GPT Realtime 2 · pruébalo en el playground oficial

El 7 mayo 2026 OpenAI metió a GA tres modelos de la familia Realtime que estaban en preview hace meses: gpt-realtime-2 (voice-to-voice), gpt-realtime-translate (traducción en vivo) y gpt-realtime-whisper (transcripción de baja latencia). No es lanzamiento de juguete — son los primeros modelos de voz de OpenAI que se sienten "instantáneos" y abren caso de uso real para agentes de voz en producción.

Esta es la guía día-dos: cómo probarlos sin instalar nada en el playground oficial, y cómo montar tu propia app de voz conectada a Shopify, Gmail y Calendar con Claude Code haciendo el código.

Qué cambia con gpt-realtime-2

Para que te ubiques: los modelos de voz anteriores (Whisper para STT + GPT-4o + TTS) funcionaban en pipeline. Cada paso sumaba latencia. Resultado: 800ms-1.5s entre que el usuario terminaba de hablar y la respuesta empezaba a salir. Sentías el delay.

gpt-realtime-2 es voice-to-voice nativo. Audio entra, audio sale, sin separar transcripción/razonamiento/síntesis en pasos discretos. Latencia reportada: 180-320ms p50. En español rioplatense la calidad de prosodia subió notable — antes sonaba a "robot leyendo", ahora hay entonación.

gpt-realtime-translate hace lo mismo pero traduciendo en vivo. Hablás en español, sale inglés con voz natural. Bidireccional. Ideal para reuniones multi-idioma.

gpt-realtime-whisper es una variante de Whisper optimizada para latencia baja. Para casos donde solo necesitás transcripción (no respuesta), sale más barato que gpt-realtime-2.

Flow de 5 pasos para probar en el playground

No necesitás instalar nada. El playground oficial está en platform.openai.com/playground/realtime.

Paso 1 — Cuenta y créditos

Logueate con tu cuenta OpenAI. Si nunca usaste API, vas a tener que cargar al menos $5 USD a tu billing. Los modelos Realtime no entran en el tier gratis.

Paso 2 — Seleccionar modelo

En el dropdown elegís gpt-realtime-2 (o translate, o whisper según el caso). Cada uno tiene precio distinto. realtime-2 cobra por minuto de audio in + minuto de audio out, asimétrico.

Paso 3 — Configurar la voz

Hay 8 voces oficiales (Alloy, Echo, Fable, Onyx, Nova, Shimmer, más dos nuevas: Verde y Ámbar). Cada una con tres niveles de "expresividad" (neutral, conversational, dramatic). Para agentes de soporte, conversational. Para narradores, dramatic.

Paso 4 — Definir el system prompt

Acá es donde la mayoría falla. El system prompt en modelos de voz no puede ser texto largo de chat — la voz necesita instrucciones más cortas y conductuales. Ejemplo:

Sos asistente de voz de una tienda de zapatillas. Hablás en español
rioplatense, respuestas cortas (1-2 frases). Si el cliente quiere
comprar, conectás con el sistema de checkout. Si pide soporte
post-venta, lo derivás. Nunca digas "permítame", decí "esperá un
segundo".

Paso 5 — Hablar

Botón micrófono. Hablás. Te responde. Tan simple como eso. El playground tiene un timer arriba que te muestra cuánto llevás gastado en USD en tiempo real — útil para no sorprenderte con la factura.

Limitaciones del playground

Antes de invertir tiempo: el playground es para probar, no para producción.

• No mantiene memoria entre sesiones. Cada refresh es nuevo.
• No tiene tools. No podés conectar Shopify, Gmail, etc. desde acá.
• No tiene SIP/PSTN. No podés conectarlo a un número de teléfono.
• Audio de 16kHz. Calidad telefónica, no estudio.

Para todo lo serio, necesitás montar tu propia app que use la API.

4 prompts para que Claude Code monte tu app de voz

Asumiendo Claude Code abierto en un proyecto Next.js vacío:

Prompt 1 — Boilerplate

Armá un boilerplate Next.js 15 con WebRTC client que se conecte a la
Realtime API de OpenAI usando gpt-realtime-2. Quiero un botón "talk"
que abra el mic y muestre el waveform mientras hablo. Usá la API
oficial (no librerías de terceros). Documentación en
https://platform.openai.com/docs/guides/realtime

Claude te va a generar el endpoint server-side que hace el handshake (devuelve el ephemeral token que el cliente usa para conectar WebRTC directo a OpenAI), el cliente que abre el mic con getUserMedia, y el manejo de los eventos del data channel.

Prompt 2 — Tools y MCP

Agregá tool calling. Quiero que el agente pueda:
1. Llamar a Shopify Admin (productos, órdenes) vía el MCP de Shopify.
2. Leer y enviar emails vía Gmail MCP.
3. Crear eventos en Google Calendar vía Calendar MCP.

Los MCPs ya están conectados a mi Claude. Usá esos endpoints.

Acá Claude arma el bridge: las tools que el modelo Realtime puede invocar se traducen a calls MCP por debajo. Sigue funcionando todo en streaming.

Prompt 3 — Shopify (la integración estrella)

Caso concreto: cliente llama y dice "Hola, quería el modelo X talle 42".
El agente tiene que:
1. Buscar el producto en mi catálogo Shopify.
2. Confirmar disponibilidad de stock.
3. Ofrecer agendar envío o pickup.
4. Si quiere comprar, crear un draft order y mandarle link por SMS.

Implementá el flow con manejo de errores (stock 0, producto inexistente,
SMS rebotado).

Prompt 4 — Deploy

Deployalo a Vercel. El cliente WebRTC va a edge runtime. El servidor
que firma los ephemeral tokens va a node runtime. Variables de
entorno: OPENAI_API_KEY, SHOPIFY_ADMIN_TOKEN, GMAIL_MCP_URL,
CALENDAR_MCP_URL.

Tirame la lista de env vars que tengo que cargar en Vercel.

Costos reales (estimados)

Para que dimensiones:

• gpt-realtime-2 input: $32 USD por millón de tokens de audio.
• gpt-realtime-2 output: $64 USD por millón de tokens de audio.
• Una conversación de 5 minutos con respuestas alternadas: aproximadamente $0.40 USD.
• Mil conversaciones de 5 minutos al mes: ~$400 USD.

No es barato si lo ponés en un asistente público sin gating. Es muy barato si lo usás para upsell en tu tienda con 50 clientes activos al día.

Cuándo elegir Realtime vs Pipeline tradicional

Realtime gana cuando:

• Latencia importa más que costo (clientes en llamada, no esperan).
• Conversación es bidireccional fluida (no Q&A spaced).
• Interrupciones son frecuentes (Realtime maneja barge-in nativo).

Pipeline (Whisper + GPT-5 + TTS) gana cuando:

• Cada turno es largo (cliente cuenta un problema de 2 minutos seguidos).
• Necesitás logs limpios (Whisper te da transcripción separada para auditoría).
• Querés combinar con un LLM no-OpenAI (Claude, Gemini) para el razonamiento.

Translate y Whisper: los hermanos menos discutidos

gpt-realtime-translate es la herramienta que faltaba para reuniones internacionales. Setup: un participante habla en español, el modelo traduce a inglés en vivo con voz natural, el otro escucha. No es traducción literal — el modelo prioriza intención sobre palabra. Latencia ~400ms, ligeramente más que voice-to-voice por la conversión.

gpt-realtime-whisper es Whisper pero optimizado para latencia. Si solo necesitás transcripción en vivo (captions, búsqueda en audio, command-and-control), sale ~60% más barato que gpt-realtime-2 porque no genera audio.

Lo que falta todavía

Tres cosas que la comunidad pidió y todavía no llegaron:

1. Self-host. OpenAI no publica los pesos. Si necesitás on-prem por regulación, no es opción.
2. Voces custom. No podés clonar la voz de tu marca (ElevenLabs sí).
3. Idiomas menos comunes. Español, inglés, francés, alemán, italiano, portugués, japonés, mandarín funcionan bien. Otros idiomas pierden calidad notable.

Conclusión

GA de gpt-realtime-2 no es upgrade incremental — es el momento en que voice-to-voice agents pasan de "demo cool" a "infraestructura usable en producción". Probalo en el playground primero para sentir la latencia. Si te convence, los 4 prompts de arriba te dan una app de voz conectada a tu stack en una tarde.

El timing también importa: combinado con Shopify MCP, Gmail MCP y Calendar MCP (todos conectables a Claude desde su settings), un agente de voz comercial funcional ya no requiere equipo de ingeniería. Requiere un par de horas de prompts ordenados.

Tags: gpt-realtime-2, openai, voice-agents, playground, claude-code, mcp, shopify-mcp