Uma API de voz em tempo real mantém uma sessão de áudio ao vivo e bidirecional por meio de uma conexão WebSocket: seu aplicativo transmite áudio do microfone para o modelo e reproduz sua resposta falada conforme ela chega. O usuário pode interromper a resposta a qualquer momento, e o mesmo endpoint também oferece transcrição ao vivo.
A maioria das APIs de IA segue um padrão de solicitação e resposta: você envia uma entrada completa e espera uma saída completa. Uma API de voz em tempo real mantém a conexão aberta. O áudio flui em ambas as direções ao mesmo tempo por um WebSocket, de modo que sua aplicação pode transmitir o microfone do usuário para o modelo enquanto a resposta falada do modelo retorna. Qualquer um dos lados pode falar a qualquer momento, então o usuário pode interromper o modelo no meio da resposta.
O modelo ao qual você se conecta decide que tipo de sessão você recebe:
Você abre um WebSocket para wss://api.empiriolabs.ai/v1/realtime?model=MODEL_ID e autenticar-se com sua chave de API no Autorização cabeçalho do aperto de mão. Quando a sessão começa, você define a voz, as instruções e o modo de detecção de curva, depois transmite o áudio em pequenos blocos. O modelo envia de volta trechos de áudio para serem reproduzidos, uma transcrição do que está escrito e um evento que marca o fim de cada turno.
A detecção de turno determina quando o modelo responde. Com a detecção de atividade de voz no lado do servidor, o modelo percebe quando o falante para e responde sozinho, e falar durante sua resposta o interrompe. Com a detecção de turno desligada, seu aplicativo encerra cada turno e solicita a resposta. Muitos modelos speech-to-speech também podem chamar funções que você declara durante a conversa, e alguns aceitam quadros de vídeo ao vivo ou pesquisam na web.
O código do navegador nunca deve conter sua chave API, portanto uma página web se conecta a um segredo de cliente de curta duração que seu servidor cria com PÓS-/v1/realtime/client_secrets. O endpoint segue o protocolo OpenAI Realtime, então os SDKs OpenAI podem se conectar a ele.
Compare a latência de resposta, vozes e idiomas, como o modelo lida com interrupções e ruído de fundo, e se ele suporta chamadas de funções, entrada de vídeo ou busca na web. Depois, verifique a unidade de faturamento em cada página do modelo. Modelos de fala para fala faturam cada turno concluído a partir dos tokens usados, e muitos valoram tokens de áudio e texto separadamente, então um turno falado e um turno digitado do mesmo comprimento custam valores diferentes. Um modelo com preço por minuto cobra a duração da sessão. Transcrição ao vivo fatura pela duração do áudio que você envia, ou por tokens em alguns modelos.
Abra o Playground, selecione um modelo em tempo real, escolha uma voz e comece a falar. Para criar seu próprio cliente, crie uma chave de API no painel e siga o Guia da API de Voz em Tempo Real, que lista todos os modelos em tempo real com seus idiomas e vozes, os eventos e um exemplo completo. Modelos em tempo real aparecem entre os Modelos de áudio e o Modelos de transcrição.
Pague conforme você utiliza, ou escolha um plano com subsídios semanais. As tarifas atuais estão no página de preços.
20 modelos, do mais barato para o mais caro quando compartilham uma unidade de cobrança. A página de cada modelo traz a tabela de preços completa, os parâmetros e código.
Endpoints
/v1/audio/transcriptions WEBSOCKET /v1/realtime POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voicesPreço por minuto ou hora de áudio
| Modelo | Menor tarifa | Aplica-se a |
|---|---|---|
| StepAudio 2.5 ASR Stream StepFun | $0.40 por hora de áudio | Transcrição |
| Qwen Audio 3.0 ASR Stream Alibaba Cloud | $0.648 por hora de áudio | Transcrição |
| Deepgram Nova-3 Stream Deepgram | $0.025 por minuto de áudio | Transcrição |
| OpenAI Whisper 1 OpenAI | $0.030 por minuto | Por minuto de áudio |
Também disponíveis: 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
Uma API text-to-speech transforma texto em áudio, uma solicitação por vez. Uma API de voz em tempo real mantém uma conexão bidirecional aberta, permitindo que o modelo escute, responda em fala e seja interrompido em uma sessão.
Um WebSocket transporta dados em ambas as direções ao mesmo tempo por uma única conexão, de modo que o áudio do microfone pode fluir para o modelo enquanto sua resposta retorna. Uma resposta HTTP transmitida em streaming só carrega saída.
Sim. Com a detecção de atividade de voz do lado do servidor, falar enquanto o modelo está respondendo interrompe a detecção, e o modelo responde à nova entrada.
Modelos de fala para fala faturam cada turno concluído por seus tokens, ou pelo tempo da sessão nos modelos com preço por minuto. Transcrição ao vivo fatura pela duração do áudio enviado, ou por tokens em alguns modelos. Em EmpirioLabs AI você pode pagar conforme vai ou escolher um plano com alocações semanais.
Sim. Seu servidor cria um segredo de cliente de curta duração com sua chave de API, e a página da web abre o WebSocket com esse segredo, de modo que a chave de API nunca chegue ao navegador.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.