OpenAI Realtime 瀏覽器語音：本機 WebRTC 指南

透過 WebRTC 用 OpenAI Realtime 建立本機瀏覽器麥克風對話。完整伺服器及頁面程式碼將 API 金鑰保留在伺服器，並示範檢查播放、停止麥克風及處理故障。

OpenAI Realtime API 讓瀏覽器透過 WebRTC 傳送麥克風音訊並播放語音回答。本指南用 gpt-realtime-2.1 建立一段本機對話。API 金鑰保留在電腦上的 Node 伺服器。你需要有模型存取權且啟用計費的 OpenAI API 專案；ChatGPT 訂閱不支付 API 用量。BIG CHANGE 檢查了目前文件及範例程式碼，但未開啟付費工作階段或聽到回答。

關鍵變化

改變了什麼： OpenAI 文件介紹了瀏覽器 WebRTC 即時對話路徑：本機伺服器保管專案金鑰，將瀏覽器連線提議換成應答。
為何重要： 開發者可先在本機頁面檢查從麥克風到語音回答的完整路徑，再設計更大的語音產品。專案負責人控制金鑰，並支付 API 用量。
應注意什麼： 本機通訊成功不代表已適合正式環境。共用版本需要呼叫者身分驗證及支出控制；取消或逾時的要求可能已送達 OpenAI。

開始之前

安裝 Node.js 22.6 或更新版本，使用有正常麥克風及喇叭的目前瀏覽器。瀏覽器麥克風存取需要安全環境；http://localhost 適用於此本機範例。準備具備 gpt-realtime-2.1 存取權且啟用計費的 OpenAI API 專案金鑰。先檢查專案速率與支出限制。模型頁面列明不支援 Free 層級。透過常用祕密管理工具或本機 shell 設定，將金鑰留在伺服器程序環境中。不要放進 index.html、提交至 .env 檔案，或貼入對話紀錄。OpenAI WebRTC 指南介紹了可信任伺服器交換；模型頁面列出目前存取條件與價格。

此處使用 Realtime API 的統一 /v1/realtime/calls 路由。WebRTC 指南也介紹了透過 /v1/live/sessions 使用 GPT-Live，但它採用不同的工作階段協定。以下路由與酬載須配套使用。範例繫結自己的電腦；本機 Host 和 Origin 檢查無法驗證共用服務使用者身分。

為示範建立空目錄，並在該目錄安裝 Express：

Terminal

npm init -y
npm install express

安裝會建立 package.json 並加入網頁伺服器相依項。將接下來兩個檔案存於同一目錄。程式碼使用 Node 內建的 fetch、FormData 和 AbortSignal.timeout；檢查過的設定要求 Node.js 22.6 或更新版本。

將以下內容儲存為 server.mjs。它接收瀏覽器的 SDP 提議（擬議 WebRTC 連線的描述），再與 Realtime 工作階段設定一起傳給 OpenAI。標準 API 金鑰只在此伺服器讀取。

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"));

伺服器繫結至 127.0.0.1:3000，只接受本機頁面的 host 與 POST origin，再將 SDP 應答傳回瀏覽器。25 秒上游要求上限是本範例的選擇。逾時或瀏覽器中斷不代表 OpenAI 未接受要求，因此啟動結果不明時，重試前檢查用量。

將以下內容儲存為 index.html。頁面在按下 Start voice 後要求麥克風權限、向本機伺服器傳送提議，並播放傳入音訊。Stop 會關閉連線並停止麥克風軌道，包括仍在建立連線時。30 秒建立計時器也是範例選擇，並非 API 保證。

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>

對等連線或事件通道故障，以及離開頁面時，瀏覽器也會關閉工作階段。麥克風權限可能在停止或逾時後才獲准；延遲出現的軌道會被停止。狀態列顯示 response.done 及其回報狀態。該事件本身不表示回答可聽見，也不表示取消或失敗的回應成功。

從包含兩個檔案的目錄啟動伺服器，並先在該伺服器程序環境設定 OPENAI_API_KEY：

Terminal

node server.mjs

開啟 http://localhost:3000。應看到 Start voice、Stop、Idle 狀態及音訊播放器。按下 Start voice，允許麥克風存取，再說一個簡短且無敏感內容的問題。OpenAI Realtime 對話指南說明預設語音活動偵測可將說話後的停頓轉成回應。要確認執行成功，檢查瀏覽器顯示麥克風使用中、連線達到 connected、出現 session.created 事件、聽得到語音，而且 response.done 回報回應完成。按下 Stop，確認瀏覽器麥克風指示燈熄滅。這些檢查須由你執行；BIG CHANGE 未執行此付費瀏覽器工作階段。

檢查失敗時

若麥克風權限被拒或未顯示輸入裝置，檢查瀏覽器權限與裝置，再使用本機 localhost URL 或 HTTPS。若頁面回報 /session 故障，查看伺服器端 HTTP 狀態，確認金鑰存在、專案模型權限、計費、速率限制及端點。伺服器刻意不印出金鑰或 OpenAI 回應本文。502 也可能是網路故障或範例的 25 秒期限，無法判斷結果不明的上游要求是否已獲接受。

若信令成功但連線失敗，檢查頁面連線狀態、網路限制及傳回的 SDP 應答。連線正常卻無聲時，檢查麥克風輸入及所選輸出裝置。瀏覽器可能封鎖自動播放：在音訊控制項按 Play，必要時停止並啟動新工作階段。任何故障都應使用 Stop 並確認麥克風指示燈熄滅。要求結果不明時，反覆啟動前先檢查專案用量。

費用、隱私與限制

OpenAI 列出的 gpt-realtime-2.1 非快取文字輸入／輸出價格為每百萬 tokens $4/$24，音訊輸入／輸出為每百萬 tokens $32/$64，查核於 2026 年 10 月 19 日。費用取決於使用的 tokens，包括可能攜帶先前對話脈絡的後續輪次。使用前檢查模型價格與限制及專案實際用量；本指南無法只依經過時間估算帳單。Realtime 對話指南規定工作階段最長為 60 分鐘。

工作階段期間，麥克風音訊會傳給 OpenAI。僅使用有權傳送的語音，避免在測試中使用私人或第三方音訊。本機頁面沒有登入或個別使用者預算控制。共用服務需要已驗證身分、限速的 /session 存取及由伺服器產生的安全識別碼；本機 Host 和 Origin 檢查並不足夠。範例不呼叫外部工具或撥打電話。未測量延遲、可靠性、語音品質、節省或正式部署結果。

來源與延伸閱讀

OpenAI WebRTC 指南：統一 Realtime 伺服器交換、瀏覽器音訊路徑及獨立 GPT-Live 協定。
OpenAI Realtime 對話指南：工作階段事件、輪次行為、回應狀態與時長限制。
OpenAI gpt-realtime-2.1 模型頁面：模型存取權、token 價格與速率限制。執行範例時應重新查核價格及存取條件。

用 OpenAI Realtime 建立本機瀏覽器語音對話

關鍵變化

開始之前

檢查失敗時

費用、隱私與限制

來源與延伸閱讀

持續關注變革。

如何檢查脈絡並繼續 Claude Code 工作階段

建立使用唯讀工具呼叫的本機 Realtime 語音代理

Harness-Delta Attribution separates agent gains from benchmark shortcuts

尋找報導。

探索 BIG CHANGE。

尋找報導。

探索 BIG CHANGE。

用 OpenAI Realtime 建立本機瀏覽器語音對話

關鍵變化

開始之前

檢查失敗時

費用、隱私與限制

來源與延伸閱讀

值得了解，值得分享。

持續關注變革。

如何檢查脈絡並繼續 Claude Code 工作階段

建立使用唯讀工具呼叫的本機 Realtime 語音代理

Harness-Delta Attribution separates agent gains from benchmark shortcuts

掌握全貌，按照自己的步調。

您的隱私，由您決定。

您的隱私，由您決定。