Si vas a crear una aplicación para conversar por voz, empieza con GPT-Live. Puede escuchar mientras habla y mantener la conversación mientras un agente en el backend razona, usa herramientas o completa una tarea.
Sigue la guía de inicio rápido de WebRTC para establecer la conexión de tu primera conversación. Luego escribe un prompt breve para Live. Si ya tienes una aplicación de Realtime o un agente de texto, sigue la guía de migración a GPT-Live.
Elige otro flujo de trabajo de audio
Usa la Realtime API cuando necesites su modelo de sesiones y herramientas. Para transcribir, traducir o generar voz sin un agente conversacional, elige la API específica para tu tarea en la siguiente tabla.
| Qué quieres crear | Por dónde empezar | Qué controlas |
|---|---|---|
| Un agente de voz a voz que use el modelo de sesiones y herramientas de Realtime | Realtime API | Los turnos de voz, el estado de la sesión, las herramientas y las interrupciones. |
| Una interfaz de voz para un agente de texto existente | Agentes de voz | La conversión de voz a texto, el flujo de trabajo del agente de texto y, por último, la conversión de texto a voz. |
| La transcripción de un archivo de audio | Transcripción de archivos | La carga de archivos, las solicitudes de alcance limitado y los formatos de transcripción compatibles. |
| Subtítulos en vivo sin que el asistente hable | Transcripción en vivo | La transmisión de audio y los eventos que actualizan la transcripción de forma incremental. |
| Traducción continua de voz | Traducción en vivo | Una sesión dedicada a la traducción, en lugar de un ciclo de turnos con un agente de voz. |
| Narración o voz generada | Texto a voz | El texto, la voz y el formato de salida. |
| Entrada o salida de audio en una aplicación de chat existente | Audio en Chat Completions | Las solicitudes multimodales de chat de alcance limitado. |
Crea aplicaciones de voz
Consulta la guía de agentes de voz para comparar arquitecturas. Empieza con la guía para escribir prompts de GPT-Live o de Realtime. Luego consulta las guías comunes sobre voces personalizadas, evaluación y optimización de costos. Cada guía indica qué comportamientos son específicos de cada modelo o API.
Elige una conexión
Para trabajar con audio en el navegador, empieza con WebRTC. Para procesar flujos de audio en el servidor, usa WebSockets. Para las llamadas telefónicas, consulta Telefonía y SIP. Una conexión de control del lado del servidor permite que un backend de confianza supervise y controle una sesión multimedia.
Selecciona tu API en la página de cada tipo de conexión. Aunque GPT-Live y Realtime compartan un protocolo de transporte, sus procedimientos de negociación de conexión, credenciales y formatos de eventos no son intercambiables. Consulta los requisitos previos y las instrucciones de configuración en la guía de conexión.
Agrega audio a tu aplicación existente
Ahora puedes encontrar los ejemplos de Chat Completions en Audio en Chat Completions. Para empezar a crear un agente de voz en el navegador, sigue la guía de inicio rápido de GPT-Live con WebRTC.