Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Αρχιτεκτονική WebSocket του Realtime API

Μάθημα 1 / 18 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Αρχιτεκτονική WebSocket του Realtime API
  2. Τρεις Αρχιτεκτονικές Φωνής το 2026
  3. WebRTC, WebSocket ή SIP
  4. WebSocket έναντι REST: Γιατί αυτή η επιλογή;
  5. Establishing μια Σύνδεση WebSocket
  6. Αρχιτεκτονική Εφαρμογής Realtime
  7. Βασικά σημεία

Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Μοντέλα ήχου. Αρκετά μοντέλα σε αυτό το μάθημα έχουν καταργηθεί: τα tts-1, tts-1-hd και gpt-4o-mini-tts θα σταματήσουν να λειτουργούν στις 6 Ιανουαρίου 2027 (αντικατάσταση: gpt-realtime-2.1-mini, το οποίο ο οδηγός OpenAI TTS αναφέρει ότι δεν υποστηρίζεται από το /v1/audio/speech: η μετάβαση στη σύνθεση ομιλίας μεταφέρεται στο Realtime API)· τα gpt-realtime, gpt-4o-realtime και τα παλαιότερα μοντέλα ήχου στις 20 Ιανουαρίου 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5)· τα whisper-1, gpt-4o-transcribe και το /v1/audio/translations στις 26 Φεβρουαρίου 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Για αμφίδρομη φωνητική επικοινωνία πλήρους διπλού καναλιού, το GPT-Live 1 είναι διαθέσιμο στο API από τις 10 Σεπτεμβρίου 2026. Προσθήκη 3 Νοεμβρίου 2026: ενότητα για τις τρεις αρχιτεκτονικές φωνής της OpenAI (GPT-Live, Realtime API, αλυσίδα επεξεργασίας) και την επιλογή μεταφοράς δεδομένων (WebRTC, WebSocket, SIP), βασισμένη στους οδηγούς Voice agents, Audio and voice και Getting started with the Realtime API· μέγιστη διάρκεια συνεδρίας: 60 λεπτά (Realtime conversations).

Αρχιτεκτονική WebSocket του Realtime API

Το Realtime API της OpenAI αντιπροσωπεύει μια θεμελιώδη αλλαγή παραδείγματος στον τρόπο αλληλεπίδρασής σας με τα γλωσσικά μοντέλα. Σε αντίθεση με τα παραδοσιακά REST APIs που λειτουργούν με βάση τον κύκλο αίτησης-απόκρισης, το Realtime API χρησιμοποιεί το πρωτόκολλο WebSocket για να establish μια μόνιμη, αμφίδρομη σύνδεση μεταξύ της εφαρμογής σας και του μοντέλου.

Αυτή η αρχιτεκτονική επιτρέπει την ανταλλαγή ήχου σε πραγματικό χρόνο: εσείς στέλνετε ήχο, το μοντέλο τον επεξεργάζεται και αποκρίνεται φωνητικά με χαμηλή καθυστέρηση, παρακάμπτοντας ενδιάμεσα βήματα απομαγνητοφώνησης ή μετατροπής κειμένου σε ομιλία. Αυτό αποτελεί ένα από τα βασικά δομικά στοιχεία για τους συνομιλιακούς φωνητικούς πράκτορες και βρίσκεται στην καρδιά αυτού του μαθήματος.

Τρεις Αρχιτεκτονικές Φωνής το 2026

Πριν ανοίξετε μια σύνδεση WebSocket, τοποθετήστε το Realtime API στο ευρύτερο πλαίσιο μαζί με τις άλλες λύσεις της OpenAI. Ο οδηγός Voice agents διακρίνει τρεις προσεγγίσεις:

ΑρχιτεκτονικήΚατάλληλο γιαΓιατί να το επιλέξετε
GPT-LiveΣυνομιλίες full-duplex με ξεχωριστό backendΤο φωνητικό μοντέλο ακούει ενώ μιλάει και αναθέτει τη συλλογιστική και τη χρήση εργαλείων σε ένα backend της επιλογής σας· διατηρεί άθικτο τον υπάρχοντα πράκτορα κειμένου σας
Realtime APIΟμιλία, συλλογιστική και εργαλεία σε μία συνεδρίαΈνα ενιαίο μοντέλο ερμηνεύει τον ήχο, αποφασίζει τι να κάνει και εκφωνεί την απόκριση
Αλυσίδα επεξεργασίαςΛεπτομερή έλεγχο σε κάθε βήμαΑπομαγνητοφώνηση, έπειτα πράκτορας κειμένου, έπειτα σύνθεση ομιλίας: επιθεωρείτε ή μετασχηματίζετε το κείμενο μεταξύ των βημάτων και αντικαθιστάτε ανεξάρτητα κάθε στοιχείο

Για νέες εφαρμογές φωνητικής συνομιλίας, η σελίδα Audio and voice της OpenAI συνιστά πλέον να ξεκινήσετε με το GPT-Live. Το Realtime API παραμένει το σωστό σημείο εκκίνησης όταν ο πράκτορας πρέπει να ενσωματωθεί σε μία μόνο συνεδρία, υποστηρίζοντας τη διακοπή από τον χρήστη, γρήγορη πρώτη ηχητική απόκριση, φυσική εναλλαγή ομιλητών και άμεσες κλήσεις εργαλείων. Η αλυσίδα επεξεργασίας λειτουργεί καλύτερα όταν κάθε βήμα πρέπει να παραμένει ορατό: διατήρηση απομαγνητοφωνημένων κειμένων, επιβολή κανόνων πριν απαντήσει ο πράκτορας ή εκπομπή φωνής μόνο μετά την επικύρωση της απόκρισης.

Αυτό το μάθημα εστιάζει στο Realtime API και στην αλυσίδα επεξεργασίας, των οποίων τα συστατικά στοιχεία (απομαγνητοφώνηση, σύνθεση ομιλίας) καλύπτονται σε επόμενες ενότητες.

WebRTC, WebSocket ή SIP

Η επιλογή του μέσου μεταφοράς εξαρτάται από την προέλευση του ήχου. Σύμφωνα με την τεκμηρίωση: χρησιμοποιήστε WebRTC για ήχο από πρόγραμμα περιήγησης, με ένα εφήμερο μυστικό πελάτη που δημιουργείται από τον διακομιστή σας· WebSocket για σωληνώσεις ήχου στην πλευρά του διακομιστή· SIP για τηλεφωνικές κλήσεις. Μια σύνδεση ελέγχου στην πλευρά του διακομιστή επιτρέπει επίσης σε ένα αξιόπιστο backend να παρατηρεί και να κατευθύνει μια συνεδρία πολυμέσων. Αυτό το μάθημα λεπτομερεί το WebSocket, τον απλούστερο τρόπο κατανόησης των ανταλλασσόμενων συμβάντων· σε ένα πρόγραμμα περιήγησης, προτιμήστε το WebRTC. Μια συνεδρία Realtime διαρκεί το πολύ 60 λεπτά.

WebSocket έναντι REST: Γιατί αυτή η επιλογή;

Σε μια παραδοσιακή αρχιτεκτονική REST, κάθε αλληλεπίδραση απαιτεί ένα πλήρες αίτημα HTTP: άνοιγμα σύνδεσης TCP, διαπραγμάτευση TLS, αποστολή κεφαλίδων, αναμονή για την απόκριση και κλείσιμο της σύνδεσης. Για ήχο σε πραγματικό χρόνο, αυτό το γενικό κόστος είναι απαγορευτικό.

Κριτήριο REST (Responses API) WebSocket (Realtime API)
Καθυστέρηση 200–500 ms ανά αίτημα < 50 ms μετά τη σύνδεση
Κατεύθυνση Μόνο Πελάτης → Διακομιστής Ταυτόχρονη αμφίδρομη
Σύνδεση Νέα για κάθε αίτημα Μόνιμη (συνεδρία)
Ήχος Απαιτείται πλήρες αρχείο Ροή ανά κομμάτι (chunk-by-chunk)

Το πρωτόκολλο WebSocket διατηρεί ένα κανάλι ανοιχτό συνεχώς. Μόλις establishθεί, ο πελάτης και ο διακομιστής μπορούν να στέλνουν μηνύματα ανά πάσα στιγμή χωρίς να περιμένουν να ολοκληρώσει ο άλλος.

Establishing μια Σύνδεση WebSocket

Ιδού πώς να establishσετε μια σύνδεση με το Realtime API σε Python:

import asyncio
import websockets
import json

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

async def connect_realtime():
    headers = {
        "Authorization": f"Bearer {OPENAI_API_KEY}"
    }

    async with websockets.connect(URL, additional_headers=headers) as ws:
        print("Connected to Realtime API")

        # Receive the welcome event
        response = await ws.recv()
        event = json.loads(response)
        print(f"Type: {event['type']}")
        # → "session.created"

        # Keep the connection open
        await asyncio.Future()

asyncio.run(connect_realtime())

Το URL σύνδεσης περιλαμβάνει το μοντέλο ως παράμετρο ερωτήματος. Από τότε που το API έγινε γενικά διαθέσιμο, απαιτείται μόνο η κεφαλίδα πιστοποίησης· η κεφαλίδα OpenAI-Beta: realtime=v1 από τη φάση beta έχει καταργηθεί.

Διεπαφή που σημειώθηκε στις 5 Αυγούστου 2026 — Το Realtime API εξελίσσεται (μοντέλα, ονόματα συμβάντων, μορφή συνεδρίας): όταν έχετε αμφιβολίες, ελέγξτε την επίσημη τεκμηρίωση.

Αρχιτεκτονική Εφαρμογής Realtime

Μια εφαρμογή που χρησιμοποιεί το Realtime API ακολουθεί μια στρωματοποιημένη αρχιτεκτονική:

1

Στρώμα ήχου (λήψη/αναπαραγωγή)

Συλλαμβάνει το μικρόφωνο, αναπαράγει ηχητικές αποκρίσεις. Χρησιμοποιεί PyAudio, sounddevice ή το Web Audio API στο πρόγραμμα περιήγησης.

2

Στρώμα WebSocket (μεταφορά)

Διαχειρίζεται τη μόνιμη σύνδεση, κωδικοποιεί/αποκωδικοποιεί συμβάντα JSON, χειρίζεται επανασυνδέσεις.

3

Στρώμα εφαρμογής (επιχειρηματική λογική)

Συντονίζει τη συνομιλία, διαχειρίζεται το πλαίσιο, καλεί εργαλεία, επεξεργάζεται αποτελέσματα.

4

Στρώμα διακομιστή (προαιρετικός διαμεσολαβητής)

Σε περιβάλλον παραγωγής, ένας ενδιάμεσος διακομιστής προστατεύει το κλειδί API και προσθέτει επιχειρηματική λογική στην πλευρά του διακομιστή.

Ο Ρόλος του Διακομιστή Διαμεσολάβησης (Proxy)

Κατά την ανάπτυξη, μπορείτε να συνδέσετε την εφαρμογή σας απευθείας στο Realtime API. Στην παραγωγή, ένας διακομιστής διαμεσολάβησης είναι απαραίτητος για να:

  • Προστατεύσετε το κλειδί API σας — μην το εκθέτετε ποτέ στην πλευρά του πελάτη
  • Πιστοποιήσετε τους χρήστες σας — επαληθεύστε τα διακριτικά πριν ανοίξετε τη συνεδρία
  • Ελέγξετε το κόστος — περιορίστε τη διάρκεια της συνεδρίας και τη χρήση tokens
  • Καταγράψετε αλληλεπιδράσεις — για αποσφαλμάτωση και συμμόρφωση
# Απλοποιημένο παράδειγμα διαμεσολαβητή WebSocket με FastAPI
from fastapi import FastAPI, WebSocket
import websockets

app = FastAPI()

@app.websocket("/ws/realtime")
async def proxy_realtime(client_ws: WebSocket):
    await client_ws.accept()

    headers = {"Authorization": f"Bearer {OPENAI_API_KEY}"}

    async with websockets.connect(URL, additional_headers=headers) as openai_ws:
        async def forward_to_openai():
            async for message in client_ws.iter_text():
                await openai_ws.send(message)

        async def forward_to_client():
            async for message in openai_ws:
                await client_ws.send_text(message)

        await asyncio.gather(forward_to_openai(), forward_to_client())

Βασικά σημεία

  • Τρεις αρχιτεκτονικές φωνής στην OpenAI: GPT-Live (συνιστάται για νέες συνομιλιακές εφαρμογές), Realtime API (ομιλία, συλλογιστική και εργαλεία σε μία συνεδρία) και η αλυσίδα απομαγνητοφώνηση → πράκτορας → σύνθεση
  • WebRTC για ήχο προγράμματος περιήγησης, WebSocket για σωληνώσεις διακομιστή, SIP για τηλεφωνία· οι συνεδρίες διαρκούν το πολύ 60 λεπτά
  • Το Realtime API χρησιμοποιεί WebSocket για αμφίδρομη επικοινωνία χαμηλής καθυστέρησης
  • Η σύνδεση είναι μόνιμη: ένα άνοιγμα για ολόκληρη τη συνομιλιακή συνεδρία
  • Η στρωματοποιημένη αρχιτεκτονική διαχωρίζει τον ήχο, τη μεταφορά, την επιχειρηματική λογική και τον διακομιστή διαμεσολάβησης
  • Στην παραγωγή, ένας διακομιστής διαμεσολάβησης είναι απαραίτητος για την ασφάλεια και τον έλεγχο κόστους
  • Το πρωτόκολλο βασίζεται σε συμβάντα: κάθε μήνυμα είναι ένα αντικείμενο JSON με ένα πεδίο type