Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A Realtime API WebSocket-architektúrája

1. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A Realtime API WebSocket-architektúrája
  2. Három hangarchitektúra 2026-ban
  3. WebRTC, WebSocket vagy SIP
  4. WebSocket kontra REST: Miért ez a választás?
  5. WebSocket-kapcsolat létesítése
  6. Realtime alkalmazás-architektúra
  7. Főbb megállapítások

Frissítve: 2026. november 2. – Hangmodellek. A tanfolyam több modellje elavult: a tts-1, tts-1-hd és a gpt-4o-mini-tts modellek 2027. január 6-án megszűnnek (helyettük a gpt-realtime-2.1-mini lép életbe, amelyet az OpenAI TTS-útmutatója szerint a /v1/audio/speech nem támogat: a beszédszintézis migrációja a Realtime API felé történik); a gpt-realtime, gpt-4o-realtime és a legacy hangmodellek 2027. január 20-án válnak használhatatlanná (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); a whisper-1, a gpt-4o-transcribe és a /v1/audio/translations végpontok pedig 2027. február 26-án szűnnek meg (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). A teljes duplex hangalapú kommunikációhoz a GPT-Live 1 már 2026. szeptember 10. óta elérhető az API-ban. Kiegészítés 2026. november 3.: szakasz az OpenAI három hangarchitektúrájáról (GPT-Live, Realtime API, feldolgozási lánc) és a transzport kiválasztásáról (WebRTC, WebSocket, SIP), a Voice agents, az Audio and voice és a Getting started with the Realtime API útmutatók alapján; maximális munkamenet-időtartam: 60 perc (Realtime conversations).

A Realtime API WebSocket-architektúrája

Az OpenAI Realtime API-ja alapvető paradigmaváltást jelent a nyelvi modellekkel való interakcióban. A hagyományos REST API-kkal ellentétben, amelyek kérés-válasz cikluson alapulnak, a Realtime API a WebSocket protokollt használja, hogy tartós, kétirányú kapcsolatot létesítsen az alkalmazásod és a modell között.

Ez az architektúra lehetővé teszi a valós idejű hangcserét: te küldöd a hangot, a modell feldolgozza azt, és alacsony késleltetéssel, hangban válaszol, kihagyva a közbenső átírási vagy szövegből-beszédbe (TTS) lépéseket. Ez a beszélgető hangalapú ügynökök egyik alapköve, és e tanfolyam szíve.

Három hangarchitektúra 2026-ban

Mielőtt WebSocket-kapcsolatot nyitnál, helyezd kontextusba a Realtime API-t az OpenAI egyéb megoldásaival. A Voice agents útmutató három megközelítést különböztet meg:

ArchitektúraMire a legjobbMiért válaszd ezt?
GPT-LiveTeljes duplex beszélgetések külön backenddelA hangmodell hallgatás közben is beszél, és az érvelést valamint az eszközhasználatot egy általad választott backendre delegálja; így a meglévő szöveges ügynököd érintetlen marad
Realtime APIBeszéd, érvelés és eszközhasználat egyetlen munkamenetbenEgyetlen modell értelmezi a hangot, dönt a teendőkről, és kimondja a választ
Feldolgozási láncMinden lépés részletes szabályozásaÁtírás, majd szöveges ügynök, majd beszédszintézis: lépésenként ellenőrizheted vagy átalakíthatod a szöveget, és minden komponenst függetlenül cserélhetsz

Az új hangalapú beszélgető alkalmazásokhoz az OpenAI Audio and voice oldala most a GPT-Live használatát javasolja kezdésnek. A Realtime API akkor marad a helyes kiindulópont, ha az ügynöknek egyetlen munkamenetbe kell illeszkednie, támogatnia kell a felhasználói megszakítást, a gyors első hangválaszt, a természetes fordulóváltást és a közvetlen eszköz hívásokat. A feldolgozási lánc akkor működik a legjobban, ha minden lépésnek láthatónak kell maradnia: az átiratok megőrzése, szabályok érvényesítése a válasz előtt, vagy a hang kibocsátása csak a válasz validálása után.

Ez a tanfolyam a Realtime API-ra és a feldolgozási láncra fókuszál, amelyek komponenseit (átírás, beszédszintézis) a következő szakaszok tárgyalják.

WebRTC, WebSocket vagy SIP

A transzportválasztás attól függ, honnan származik a hang. A dokumentáció szerint: használj WebRTC-t böngészős hanghoz (a szervered által generált ephemeral client secrettel); WebSocket-et szerveroldali hangfolyamatokhoz; SIP-et telefonhívásokhoz. Egy szerveroldali vezérlőkapcsolat lehetővé teszi továbbá, hogy egy megbízott backend figyelje és irányítsa a média-munkamenetet. Ez a lecke a WebSocketet részletezi, mint az események megértésének legegyszerűbb módját; böngészőben azonban előnyben részesítsd a WebRTC-t. Egy Realtime munkamenet legfeljebb 60 percig tarthat.

WebSocket kontra REST: Miért ez a választás?

Egy hagyományos REST-architektúrában minden interakció teljes HTTP-kérést igényel: TCP-kapcsolat nyitása, TLS-tárgyalás, fejlécek küldése, várakozás a válaszra, majd a kapcsolat bontása. Valós idejű hang esetén ez a többletterhelés elfogadhatatlan.

Szempont REST (Responses API) WebSocket (Realtime API)
Késleltetés 200–500 ms kérésenként < 50 ms a kapcsolat után
Irány Csak Kliens → Szerver Egyidejű kétirányú
Kapcsolat Minden kéréshez új Tartós (munkamenet)
Hang Teljes fájl szükséges Darabonkénti streamelés

A WebSocket protokoll folyamatosan nyitva tart egy csatornát. Ha egyszer létrejött, a kliens és a szerver bármikor küldhet üzeneteket anélkül, hogy meg kellene várniuk a másik fél befejezését.

WebSocket-kapcsolat létesítése

Így hozhatsz létre kapcsolatot a Realtime API-val Pythonban:

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())

A kapcsolati URL a modellt lekérdezési paraméterként tartalmazza. Mióta az API általános elérhetőséget (GA) ért el, csak a hitelesítési fejléc szükséges – a béta fázisból ismert OpenAI-Beta: realtime=v1 fejléc megszűnt.

Felület frissítve: 2026. augusztus 5. – A Realtime API fejlődik (modellek, eseménynevek, munkamenet formátum): ha bizonytalan vagy, mindig ellenőrizd a hivatalos dokumentációt.

Realtime alkalmazás-architektúra

Egy Realtime API-t használó alkalmazás rétegzett architektúrát követ:

1

Hangréteg (rögzítés/lejátszás)

Rögzíti a mikrofon bemenetét, lejátsza a hangválaszokat. Használja a PyAudio, sounddevice vagy a böngészőben a Web Audio API könyvtárakat.

2

WebSocket-réteg (transzport)

Kezeli a tartós kapcsolatot, kódolja/dekódolja a JSON eseményeket, és kezeli az újracsatlakozásokat.

3

Alkalmazásréteg (üzleti logika)

Orchesztrálja a beszélgetést, kezeli a kontextust, hívja az eszközöket és dolgozza fel az eredményeket.

4

Szerverréteg (opcionális proxy)

Éles környezetben egy köztes szerver védi az API-kulcsot, és szerveroldali üzleti logikát ad hozzá.

A proxy szerver szerepe

Fejlesztés során közvetlenül csatlakoztathatod az alkalmazásodat a Realtime API-hoz. Éles környezetben azonban egy proxy szerver elengedhetetlen a következőkhöz:

  • Az API-kulcsod védelme – soha ne tedd ki klienoldalon
  • Felhasználóid hitelesítése – ellenőrizd a tokeneket a munkamenet megnyitása előtt
  • Költségek szabályozása – korlátozd a munkamenet időtartamát és a tokenfelhasználást
  • Interakciók naplózása – hibakeresés és megfelelés céljából
# Egyszerűsített példa egy WebSocket proxyra FastAPI-val
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())

Főbb megállapítások

  • Három hangarchitektúra az OpenAI-nál: GPT-Live (új beszélgető alkalmazásokhoz ajánlott), Realtime API (beszéd, érvelés és eszközök egy munkamenetben), valamint az átírás → ügynök → szintézis lánc
  • WebRTC böngészős hanghoz, WebSocket szerveroldali folyamatokhoz, SIP telefonáláshoz; a munkamenetek legfeljebb 60 percig tarthatnak
  • A Realtime API WebSocketet használ az alacsony késleltetésű, kétirányú kommunikációhoz
  • A kapcsolat tartós: egyetlen megnyitás az egész beszélgetési munkamenet alatt
  • A rétegzett architektúra szétválasztja a hangot, a transzportot, az üzleti logikát és a szerver proxyt
  • Éles környezetben a proxy szerver elengedhetetlen a biztonság és a költségszabályozás érdekében
  • A protokoll eseményvezérelt: minden üzenet egy JSON objektum, amely tartalmaz egy type mezőt