OpenAI Realtime API com WebRTC no Brasil: custos e arquitetura para telefonia

A Realtime API da OpenAI permite conversas de voz em tempo real com latência baixa, e a documentação oficial recomenda WebRTC para quem conecta navegador, aplicativo ou servidor. Para uma operação de telefonia corporativa no Brasil, o desenho prático é separar duas camadas: a voz (transportada por WebRTC no cliente e, quando o cliente é um telefone, por SIP com uma ponte de áudio) e o raciocínio do backend (modelos, ferramentas e regras de negócio, cobrados à parte). Antes de dimensionar custo, confirme o preço vigente na página oficial de preços da OpenAI, porque os valores mudam.

Resumo rápido

• A OpenAI recomenda WebRTC para conexões de voz em navegador, app e servidor; WebSocket continua suportado para server-to-server.
• Telefonia chega por SIP: ou SIP direto do provedor para a OpenAI, ou uma ponte de áudio na sua aplicação.
• O custo tem duas partes: a sessão de voz (cobrada por segundo, sem arredondar para o minuto cheio) e o backend (modelos e ferramentas).
• Criar uma sessão WebRTC fatura 15 segundos de duração na inicialização, creditados depois na conversa, não somados por cima.
• Gravação de chamada com áudio de terceiros cai na LGPD: base legal, finalidade e retenção precisam estar definidas.
• Preços mudam: trate qualquer número como referência e reconfira na página oficial antes de fechar orçamento.

O que a Realtime API resolve em telefonia

A Realtime API existe para interações que precisam parecer uma conversa comum: o usuário fala, o sistema responde sem espera perceptível, é possível interromper a fala do assistente (barge-in) e as ferramentas são chamadas no meio do diálogo. A documentação oficial descreve o fluxo típico assim: o servidor da sua aplicação cria uma credencial efêmera para a sessão, o front-end abre uma RealtimeSession e a conexão acontece por WebRTC no navegador ou por WebSocket no servidor.

Em telefonia corporativa, o ponto de entrada é diferente do navegador. O colaborador ou o cliente disca para um número, e esse áudio precisa chegar até a OpenAI. É aí que entram SIP, PBX e pontes de mídia. A recomendação de transporte na documentação é explícita: WebRTC para conexões de áudio, inclusive as server-to-server; WebSocket fica como alternativa suportada.

Arquitetura: dois desenhos que funcionam

SIP direto do provedor para a OpenAI

Na documentação de telefonia, o primeiro caminho é o SIP direto: o provedor troca o áudio da chamada diretamente com a OpenAI, e a sua aplicação cuida de webhooks, configuração de sessão, decisões de atendimento e regras de negócio. O signaling SIP usa TLS e o áudio exige SRTP. O backend continua dono da decisão de aceitar a chamada, ou seja, o PBX ou o sistema de roteamento define quem atende, quando e com quais instruções. Quando o backend precisa ver os eventos da conversa ou enviar comandos, a documentação indica uma conexão sideband, que se anexa à conversa enquanto o SIP carrega o áudio. Um cuidado explícito: atribua um único tratador por ação, para que entregas duplicadas de webhook ou eventos vistos em múltiplas conexões não executem a mesma ferramenta duas vezes.

Ponte de áudio na sua aplicação

No segundo caminho, a sua aplicação faz ponte de áudio: recebe a mídia do provedor ou da sala (por exemplo, um tronco SIP em Asterisk ou FreePBX) e retransmite para a OpenAI por WebRTC ou WebSocket. Aqui a aplicação gerencia as duas conexões, a tradução de eventos, a reprodução de áudio e o ciclo de vida da chamada. A documentação lembra que a ligação do provedor até a sua aplicação e a conexão da sua aplicação até a OpenAI são coisas separadas, e cita provedores com guias próprios.

Na prática, usar o seu próprio PBX dá controle sobre filas, horário de atendimento, URA e transferência para humano, em troca de mais software para manter. O SIP direto reduz a superfície de mídia que você opera, mas amarra o roteamento ao que o provedor e a OpenAI expõem.

Comparativo: WebRTC, WebSocket e SIP

Nenhum dos três é “melhor” em absoluto. WebRTC atende quando o ponto de contato é um navegador ou aplicativo. WebSocket atende integrações entre servidores. SIP atende quando o telefone precisa continuar sendo o canal.

Custos: como a conta é montada

A documentação de otimização de custo separa dois blocos. O primeiro é a sessão de voz, cobrada por segundo e sem arredondamento para o minuto cheio; o tempo ativo inclui quando o usuário fala, quando o assistente fala, quando ambos estão em silêncio e quando o backend está processando. O segundo bloco é o backend: modelos, ferramentas e chamadas a outros serviços, cobrados separadamente, como ocorre em qualquer aplicação sem voz.

A página oficial de preços da OpenAI lista, na data da consulta, a sessão de voz do GPT-Live 1 a US$ 0,05 por minuto, e os modelos Realtime com preços por milhão de tokens de entrada e saída de áudio (por exemplo, gpt-realtime-2.1 a US$ 32,00 de entrada de áudio e US$ 64,00 de saída de áudio por milhão de tokens; a variante mini a US$ 10,00 e US$ 20,00). Esses valores precisam ser reconfirmados na página oficial antes de qualquer orçamento, porque a própria OpenAI os altera com o tempo e por modelo.

Há ainda um detalhe de faturamento que pega muita gente: a criação de uma sessão WebRTC fatura 15 segundos de duração na inicialização. Esses 15 segundos são creditados nas cobranças de duração quando a sessão começa a rodar; não são somados por cima. Uma sessão de 90 segundos, portanto, não é cobrada como 105 segundos. Mas se a aplicação cria sessões antes de o usuário estar pronto para falar, ou reconecta com frequência, esses 15 segundos por criação passam a pesar.

Montando uma estimativa honesta

A fórmula que a própria documentação propõe para uma conversa com uma única sessão de voz é: custo total = (segundos de voz faturáveis ÷ 60 × taxa de voz por minuto) + custos de backend. Mute o microfone não fecha a sessão, então silêncio prolongado continua contando tempo ativo. Ao estimar, use a duração relatada pela API, não o tempo do áudio que você reproduziu.

LGPD: gravação, consentimento e retenção

Atenção antes de gravar chamadas

• Áudio de voz de pessoa natural é dado pessoal na LGPD (Lei 13.709/2018), e a ANPD é o órgão responsável no Brasil.
• Defina a base legal do tratamento antes de gravar: consentimento, execução de contrato ou legítimo interesse precisam ser avaliados caso a caso.
• Informe ao chamador que a conversa é atendida e pode ser gravada por IA; para muitos cenários, aviso claro no início da chamada é a única forma defensável.
• Defina finalidade e prazo de retenção do áudio e das transcrições, e cumpra o prazo com descarte automático.
• Se você envia dados pessoais a um provedor de IA, isso é compartilhamento, não operação interna: registre quem processa o quê.
• A própria documentação da Realtime API recomenda um identificador de segurança por usuário final, com valor estável e que preserve a privacidade, como um ID interno com hash.

O ponto delicado é o dado sensível. Se a ligação permite inferir saúde, religião, orientação sexual ou outro dado do artigo 5º da LGPD, as regras ficam mais rígidas que uma simples transcrição de agenda. Um atendimento de agendamento de consulta, por exemplo, envolve dado de saúde, e gravar a conversa inteira deve ser a exceção, não o padrão.

Exemplo: clínica em Belo Horizonte

Uma clínica em Belo Horizonte quer um atendimento por telefone que identifique o paciente, confirme convênio e ofereça horários, com transferência para uma recepcionista quando o caso foge do roteiro. O desenho viável: o tronco SIP do provedor recebe a ligação, o backend consulta a agenda e decide se aceita, a conversa roda com instruções curtas e um conjunto pequeno de ferramentas (consultar horários, confirmar, transferir), e a gravação é desligada por padrão. O que exige cuidado não é a tecnologia, e sim a política de dados: como o tema envolve saúde, a gravação só se justifica com base legal clara, finalidade definida e prazo de retenção curto. Neste exemplo, priorize registrar no sistema apenas os dados necessários ao agendamento, e não o áudio ou a transcrição completa.

Latência: onde ela realmente aparece

A latência percebida no telefone não vem só do modelo. Ela se acumula em cada salto: a rede de telefonia, o tronco SIP, a ponte de mídia, a conexão com a OpenAI e o tempo do backend para responder a uma ferramenta. Duas decisões ajudam mais que qualquer ajuste fino de código. A primeira é reduzir idas ao backend: quanto mais chamadas externas para responder ao usuário, mais silêncio ele escuta. A segunda é fornecer contexto antes de a sessão começar, aproveitando dados que a aplicação já tem permissão de usar, para que a conversa não precise gastar turnos buscando informação básica.

Erros comuns

• Deixar a chave da API no cliente. A credencial efêmera é criada no servidor; a chave do projeto fica lá e só lá.
• Usar WebSocket por hábito quando WebRTC resolve. A recomendação oficial para áudio é WebRTC, inclusive server-to-server.
• Ignorar a cobrança de inicialização. Cada sessão WebRTC criada fatura 15 segundos, mesmos os que ninguém fala. Reconectar muito custa.
• Gravar tudo por padrão. Gravação de voz é dado pessoal; aviso, base legal e prazo de retenção não são opcionais.
• Tratar preço de tabela como fixo. Preços de IA mudam e a página oficial é a fonte válida.
• Executar a mesma ferramenta duas vezes. Com webhooks e sideband, atribua um único tratador por ação.

Perguntas frequentes

Preciso de um PBX próprio para usar a Realtime API no telefone?

Não necessariamente. A documentação descreve dois caminhos: SIP direto do provedor para a OpenAI, ou uma ponte de áudio onde a sua aplicação retransmite a mídia. Asterisk e FreePBX são opções de ponte quando você quer controlar filas, URA e transferência, mas não são obrigatórios.

WebRTC ou WebSocket, qual escolher?

Para áudio, a recomendação oficial é WebRTC, tanto em navegador quanto em integrações entre servidor. WebSocket continua suportado, com áudio e eventos JSON na mesma conexão, e é uma escolha válida quando o cliente é um servidor sem navegador.

Quanto custa uma chamada com IA?

Depende da duração da sessão de voz e do trabalho de backend. A conta é (segundos de voz ÷ 60 × taxa por minuto) mais os custos de modelo e ferramentas. Não use valores de tabela antigos: confira a página oficial de preços da OpenAI no dia do orçamento.

Posso gravar as chamadas?

Pode, mas com obrigações. Voz é dado pessoal sob a LGPD, então você precisa definir base legal, informar o chamador, limitar a finalidade e estabelecer prazo de retenção com descarte automático. Se a conversa expõe dado sensível, o cuidado aumenta.

A solução funciona no Brasil?

A documentação e a página de preços da OpenAI são públicas e acessíveis; a disponibilidade de cada recurso no país depende da página oficial de países suportados e do seu provedor de telefonia. Trate a confirmação em fonte primária como obrigatória antes de fechar contrato.

Como reduzir o silêncio percebido pelo cliente?

Diminua o número de saltos até o backend para responder, mantenha instruções curtas e forneça à sessão, antes de começar, o contexto que a aplicação já tem. Ferramenta lenta vira silêncio no telefone.

Fontes e leitura recomendada

• OpenAI, Getting started with the Realtime API
• OpenAI, guia de voice agents
• OpenAI, Telephony and SIP
• OpenAI, otimização de custo e latência em voz
• OpenAI, página oficial de preços
• Lei nº 13.709/2018 (LGPD), Planalto
• ANPD, Autoridade Nacional de Proteção de Dados

Leia também o guia de assistentes de voz com a Realtime API e a página de integrações OpenAI e ChatGPT para entender a diferença entre as APIs do ecossistema.