---
title: "La API Realtime de OpenAI: cómo funciona, cuánto cuesta y qué ha cambiado desde 2024"
description: "Cómo funciona la API Realtime de OpenAI para agentes de voz: eventos, WebRTC, WebSocket y SIP, precios por token, limitaciones y su evolución hasta 2026."
author: "Marc Mayol"
lang: "es"
published: "2024-10-03"
updated: "2026-10-28"
canonical: "https://marcmayol.com/blog/es/openai-lanza-su-api-en-tiempo-real-revolucionando-las-aplicaciones-de-voz/"
---

# La API Realtime de OpenAI: cómo funciona, cuánto cuesta y qué ha cambiado desde 2024

![La API Realtime de OpenAI: cómo funciona, cuánto cuesta y qué ha cambiado desde 2024](https://marcmayol.com/1727936458641.png)

El 1 de octubre de 2024, en su [DevDay](https://techcrunch.com/2024/10/01/openais-devday-brings-realtime-api-and-other-treats-for-ai-app-developers/), OpenAI presentó la **API Realtime**: conversaciones de voz con un modelo sin pasar por texto en medio. Dos años después ha salido de beta. Ha cambiado de modelo tres veces y el audio de entrada ha bajado de 100 $ a 32 $ por millón de tokens. En este artículo explico cómo funciona por dentro, para qué tiene sentido, dónde se queda corta y qué ha pasado desde aquel anuncio.

## Qué problema resuelve

La API Realtime sirve para que una aplicación hable con el usuario casi sin esperas. Antes, un asistente de voz encadenaba tres piezas: transcripción, modelo de texto y síntesis de voz. Cada salto sumaba latencia. Y por el camino se perdía información, como el tono o las pausas, que no sobreviven a una transcripción. Aquí un solo modelo, hoy `gpt-realtime-2.1`, escucha audio y responde con audio.

Ese "speech-to-speech" de `gpt-realtime-2.1` tiene dos ventajas prácticas. La primera, la velocidad. De 3 esperas encadenadas (transcribir, pensar y sintetizar) se pasa a 1. La segunda es que el modelo oye cómo se dice algo y no solo qué se dice, así que puede responder con una entonación que encaje o corregir la pronunciación en una app de idiomas.

El primer modelo fue `gpt-4o-realtime-preview`, basado en GPT-4o (no en GPT-4, como se dijo a veces en la época). Hoy el modelo de referencia es `gpt-realtime-2.1`.

## Cómo funciona por dentro

Por dentro, la API Realtime es una sesión persistente en la que cliente y servidor se mandan eventos. No es una petición y una respuesta como en Chat Completions: abres una conexión, la configuras y a partir de ahí todo son mensajes en las dos direcciones, como el audio que entra, las respuestas que salen o las llamadas a herramientas.

Hay tres formas de conectarse, WebRTC, WebSocket y SIP:

| Transporte | Dónde encaja | Comentario |
|---|---|---|
| **WebRTC** | Navegador y móvil | El cliente envía el micrófono directamente a OpenAI usando un token efímero que genera tu servidor |
| **WebSocket** | Servidor a servidor | Tu backend recibe y envía el audio; más control, más trabajo |
| **SIP** | Telefonía | El agente atiende llamadas de teléfono reales, sin montar un puente propio |

Dentro de la sesión, cuatro piezas hacen casi todo el trabajo, de la detección de turno (VAD) a la transcripción en paralelo:

- **Detección de turno (VAD).** El servidor detecta cuándo el usuario ha dejado de hablar y lanza la respuesta. Si el usuario interrumpe, se corta. También se puede desactivar para llevar los turnos a mano, por ejemplo con un botón de "pulsar para hablar" en la app.
- **Herramientas.** El modelo puede llamar a funciones tuyas, a servidores MCP remotos y a conectores. Mientras espera el resultado, la conversación sigue abierta.
- **Instrucciones y voz.** Al configurar la sesión eliges la voz, las instrucciones de sistema y el formato de audio.
- **Transcripción en paralelo.** Si necesitas guardar lo que se ha dicho, puedes pedir que el audio de entrada se transcriba a la vez.

Este modelo de eventos encaja muy bien con arquitecturas orientadas a eventos en el backend; hablé de esa combinación en [arquitectura de eventos y LLMs](https://marcmayol.com/blog/es/arquitectura-eda-y-llms/).

## Para qué sirve en la práctica

La API Realtime tiene sentido cuando la conversación en vivo es el producto: atención al cliente por teléfono, asistentes de voz dentro de una app, práctica de idiomas, apoyo en tareas con las manos ocupadas o traducción simultánea. En todos esos casos, un segundo de silencio se nota y estropea la experiencia.

Cuatro ejemplos concretos con SIP, WebRTC y MCP:

- **Centralitas y soporte.** Con SIP, un agente puede coger el teléfono, consultar un pedido mediante una función y responder sin que el usuario note el salto.
- **Aprendizaje de idiomas.** El modelo corrige pronunciación y ritmo porque recibe el audio original, no una transcripción.
- **Asistentes dentro de una web.** Con WebRTC, el navegador habla con el modelo directamente. Tu servidor solo emite el token de sesión.
- **Agentes que actúan.** Combinado con herramientas y MCP, el agente de voz deja de limitarse a contestar y pasa a hacer cosas como reservar, buscar o abrir una incidencia. Si te interesa ese salto, lo trato en [mi artículo sobre agentes autónomos](https://marcmayol.com/blog/es/la-revolucion-de-los-agentes-autonomos-en-la-inteligencia-artificial-estas-preparado/).

## Cuánto cuesta

El precio se calcula por tokens de audio, texto e imagen. El audio de salida es lo más caro. En octubre de 2026, con `gpt-realtime-2.1`, una conversación típica ronda unos céntimos por minuto si la caché funciona, cuando en 2024 el mismo minuto costaba varias veces más.

Precios por millón de tokens según la [página de precios de OpenAI](https://developers.openai.com/api/docs/pricing); los de octubre de 2024 son los que se anunciaron en el DevDay, recogidos en el [directo de Simon Willison](https://simonwillison.net/2024/Oct/1/openai-devday-2024-live-blog/):

| Modelo | Audio entrada | Audio en caché | Audio salida | Texto salida |
|---|---|---|---|---|
| gpt-4o-realtime-preview (oct. 2024) | 100 $ | n/d | 200 $ | 20 $ |
| gpt-realtime (ago. 2025) | 32 $ | 0,40 $ | 64 $ | 16 $ |
| gpt-realtime-2.1 (2026) | 32 $ | 0,40 $ | 64 $ | 24 $ |
| gpt-realtime-2.1-mini (2026) | 10 $ | 0,30 $ | 20 $ | 2,40 $ |

En el lanzamiento, OpenAI lo traducía a unos 0,06 $ por minuto de audio de entrada y 0,24 $ por minuto de salida. Lo importante es la **caché**. En una conversación larga, todo el historial se vuelve a enviar en cada turno, y si no se cachea el coste crece mucho: con `gpt-realtime-2.1`, el audio de entrada en caché cuesta 0,40 $ por millón frente a 32 $. Por eso conviene vigilar la longitud de las sesiones y resumir o recortar el contexto cuando se alarga.

## Limitaciones

Las limitaciones de la API Realtime son sobre todo de coste, de control y de depuración. Un sistema voz a voz es más rápido, pero también más opaco que una cadena de piezas separadas, y algunos problemas de producción, como el ruido o las interrupciones, no los resuelve el modelo por sí solo.

- **Coste en sesiones largas.** Sin caché y sin recortar contexto, un agente que habla durante media hora sale caro.
- **Menos control fino.** En una cadena clásica puedes cambiar el sintetizador o corregir la transcripción antes de que llegue al modelo. Aquí es todo un bloque.
- **Depuración.** Para saber por qué el agente dijo algo hay que guardar transcripciones y eventos; el audio por sí solo cuesta de auditar.
- **Ruido y turnos.** La detección de voz falla en entornos ruidosos o con varias personas hablando, y una mala configuración hace que el agente interrumpa o se quede callado.
- **Contexto.** El primer `gpt-realtime` tenía una ventana de 32.000 tokens, que se queda corta en llamadas largas con muchas herramientas.
- **Dependencia de un proveedor.** Todo pasa por los servidores de OpenAI. Eso pesa con datos sensibles y en la latencia desde Europa.

## Qué ha pasado desde entonces

Desde el anuncio de octubre de 2024, la API Realtime ha salido de beta, ha bajado de precio, ha ganado telefonía, imágenes y MCP, y en 2026 ha pasado a modelos que razonan antes de hablar. Los modelos de la primera época ya están retirados o tienen fecha de apagado.

La cronología, según la [lista de retiradas de OpenAI](https://developers.openai.com/api/docs/deprecations) y sus anuncios:

- **Diciembre de 2024.** Nueva instantánea del modelo preview con el audio más barato (40 $ de entrada y 80 $ de salida por millón).
- **28 de agosto de 2025.** La API pasa a disponibilidad general con `gpt-realtime`, el primer modelo GA. Llegan la entrada de imágenes, los servidores MCP remotos y las llamadas por SIP, y el precio baja hasta los 32 $ y 64 $ actuales ([ficha del modelo](https://developers.openai.com/api/docs/models/gpt-realtime)).
- **Octubre de 2025.** Se apaga la instantánea original de octubre de 2024.
- **Febrero de 2026.** Sale `gpt-realtime-1.5`.
- **7 de mayo de 2026.** OpenAI presenta `gpt-realtime-2`, que razona antes de responder, junto con `gpt-realtime-translate` (traducción en vivo, 0,034 $ por minuto) y `gpt-realtime-whisper` (transcripción en streaming, 0,017 $ por minuto), según el [anuncio en su foro de desarrolladores](https://community.openai.com/t/new-realtime-voice-models-in-the-api/1380471). Ese mismo día se apagan los `gpt-4o-realtime-preview`.
- **Julio de 2026.** Llega `gpt-realtime-2.1` y su versión mini. OpenAI anuncia que `gpt-realtime`, `gpt-realtime-mini` y los `gpt-4o-realtime` dejarán de funcionar el **20 de enero de 2027**.

Si tienes algo en producción con un modelo antiguo, la migración no es opcional. El precio del audio, al menos, se mantiene. Lo que sube es el texto de salida del modelo grande, de 16 $ a 24 $ por millón, y la [guía oficial de la API Realtime](https://developers.openai.com/api/docs/guides/realtime) ya usa `gpt-realtime-2.1` en todos sus ejemplos.

## Mi valoración técnica

La API Realtime ha pasado de demo prometedora a pieza razonable para producción, sobre todo desde que llegaron SIP y la caché. Mi recomendación es usarla cuando la conversación en vivo aporte valor de verdad, y medir el coste por minuto desde el primer prototipo, porque es lo que más sorprende cuando se escala.

Para casos sin tiempo real, como transcribir reuniones o generar audios, sigue teniendo sentido una cadena de piezas separadas. Sale más barata. Se audita paso a paso y deja cambiar cada componente, por ejemplo usar `gpt-realtime-whisper` solo para transcribir, a 0,017 $ por minuto. Y en ambos casos hay que guardar transcripciones y eventos, porque sin ellos no hay forma de saber qué ha hecho el agente ni por qué.

## Preguntas frecuentes

### ¿Qué es la API Realtime de OpenAI?

Es una API para conversaciones de voz con baja latencia. Audio entra, audio sale. No hay que encadenar un reconocedor de voz, un LLM y un sintetizador por separado: todo pasa por una sesión persistente, por WebRTC, WebSocket o SIP, en la que cliente y servidor se intercambian eventos.

### ¿Cuánto cuesta la API Realtime?

Se cobra por tokens. En octubre de 2026, gpt-realtime-2.1 cuesta 32 $ por millón de tokens de audio de entrada (0,40 $ si están en caché) y 64 $ por millón de salida. La versión mini baja a 10 $ y 20 $. En el lanzamiento de 2024 el audio costaba 100 $ y 200 $ por millón.

### ¿Qué modelo de la API Realtime conviene usar hoy?

gpt-realtime-2.1 o gpt-realtime-2.1-mini. OpenAI ha anunciado que gpt-realtime, gpt-realtime-mini y los antiguos modelos gpt-4o-realtime dejarán de funcionar el 20 de enero de 2027, así que cualquier proyecto nuevo debería empezar ya con la familia 2.1.

### ¿Cuándo no compensa usar la API Realtime?

Cuando no necesitas conversación en tiempo real. Para transcribir grabaciones, generar locuciones o responder mensajes de voz sin prisa, una cadena de transcripción, modelo de texto y síntesis suele salir más barata que pagar 64 $ por millón de tokens de audio de salida, y es más fácil de depurar.
