¿Qué es una API de voz en tiempo real?

Una API de voz en tiempo real mantiene una sesión de audio en directo y bidireccional a través de una conexión WebSocket: tu aplicación transmite audio del micrófono al modelo y reproduce su respuesta hablada a medida que llega. El usuario puede interrumpir la respuesta en cualquier momento, y el mismo endpoint también ofrece transcripciones en directo.

Tipos de modelos

Qué es una API de voz en tiempo real

La mayoría de las APIs de IA siguen un patrón de petición y respuesta: envías una entrada completa y esperas una salida completa. Una API de voz en tiempo real mantiene abierta la conexión en su lugar. El audio fluye en ambas direcciones a la vez a través de un WebSocket, de modo que tu aplicación puede transmitir el micrófono del usuario al modelo mientras la respuesta hablada del modelo se transmite de vuelta. Cualquiera de las partes puede hablar en cualquier momento, por lo que el usuario puede interrumpir el modelo a mitad de la respuesta.

El modelo al que te conectas decide qué tipo de sesión recibes:

  • Discurso a habla. Una conversación hablada con un modelo que escucha y responde con su propia voz.
  • Transcripción en directo. Mensaje devuelto mientras el hablante sigue hablando.
  • Traducción de voz. El modelo responde en un idioma objetivo, con texto y audio.
  • Texto a voz. Envías texto y el habla vuelve mientras el texto sigue llegando.

Cómo funciona una sesión en tiempo real

Abres un WebSocket para wss://api.empiriolabs.ai/v1/realtime?model=MODEL_ID y autenticar con tu clave API en el Autorización encabezado del apretón de manos. Una vez que comienza la sesión, configuras la voz, las instrucciones y el modo de detección de giro, luego emites audio en pequeños bloques. El modelo envía fragmentos de audio para que se reproduzcan, una transcripción de lo que dice y un evento que marca el final de cada turno.

La detección de giros decide cuándo responde el modelo. Con la detección de actividad de voz en el servidor, el modelo detecta cuándo el altavoz se detiene y responde por sí solo, y hablar durante su respuesta lo interrumpe. Con la detección de turnos desactivada, tu aplicación termina cada turno y solicita la respuesta. Muchos modelos speech-to-speech también pueden llamar a funciones que declares durante la conversación, y algunos aceptan fotogramas de vídeo en directo o buscan en la web.

El código del navegador nunca debe contener tu clave API, por lo que una página web se conecta con un secreto de cliente de corta duración que tu servidor crea con DESPUÉS /v1/realtime/client_secrets. El endpoint sigue el protocolo OpenAI Realtime, por lo que los SDKs de OpenAI pueden conectarse a él.

Para qué se utiliza la voz en tiempo real

  • Agentes de voz. Líneas de soporte, reservas y admisión que responden preguntas y llaman a tus funciones para consultar un pedido o concertar una cita.
  • Asistentes dentro de la aplicación. Ayuda manos libres dentro de un producto o dispositivo.
  • Tutoría y práctica lingüística. Lecciones habladas que responden mientras el alumno habla.
  • Subtítulos en directo. Envía mensajes de texto para reuniones, transmisiones y eventos mientras la gente habla.
  • Interpretación. Discurso traducido a un idioma objetivo durante una conversación.

Elegir un modelo y cómo funciona la facturación

Compara la latencia de respuesta, voces e idiomas, cómo el modelo maneja interrupciones y ruido de fondo, y si soporta llamadas de función, entrada de vídeo o búsqueda web. Luego comprueba la unidad de facturación en cada página del modelo. Los modelos de voz a voz facturan cada turno completado a partir de los tokens que utilizaron, y muchos valoran los tokens de audio y texto por separado, por lo que un turno hablado y un turno mecanografado de la misma duración cuestan cantidades diferentes. Un modelo con precio por minuto factura la duración de la sesión en su lugar. La transcripción en directo factura por la duración del audio que envías, o por tokens en algunos modelos.

Prueba un modelo en tiempo real en EmpirioLabs AI

Abre el Playground, selecciona un modelo en tiempo real, elige una voz y comienza a hablar. Para crear tu propio cliente, crea una clave API en el panel de control y sigue el Guía de la API de voz en tiempo real, que lista cada modelo en tiempo real con sus idiomas y voces, los eventos y un ejemplo completo. Los modelos en tiempo real aparecen entre los Modelos de audio y el Modelos de transcripción.

Paga conforme vayas o elige un plan con asignaciones semanales. Las tarifas actuales están en el página de precios.

Los modelos en EmpirioLabs AI

20 modelos, del más barato al más caro cuando comparten unidad de facturación. La página de cada modelo tiene su tarjeta de precios completa, parámetros y código.

Endpoints

POST /v1/audio/transcriptions WEBSOCKET /v1/realtime POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices

Precio por minuto u hora de audio

ModeloTarifa más bajaSe aplica a
StepAudio 2.5 ASR Stream StepFun$0.40 por hora de audioTranscripción
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 por hora de audioTranscripción
Deepgram Nova-3 Stream Deepgram$0.025 por minuto de audioTranscripción
OpenAI Whisper 1 OpenAI$0.030 por minutoPor minuto de audio

También disponibles: StepAudio 3 Realtime, StepAudio 2.5 Realtime, Qwen3.5 Omni Flash Realtime, Qwen3.5 Omni Plus Realtime, Qwen3.8 LiveTranslate Flash Realtime, Qwen3.8 Omni Flash Realtime, Qwen Audio 3.1 Realtime Plus, Gemini 3.8 Live, Gemini 3.8 Live Extended Thinking, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Plus, Qwen Audio 3.1 Realtime Flash, Qwen Audio 3.0 Realtime Plus, Qwen Audio 3.0 Realtime Flash

Preguntas frecuentes

¿Cuál es la diferencia entre una API de voz en tiempo real y una API text-to-speech?

Una API text-to-speech convierte texto en audio, una petición a la vez. Una API de voz en tiempo real mantiene abierta una conexión bidireccional, de modo que el modelo puede escuchar, responder en voz y ser interrumpido en una sola sesión.

¿Por qué una API de voz en tiempo real utiliza un WebSocket?

Un WebSocket transporta datos en ambas direcciones a la vez a través de una conexión, de modo que el audio del micrófono puede fluir al modelo mientras su respuesta regresa. Una respuesta HTTP transmitida solo transporta salida.

¿Pueden los usuarios interrumpir a la IA mientras habla?

Sí. Con la detección de actividad de voz en el servidor, hablar mientras el modelo responde la interrumpe y el modelo responde a la nueva entrada.

¿Cómo se factura una sesión de voz en tiempo real?

Los modelos de voz a voz facturan cada turno completado por sus tokens, o la duración de la sesión en los modelos con precio por minuto. La transcripción en directo factura por la duración del audio enviado o por tokens en algunos modelos. En EmpirioLabs AI puedes pagar conforme avanzas o elegir un plan con asignaciones semanales.

¿Puedo conectarme a una API de voz en tiempo real desde un navegador?

Sí. Tu servidor crea un secreto de cliente de corta duración con tu clave API, y la página web abre el WebSocket con ese secreto, de modo que la clave API nunca llega al navegador.

¿Listo para usar mejores endpoints?

Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.