Promptra Team for Promptra

Posted on Jul 18

OpenAI добавила рассуждение и вызов инструментов в mini-версию голосового Realtime API по той же цене: chat gpt с голосом

#chatgpt #openai #ai #llm

Если ты искал «chat gpt с голосом», скорее всего ты имел в виду одно из двух, и это разные вещи. Первое - голосовой режим в приложении ChatGPT, где ты говоришь в телефон и слышишь ответ. Второе - Realtime API, программный интерфейс, через который ты сам строишь голосовое приложение: телефонного бота, ассистента в машине, голосовой ввод в свой продукт. Событие 6 июля 2026 года касается второго. Приложение ChatGPT здесь ни при чём.

По данным разбора MarkTechPost от 6 июля 2026 и ветки на форуме разработчиков OpenAI от того же дня, OpenAI выпустила две модели: gpt-realtime-2.1 и gpt-realtime-2.1-mini. Главное в этом релизе не топовая модель, а именно mini. Впервые в mini-линейке голосового API появились рассуждение (reasoning) и вызов инструментов (tool calling) - раньше это было только у старшей gpt-realtime-2. И, по тем же источникам, цена mini осталась прежней.

Дальше я разберу, что конкретно изменилось, кому это реально нужно, как это подключить, сколько стоит внимание к деталям, и чего этот релиз не решает. Без хайпа: часть цифр подтверждена только вторичным разбором и форумом, официальную страницу OpenAI напрямую я не видел, и об этом честно скажу в нужных местах.

Что именно изменилось 6 июля 2026

Главное: дешёвая голосовая модель получила две способности топового тира и не подорожала.

Разложим по фактам из источников:

Две новые модели. gpt-realtime-2.1 и gpt-realtime-2.1-mini вышли 6 июля 2026 (MarkTechPost, форум разработчиков OpenAI).
Reasoning и tool calling в mini. gpt-realtime-2.1-mini впервые в своей линейке получила рассуждение и вызов инструментов - до этого такие возможности были только у старшей модели (MarkTechPost).
Цена не выросла. Новая mini стоит столько же, сколько прежняя gpt-realtime-mini, несмотря на добавленные возможности (MarkTechPost).
Латентность в хвосте. P95-латентность снижена минимум на 25% по всем моделям Realtime за счёт улучшенного кэширования (MarkTechPost, форум разработчиков OpenAI).
Куда целятся модели. Старшая gpt-realtime-2.1 позиционируется под более сложные голосовые агентные workflow, mini - под быстрые и дешёвые голосовые взаимодействия (MarkTechPost).

Обрати внимание на пункт про латентность. Речь не про среднее время ответа, а про P95 - те самые медленные 5% ответов. Именно хвост распределения формирует ощущение, что система «тормозит» или «зависает». Улучшение кэширования бьёт по этому хвосту. Если ты когда-нибудь строил голосового бота, ты знаешь: пользователь прощает стабильные 700 мс, но не прощает случайную паузу в три секунды посреди фразы.

Если тебе нужно сравнить поведение этой голосовой модели с другими семействами по ходу разработки, доступ к Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и через один API даёт provod.ai - удобно, когда хочешь проверить, где твой сценарий отвечает лучше, не заводя пять отдельных подписок.

Почему reasoning в дешёвом тире - это про агентов, а не про болтовню

Главное: рассуждение в mini нужно не для того, чтобы бот красивее беседовал, а чтобы он мог выполнять шаги.

Редакционный угол здесь простой. Есть разговорные чат-боты - они поддерживают диалог, отвечают на вопросы, звучат по-человечески. И есть голосовые агенты - они делают дело: проверяют статус заказа, записывают на приём, уточняют адрес, дёргают внешнюю систему и возвращаются с результатом. Разница между этими двумя мирами - это ровно reasoning и tool calling.

Без вызова инструментов голосовая модель может только говорить. С вызовом инструментов она может посреди разговора решить: «сейчас нужно дёрнуть функцию get_order_status», получить ответ от твоего бэкенда и продолжить голосом. Без рассуждения модель хуже планирует, в каком порядке и когда это делать. Добавив то и другое в mini без роста цены, OpenAI фактически сдвинула порог: сценарии, которые раньше требовали дорогой старшей модели, теперь могут работать на дешёвой.

Это моё прочтение позиционирования, а не заявление OpenAI. Источник прямо говорит только одно: mini - для быстрых и дешёвых взаимодействий, старшая - для сложных workflow. Вывод «ставка на бизнес-агентов, а не на чат-ботов» - редакционный, держи это в голове.

Как это устроено на уровне архитектуры

Голосовой агент на Realtime API - это не «отправил текст, получил текст». Это постоянное соединение, обычно WebSocket или WebRTC, по которому в обе стороны течёт аудио и события.

Поток выглядит так:

Микрофон пользователя пишет аудио, ты стримишь его в соединение.
Модель распознаёт речь, думает и параллельно начинает отвечать голосом.
Если модель решает вызвать инструмент, она присылает событие с именем функции и аргументами.
Твой код выполняет функцию (запрос в базу, во внешний API), возвращает результат.
Модель встраивает результат в ответ и продолжает говорить.

Reasoning влияет на шаг 3: когда и что вызвать. Tool calling - это механика шагов 3 и 4. Латентность важнее всего между шагами 2 и 5: пауза, пока модель «думает» или ждёт инструмент, - это и есть тот хвост, который OpenAI, по данным MarkTechPost, укоротила на 25% в P95.

Отдельно про «chat gpt с голосом» как запрос: люди часто путают три уровня. Есть голосовой режим в приложении - готовый продукт, ты им просто пользуешься. Есть Realtime API - конструктор для разработчиков, о нём весь этот текст. И есть связка «распознавание речи плюс обычная текстовая модель плюс синтез речи» - более дешёвый и медленный способ, где ты сам склеиваешь три сервиса. Realtime API отличается тем, что всё это происходит в одной модели и одном потоке, поэтому звучит естественнее и отвечает быстрее.

Как подключиться: минимальный код

Главное: базовое подключение - это WebSocket, ключ и правильное имя модели.

Ниже - компактный набросок на Python. Это иллюстрация структуры, а не готовый к продакшену сервис: обработка аудио, прерывания и переподключения тут опущены.

import os
import json
import websockets  # pip install websockets

# ПЛЕЙСХОЛДЕР: подставь свой ключ, не коммить его в репозиторий
OPENAI_API_KEY = os.environ["OPENAI_API_KEY"]

URL = "wss://api.openai.com/v1/realtime?model=gpt-realtime-2.1-mini"

async def connect():
    headers = {
        "Authorization": f"Bearer {OPENAI_API_KEY}",
        "OpenAI-Beta": "realtime=v1",
    }
    async with websockets.connect(URL, extra_headers=headers) as ws:
        # объявляем инструмент, который модель сможет вызвать голосом
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "instructions": "Ты голосовой помощник службы доставки.",
                "tools": [{
                    "type": "function",
                    "name": "get_order_status",
                    "description": "Статус заказа по номеру",
                    "parameters": {
                        "type": "object",
                        "properties": {"order_id": {"type": "string"}},
                        "required": ["order_id"],
                    },
                }],
            },
        }))
        async for message in ws:
            event = json.loads(message)
            # здесь разбираешь события: аудио, вызовы функций, ошибки
            print(event["type"])

Ключевое имя модели - gpt-realtime-2.1-mini. Если тебе нужно рассуждение над сложным сценарием и цена не критична, ставишь gpt-realtime-2.1. Проверь актуальные идентификаторы в своей консоли: имена моделей меняются, а я опираюсь на форум разработчиков и MarkTechPost от 6 июля 2026.

Про доступ. Realtime API от OpenAI требует ключа OpenAI и стабильного соединения до их серверов. Из России это часто означает VPN и зарубежную карту для оплаты. Если тебе нужно только сравнить, как разные модели справляются с логикой твоего голосового сценария на текстовом уровне - без самого аудиопотока, - то маршрутизацию к моделям OpenAI, Claude и другим можно делать через один OpenAI-совместимый API. У provod.ai это работает так: меняешь api_key и base_url в SDK OpenAI или Anthropic, платишь с российской карты, по SBP или по счёту, без VPN и зарубежных карт, а для юрлица есть договор, счёт и закрывающие документы. Важно честно: это доступ к текстовым и мультимодальным моделям, а не хостинг именно голосового Realtime-потока и не замена самому Realtime API - для живого аудио тебе всё равно нужен голосовой endpoint провайдера модели.

# доступ к моделям через OpenAI-совместимый API (текстовые сценарии)
from openai import OpenAI

client = OpenAI(
    api_key="ПЛЕЙСХОЛДЕР_КЛЮЧ",          # секрет, держи в переменных окружения
    base_url="https://api.provod.ai/v1",  # смена base_url — и тот же SDK работает
)

Сколько это стоит и какую модель брать

Главное: mini не подорожала, поэтому выбор между тирами теперь про сложность сценария, а не про бюджет по умолчанию.

Точных цен в рублях или долларах источник не приводит - он лишь утверждает, что новая mini стоит столько же, сколько предыдущая mini (MarkTechPost). Поэтому я не буду называть конкретные суммы: это была бы выдумка. Смотри тарифы Realtime API в своей учётной записи OpenAI на день покупки.

Что можно сказать по фактам - это как выбирать модель.

Что у тебя за сценарий	Модель	Почему
Короткий голосовой ответ, FAQ, простая маршрутизация	gpt-realtime-2.1-mini	Быстро и дёшево, теперь с базовым reasoning и вызовом инструментов
Агент с несколькими шагами, вызовы функций посреди диалога	gpt-realtime-2.1-mini или 2.1	mini теперь тянет tool calling; если планирование сложное - переходи на старшую
Сложный многошаговый workflow, тонкая логика	gpt-realtime-2.1	Позиционируется под сложные голосовые агентные сценарии
Не нужен живой голос, важна только логика ответа	текстовая модель	Realtime дороже и сложнее там, где хватает обычного чата

Практический вывод из релиза: раньше выбор часто диктовал бюджет - берёшь mini, потому что дёшево, и миришься с отсутствием инструментов. Теперь mini умеет инструменты, поэтому дефолт для многих голосовых ботов сдвигается на неё, а старшую модель берёшь осознанно под сложность, а не «на всякий случай».

Пошагово: собери прототип голосового агента

Получи доступ к Realtime API. Нужен ключ OpenAI с включённым Realtime. Из России - учитывай VPN и способ оплаты заранее.
Выбери модель. Начни с gpt-realtime-2.1-mini: она дешевле и теперь с инструментами.
Подними WebSocket-соединение. Как в примере выше. Проверь, что заголовок OpenAI-Beta соответствует текущей версии из документации.
Опиши инструменты. Каждая функция - имя, описание, JSON-схема параметров. Держи описания короткими и однозначными: модель по ним решает, когда звать.
Реализуй обработчик вызова. Когда придёт событие вызова функции - выполни её, верни результат в сессию, дай модели продолжить.
Прогони аудио. Стримь микрофон в соединение, проигрывай ответное аудио. Обработай прерывание: пользователь перебивает - ты гасишь текущий ответ.
Измерь хвост латентности. Логируй время от конца речи пользователя до начала ответа. Смотри не среднее, а P95. Релиз обещает улучшение именно здесь - проверь на своих данных.
Добавь запасной путь. Разрыв соединения, таймаут инструмента, отказ модели вызвать функцию - на каждый случай нужен внятный голосовой ответ, а не тишина.

Частые ошибки и как их читать

Главное: большинство проблем в голосовых агентах - это не «плохая модель», а необъявленные инструменты, кривые схемы и необработанные разрывы.

Модель не вызывает инструмент. Чаще всего описание функции размытое или в session.update инструмент не объявлен. Уточни description, проверь, что событие обновления сессии реально ушло до начала диалога.
Функция вызвана, но аргументы мусорные. Слишком свободная JSON-схема. Ставь required, ограничивай типы, добавляй примеры в описание параметров.
Долгие паузы. Смотри, где именно висит: в самой модели или в твоём обработчике инструмента. Если тормозит твой бэкенд - улучшение кэширования OpenAI тебе не поможет, это твоя латентность.
Обрыв посреди фразы. WebSocket живёт не вечно. Нужны переподключение и восстановление контекста сессии.
Путаница версий. Не смешивай имена gpt-realtime-mini (старое) и gpt-realtime-2.1-mini (релиз 6 июля). Инструменты и reasoning - именно у новой.

Про n8n и низкокодовые связки

Если ты собираешь автоматизацию в n8n, помни: живой двусторонний аудиопоток Realtime API плохо ложится на пошаговый воркфлоу-движок. n8n хорош там, где вызов функции из голосового агента бьёт в твой бэкенд, а тот уже дёргает n8n как обычный HTTP-триггер. То есть голосовой слой держи отдельно, а n8n подключай на стороне выполнения инструментов. Не пытайся прогонять сам аудиопоток через ноды - это не его задача.

Чего этот релиз не решает

Честный список ограничений.

Это не про приложение ChatGPT. Если ты искал «chat gpt с голосом» в смысле «поговорить с ботом в телефоне» - релиз Realtime API тебе как пользователю ничего не меняет, это инструмент для разработчиков.
Цены в источнике нет. Подтверждено только, что mini не подорожала. Конкретных сумм я не привожу намеренно - смотри свой тариф.
Официальную страницу OpenAI я напрямую не видел. Факты держатся на разборе MarkTechPost и ветке форума разработчиков OpenAI от 6 июля 2026. Вторая способность mini - reasoning и tool calling - подтверждена вторичным источником; форум прямо подтверждает выпуск моделей и работу над латентностью.
25% - это про P95, а не про каждый ответ. Улучшение бьёт по медленному хвосту. Твой средний ответ может почти не измениться, а редкие подвисания - сократиться.
Reasoning в mini - не магия. Источник говорит о появлении способности, а не о её равенстве старшей модели. Для по-настоящему сложных workflow позиционируется gpt-realtime-2.1.
Доступ и оплата из России - отдельная задача. Сам Realtime-поток идёт к серверам OpenAI. Российский платёжный и безVPN-контур решает вопрос доступа к моделям для текстовых и мультимодальных сценариев, но не подменяет голосовой endpoint и не заменяет GigaChat, платформы автоматизации, приватную или on-prem инфраструктуру и внедрение под ключ.

Кому стоит трогать это прямо сейчас

Если у тебя уже есть голосовой бот на прежней mini и он упирался в отсутствие инструментов - это твой релиз, пробуй переключение на gpt-realtime-2.1-mini. Если ты только планируешь голосового агента для поддержки, записи или приёма заявок - начинай сразу с новой mini и поднимайся к старшей только там, где не хватает планирования. Если тебе нужен просто «поговорить с ИИ голосом» без своей разработки - тебе в готовое приложение, а не в API.

И ещё раз про запрос, с которого мы начали. «Chat gpt с голосом» - это чаще всего готовый голосовой режим для конечного пользователя. Realtime API - это то, из чего такой режим строят. Релиз 6 июля сделал строительный материал дешевле по возможностям, не подняв цену, и это хорошая новость именно для тех, кто строит.

Хочешь сравнить, как GPT, Claude, Gemini, DeepSeek и Qwen справляются с логикой твоего голосового сценария на текстовом уровне, платя рублями и без VPN? Открой provod.ai и подключи один API в свой SDK за пару минут.

Источники

MarkTechPost, 6 июля 2026 - разбор gpt-realtime-2.1 и gpt-realtime-2.1-mini, факты о reasoning и tool calling в mini, сохранении цены и снижении P95-латентности на 25%: https://www.marktechpost.com/2026/07/06/openai-gpt-realtime-2-1-mini-reasoning-realtime-api/
OpenAI Developer Community, 6 июля 2026 - анонс новых Realtime-моделей и обсуждение улучшения латентности: https://community.openai.com/t/new-realtime-models-on-the-api-gpt-realtime-2-1-and-gpt-realtime-2-1-mini/1385896

Отдельная оговорка: официальный анонс на openai.com для этого материала напрямую не проверялся. Ключевые факты подтверждены форумом разработчиков OpenAI и независимым техническим разбором. Проверяй актуальные имена моделей, лимиты и цены в своей консоли на день работы.

provod.ai — Russian LLM API aggregator. One OpenAI-compatible endpoint to all flagship models: OpenAI (GPT-5.6, GPT-5.5), Anthropic (Claude Opus 4.8, Sonnet 4.6), Google (Gemini 3.1 Pro, 3.5 Flash), DeepSeek V4 Pro, Qwen 3.6 Plus. Provider prices at the CBR rate, no token markup. Pay in rubles to a Russian legal entity with full closing documents.

Try: provod.ai · model catalog · docs