: session.abort.signal
      });
      if (!response.ok) throw new Error(await response.text());
      const answer = await response.text();
      if (session.closed) return;
      await pc.setRemoteDescription({ type: "answer", sdp: answer });
      if (!session.closed && pc.connectionState !== "connected") status.textContent = "Signaling complete; waiting for connection";
    } catch (error) {
      if (!session.closed) closeSession(session, `Start failed: ${error.message}`);
    }
  };
  stop.onclick = () => closeSession();
  window.addEventListener("pagehide", () => closeSession());
</script>
</html>

O navegador também fecha a sessão se houver falha do par ou canal de eventos e ao sair da página. A permissão pode chegar após uma parada ou prazo; a faixa tardia é encerrada. A linha de estado mostra response.done com o status informado. Esse evento sozinho não demonstra que a resposta foi audível nem que uma resposta cancelada ou falha teve sucesso.

  1. Inicie o servidor no diretório dos dois arquivos, com OPENAI_API_KEY já definido no ambiente desse processo:
Terminal
node server.mjs

Abra http://localhost:3000. Você deve ver Start voice, Stop, o estado Idle e um reprodutor. Clique em Start voice, permita o microfone e faça uma pergunta curta sem informações sensíveis. Segundo o guia de conversas Realtime, a detecção de atividade de voz padrão pode transformar uma pausa após a fala em resposta. Para conferir sua execução, verifique o microfone ativo, a conexão em connected, um evento session.created, a fala audível e response.done indicando resposta concluída. Clique em Stop e confira que o indicador do microfone apaga. Você deve fazer esses testes; o BIG CHANGE não executou esta sessão paga.

Se a verificação falhar

Se a permissão for negada ou não houver dispositivo, confira navegador e microfone e use a URL local localhost ou HTTPS. Se a página informar falha /session, confira o status HTTP do servidor, chave, acesso ao modelo, cobrança, limites e endpoint. O servidor não imprime a chave nem o corpo da resposta OpenAI. Um 502 também pode significar falha de rede ou prazo de 25 segundos; não informa se uma solicitação incerta foi aceita.

Se a sinalização funcionar e a conexão falhar, confira estado, restrições de rede e resposta SDP. Se conectar sem som, confira entrada de microfone e saída escolhida. O navegador pode bloquear reprodução automática: clique em Play no controle de áudio e, se necessário, pare e inicie outra sessão. Em qualquer falha, use Stop e confirme que o indicador apagou. Confira o uso antes de repetir inícios com resultado incerto.

Custo, privacidade e limites

A OpenAI lista para gpt-realtime-2.1 texto não armazenado em cache de entrada/saída a $4/$24 por milhão de tokens e áudio de entrada/saída a $32/$64 por milhão de tokens, verificado em 19 de outubro de 2026. A cobrança depende dos tokens usados, inclusive turnos posteriores com contexto anterior. Confira preços e limites do modelo e o uso do projeto antes de começar; a duração sozinha não permite estimar a conta. O guia de conversas Realtime define máximo de 60 minutos por sessão.

O áudio do microfone vai à OpenAI durante a sessão. Use fala que pode transmitir e evite áudio privado ou de terceiros. Esta página local não oferece login nem orçamento por usuário. Um serviço compartilhado precisaria acesso /session autenticado e limitado por taxa, e identificador de segurança gerado no servidor; Host e Origin locais não bastam. O exemplo não chama ferramentas externas nem faz ligações. Não se mediu latência, confiabilidade, qualidade de voz, economia ou implantação em produção.

Fontes e leituras adicionais