OpenAI Realtime API, உலாவி WebRTC மூலம் மைக்ரோஃபோன் ஒலியை அனுப்பவும் பேசும் பதிலை இயக்கவும் உதவுகிறது. இந்த வழிகாட்டி gpt-realtime-2.1 கொண்டு ஓர் உள்ளூர் உரையாடல் உருவாக்குகிறது. API key உங்கள் கணினியின் Node server-இல் இருக்கும். Model access, billing கொண்ட OpenAI API project தேவை; ChatGPT subscription API பயன்பாட்டுக்குச் செலுத்தாது. BIG CHANGE தற்போதைய ஆவணங்களையும் மாதிரிக் code-ஐயும் பார்த்தது; paid session திறக்கவோ பதில் கேட்கவோ இல்லை.

பெரிய மாற்றம்

  • என்ன மாறியது: OpenAI, live Realtime உரையாடலுக்கான browser WebRTC பாதையை ஆவணப்படுத்தியுள்ளது. உள்ளூர் server project key-ஐ வைத்துக்கொண்டு browser connection offer-க்கு மாற்றாக answer பெறுகிறது.
  • ஏன் முக்கியம்: பெரிய குரல் தயாரிப்பை வடிவமைக்கும் முன் developer உள்ளூர் page-இல் மைக் முதல் பேசும் பதில் வரை முழுப் பாதையையும் சரிபார்க்கலாம். Project உரிமையாளர் key-ஐக் கட்டுப்படுத்தி API கட்டணம் செலுத்துகிறார்.
  • கவனிக்க வேண்டியது: உள்ளூர் பரிமாற்றம் இயங்குவது production தயார்நிலைக்குச் சான்றல்ல. பகிரப்பட்ட சேவைக்கு caller authentication, செலவுக் கட்டுப்பாடு தேவை; cancelled அல்லது timeout request ஏற்கெனவே OpenAI சென்றிருக்கலாம்.

தொடங்குமுன்

Node.js 22.6 அல்லது பிந்தைய version மற்றும் இயங்கும் மைக், speaker கொண்ட நவீன browser பயன்படுத்துங்கள். மைக் access-க்கு பாதுகாப்பான context தேவை; http://localhost இந்த உள்ளூர் எடுத்துக்காட்டுக்கு ஏற்றது. gpt-realtime-2.1 access, billing enabled கொண்ட OpenAI API project key பெறுங்கள். முதலில் rate, spend limits பாருங்கள். Model page Free tier ஆதரிக்கப்படவில்லை என்கிறது. வழக்கமான secret manager அல்லது உள்ளூர் shell அமைப்பால் key-ஐ server process environment-இல் வையுங்கள். அதை index.html இல் வைக்கவோ, .env கோப்பில் commit செய்யவோ, transcript-இல் paste செய்யவோ வேண்டாம். OpenAI WebRTC வழிகாட்டி நம்பகமான server பரிமாற்றத்தை விளக்குகிறது; model page தற்போதைய access மற்றும் விலைகளை வழங்குகிறது.

இது Realtime API-இன் unified /v1/realtime/calls route. WebRTC வழிகாட்டி /v1/live/sessions மூலம் GPT-Live-ஐயும் விளக்குகிறது; அதன் session protocol வேறு. கீழுள்ள route, payload ஒன்றாகப் பயன்படுத்துங்கள். எடுத்துக்காட்டு உங்கள் கணினிக்கே கட்டுப்பட்டது; உள்ளூர் Host, Origin சோதனைகள் பகிரப்பட்ட சேவைப் பயனர்களை authentication செய்யாது.

  1. டெமோவுக்காகக் காலி directory உருவாக்கி அதிலிருந்து Express install செய்யுங்கள்:
Terminal
npm init -y
npm install express

Installation package.json உருவாக்கி web-server dependency சேர்க்கிறது. அடுத்த இரு கோப்புகளையும் அதே directory-இல் வையுங்கள். Code Node-இன் உள்ளமைந்த fetch, FormData, AbortSignal.timeout பயன்படுத்துகிறது; ஆய்ந்த அமைப்புக்கு Node.js 22.6 அல்லது பிந்தைய version தேவை.

  1. பின்வருவதை server.mjs எனச் சேமியுங்கள். இது browser-இன் SDP offer (முன்மொழியப்பட்ட WebRTC connection விளக்கம்) பெற்று Realtime session settings உடன் OpenAI அனுப்புகிறது. வழக்கமான API key இந்த server-இல் மட்டும் படிக்கப்படுகிறது.
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"));

Server 127.0.0.1:3000 உடன் bind ஆகி உள்ளூர் page host, POST origin மட்டும் அனுமதித்து SDP answer திருப்புகிறது. 25 வினாடி upstream deadline எடுத்துக்காட்டின் தேர்வு. Timeout அல்லது browser துண்டிப்பு OpenAI request ஏற்கவில்லை என்பதற்குச் சான்றல்ல; உறுதியற்ற தொடக்கத்தை மீண்டும் செய்யுமுன் பயன்பாட்டைப் பாருங்கள்.

  1. பின்வருவதை index.html எனச் சேமியுங்கள். Page Start voice பிறகு மைக் அனுமதி கேட்டு, உள்ளூர் server-க்கு offer அனுப்பி, வரும் audio இயக்குகிறது. Stop setup நடக்கும்போதும் connection மூடி microphone tracks நிறுத்துகிறது. 30 வினாடி setup timer-உம் எடுத்துக்காட்டின் தேர்வு, API guarantee அல்ல.
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>

Peer அல்லது event-channel தோல்வி, page விலகல் ஆகியவற்றிலும் browser session மூடும். Stop அல்லது timeout பிறகு அனுமதி வரலாம்; தாமதமான track நிறுத்தப்படும். Status line response.done மற்றும் அறிவிக்கப்பட்ட நிலை காட்டும். இந்த event மட்டும் பதில் கேட்டது அல்லது cancelled/failed response வென்றது என்பதை நிரூபிக்காது.

  1. இரு கோப்புகளின் directory-இலிருந்து server தொடங்குங்கள்; அதன் process environment-இல் OPENAI_API_KEY முன்பே set ஆக வேண்டும்:
Terminal
node server.mjs

திறக்கவும்: http://localhost:3000. Start voice, Stop, Idle நிலை, audio player காண வேண்டும். Start voice அழுத்தி மைக் அனுமதித்து, சுருக்கமான ரகசியமற்ற கேள்வி பேசுங்கள். OpenAI Realtime conversations வழிகாட்டி படி default voice activity detection பேச்சுக்குப் பின் இடைவெளியைப் பதிலாக மாற்றலாம். உங்கள் run வெற்றிக்கு செயல்படும் மைக், connected connection, session.created event, கேட்கும் பேச்சு, response.done இல் completed response ஆகியவற்றைப் பாருங்கள். Stop அழுத்தி microphone indicator அணைந்ததை உறுதிசெய்யுங்கள். இந்தச் சோதனைகளை வாசகர் செய்ய வேண்டும்; BIG CHANGE இந்த paid browser session இயக்கவில்லை.

சோதனை தோல்வியுற்றால்

மைக் அனுமதி மறுக்கப்பட்டால் அல்லது device இல்லையெனில் browser permission, device பார்த்து உள்ளூர் localhost URL அல்லது HTTPS பயன்படுத்துங்கள். Page /session failure காட்டினால் server HTTP status, key, project model access, billing, rate limits, endpoint பாருங்கள். Server key அல்லது OpenAI response body திட்டமிட்டு அச்சிடாது. 502 என்பது network தோல்வி அல்லது 25 வினாடி deadline-ஆகவும் இருக்கலாம்; உறுதியற்ற upstream request ஏற்கப்பட்டதா எனத் தெரிவிக்காது.

Signaling வென்றும் connection தோற்றால் page status, network restrictions, திரும்பிய SDP answer பாருங்கள். Connection இயங்கியும் அமைதியாக இருந்தால் mic input, தேர்ந்த output பாருங்கள். Autoplay தடுக்கப்படலாம்: audio control-இல் Play அழுத்தி, தேவைப்பட்டால் நிறுத்திப் புதிய session தொடங்குங்கள். ஒவ்வொரு தோல்வியிலும் Stop பயன்படுத்தி microphone indicator அணைந்ததை உறுதிசெய்யுங்கள். Request முடிவு உறுதியற்றபோது மீண்டும் தொடங்குமுன் project usage பாருங்கள்.

செலவு, தனியுரிமை, வரம்புகள்

OpenAI படி gpt-realtime-2.1 noncached text input/output விலை பத்து லட்சம் tokens-க்கு $4/$24, audio input/output பத்து லட்சம் tokens-க்கு $32/$64; 19 அக்டோபர் 2026 சரிபார்க்கப்பட்டது. செலவு பயன்படுத்திய tokens-ஐப் பொறுத்தது; பிந்தைய turns-இல் முந்தைய conversation context இருக்கலாம். பயன்படுத்துமுன் model விலைகளும் வரம்புகளும் மற்றும் project usage பாருங்கள்; நேரம் மட்டும் கொண்டு session bill கணிக்க முடியாது. Realtime conversations வழிகாட்டி அதிகபட்ச session 60 நிமிடம் என்கிறது.

Session-இல் மைக் audio OpenAI செல்கிறது. அனுப்ப உரிமையுள்ள பேச்சைப் பயன்படுத்தி தனிப்பட்ட அல்லது மூன்றாம் தரப்பு audio தவிர்க்கவும். உள்ளூர் page-இல் sign-in அல்லது பயனருக்கு budget control இல்லை. பகிரப்பட்ட சேவைக்கு authenticated, rate-limited /session access மற்றும் server-derived safety identifier தேவை; உள்ளூர் Host, Origin சோதனைகள் போதாது. எடுத்துக்காட்டு வெளி tools அல்லது phone calls செய்யாது. Latency, நம்பகத்தன்மை, குரல்தரம், சேமிப்பு, production deployment பலன் அளவிடப்படவில்லை.

ஆதாரங்களும் கூடுதல் வாசிப்பும்