APIs de voz em tempo real cobram por tokens ou por minuto, e a diferença é grande. Esta análise compara lado a lado os preços do gpt-realtime-2.1 da OpenAI, do Gemini 3.8 Live do Google e do Grok Voice da xAI, com um exemplo de um minuto, orçamentos para 10.000 e 100.000 minutos e os custos ocultos que inflam a conta.
Três fornecedores agora vendem modelos de fala para fala por uma conexão ao vivo, e cada um cobra de um jeito diferente. A OpenAI cobra por tokens de áudio. O Google também cobra por tokens de áudio, mas ainda publica um equivalente por minuto. A xAI não usa tokens e cobra uma taxa fixa por cada minuto em que a conexão fica aberta. Só essa diferença já torna uma comparação de preço de tabela enganosa. Um assistente de voz que custa um centavo por minuto numa planilha pode custar dez vezes isso quando entram em cena conversas reais, contexto crescente e chamadas de ferramentas.
Esta análise coloca as três APIs de voz em tempo real em pé de igualdade. Você recebe as tarifas publicadas conferidas em 8 de outubro de 2026, um exemplo de um minuto, um orçamento mensal para 10.000 e 100.000 minutos e os custos ocultos que alteram a conta depois do lançamento. No final, há um jeito barato de testar vozes, músicas e transcrições no PicassoIA antes de se comprometer com qualquer uma das três.
A linha atual da OpenAI, lançada em 6 de julho de 2026, é formada por gpt-realtime-2.1 e gpt-realtime-2.1-mini. Ambos adicionam esforço de raciocínio configurável à fala para fala, além de um tratamento melhor de sequências alfanuméricas, silêncio, ruído de fundo e interrupções. A OpenAI também informou uma redução de pelo menos 25% na latência p95 em todos os seus modelos em tempo real, graças a um cache aprimorado.
Todos os preços são por 1 milhão de tokens.
| Tipo de token | Entrada | Entrada em cache | Saída |
|---|---|---|---|
| Texto | US$ 4,00 | US$ 0,40 | US$ 24,00 |
| Áudio | US$ 32,00 | US$ 0,40 | US$ 64,00 |
A entrada de imagem é cobrada a US$ 5,00 por milhão de tokens. O gpt-realtime-2 anterior tem preços idênticos, enquanto o gpt-realtime-1.5 e o gpt-realtime original mantêm as mesmas tarifas de áudio, mas cobram US$ 16,00 por milhão de tokens de saída de texto. O salto para US$ 24,00 veio com a linha 2.x, que tem raciocínio.
O gpt-realtime-2.1-mini custa cerca de um terço do modelo principal no áudio.
| Tipo de token | Entrada | Entrada em cache | Saída |
|---|---|---|---|
| Texto | US$ 0,60 | US$ 0,06 | US$ 2,40 |
| Áudio | US$ 10,00 | US$ 0,30 | US$ 20,00 |
A entrada de imagem cai para US$ 0,80 por milhão de tokens. Uma medição publicada com cerca de 4.000 sessões reais no modelo mini constatou que um assistente típico fica entre US$ 0,05 e US$ 0,08 por minuto, enquanto chamadas pesadas de perguntas e respostas chegaram a US$ 0,12 a US$ 0,15.
A linha mais barata da tabela de preços da OpenAI é a entrada de áudio em cache: US$ 0,40 em vez de US$ 32,00 no modelo principal, uma redução de cerca de 99%. O cache recompensa um prefixo estável, ou seja, seu prompt de sistema e as trocas anteriores da conversa. Qualquer coisa que mude o início do contexto quebra o desconto. A mesma medição constatou que injetar resultados de busca novos no meio da chamada reinicia o cache e custa cerca de US$ 0,007 a US$ 0,009 por evento.
O Google vende seus modelos de voz em tempo real pela Live API, e sua tabela de preços é a mais fácil de ler, porque mostra tanto a tarifa por token quanto o valor por minuto.
gemini-3.8-live e gemini-3.8-live-extended-thinking têm a mesma lista de preços no plano pago.
| Tipo | Por 1 milhão de tokens | Por minuto |
|---|---|---|
| Entrada de texto | US$ 0,75 | n/d |
| Entrada de áudio | US$ 3,00 | US$ 0,005 |
| Entrada de imagem ou vídeo | US$ 1,00 | US$ 0,002 |
| Saída de texto | US$ 4,50 | n/d |
| Saída de áudio | US$ 12,00 | US$ 0,018 |
As duas colunas batem em 25 tokens de áudio por segundo, então você pode orçar por tempo ou por tokens e chegar ao mesmo número. Um minuto do assistente falando custa US$ 0,018, e um minuto do cliente falando custa meio centavo de dólar.
💡 Dica: O Google é o único dos três que publica um equivalente por minuto para a cobrança por tokens. Se a sua equipe financeira quer uma tarifa por minuto de chamada, o Gemini entrega isso sem nenhuma conversão.
Existe um plano gratuito para os modelos Live, o que torna o Gemini o lugar natural para prototipar sem custo antes de passar para o plano pago. Há duas opções relacionadas nesta mesma página que vale conhecer:
O Gemini 2.5 Flash Native Audio, versão de prévia mais antiga, ainda aparece na lista, a US$ 3,00 por milhão de tokens de entrada de áudio e US$ 12,00 por milhão de tokens de saída de áudio.
A xAI adotou a abordagem oposta. Não há tokens de áudio para contar, apenas minutos.
A Voice Agent API roda o grok-voice-think-fast-2.0, também acessível pelo alias grok-voice-latest. A página de preços da xAI o lista a US$ 0,08 por minuto, ou US$ 4,80 por hora. Relatos iniciais de lançamento citaram US$ 0,05 por minuto, então confirme a página atual antes de montar uma previsão com qualquer um dos dois números.
A cobrança segue o tempo de conexão. Um minuto de silêncio custa o mesmo que um minuto de conversa, e não há contexto para cobrar de novo a cada turno. Para uma equipe que teme cobranças inesperadas, essa previsibilidade é o grande atrativo. Outros itens relacionados da mesma página:
A API oferece suporte a mais de 20 idiomas com sotaques de qualidade nativa, e os produtos de fala para fala e de texto para fala compartilham a mesma lista de vozes. Você também pode criar vozes personalizadas a partir de um trecho de áudio de referência. O suporte a ferramentas inclui chamadas de função, busca em arquivos, busca na web, busca no X e servidores MCP remotos.
Para telefonia, a xAI documenta a integração SIP com G.711 nativo, voltada ao tráfego de PSTN, central de contato e PBX. Textos de terceiros acrescentam alguns números que a página de preços não confirmou quando conferi: sessões limitadas a 30 minutos, 100 sessões simultâneas por equipe, uma cobrança de US$ 5 por 1.000 chamadas de busca na web e no X, e US$ 0,01 extra por minuto para um número de telefone provisionado. Trate esses dados como relatados, não como garantidos.
Unidades de cobrança diferentes exigem um cenário comum. O abaixo é deliberadamente simples.
Premissas: em uma janela de 60 segundos, o cliente fala por 25 segundos e o assistente fala por 25 segundos. O áudio da OpenAI é contado a cerca de 100 tokens por segundo, a taxa observada na medição de sessões reais mencionada antes. O áudio do Gemini é contado às suas 25 tokens por segundo publicadas. O Grok é cobrado pelo tempo de conexão. Texto, ferramentas e contexto crescente ficam de fora de propósito.
| API e modelo | Unidade de cobrança | Custo por minuto |
|---|---|---|
| OpenAI gpt-realtime-2.1 | Tokens de áudio | cerca de US$ 0,240 |
| OpenAI gpt-realtime-2.1-mini | Tokens de áudio | cerca de US$ 0,075 |
| Gemini 3.8 Live | Tokens de áudio | cerca de US$ 0,010 |
| Grok grok-voice-think-fast-2.0 | Tempo de conexão | US$ 0,080 |
A conta do modelo principal é 2.500 tokens de entrada a US$ 32,00 por milhão (US$ 0,080) mais 2.500 tokens de saída a US$ 64,00 por milhão (US$ 0,160). O modelo mini segue a mesma soma, com US$ 10,00 e US$ 20,00. O Gemini dá 0,4167 de minuto de áudio do cliente a US$ 0,005 mais 0,4167 de minuto de áudio do assistente a US$ 0,018.
Só no áudio, o Gemini é cerca de 25 vezes mais barato que o gpt-realtime-2.1 e cerca de 8 vezes mais barato que o modelo mini e o Grok.
💡 Leia esta tabela como um piso. Ela precifica apenas o áudio. Sessões reais somam tokens de texto, raciocínio, chamadas de ferramentas e histórico da conversa, que a próxima seção detalha.
Levar esse piso para uma carga de trabalho real mostra onde a conversa sobre orçamento muda.
| API e modelo | 10.000 minutos | 100.000 minutos |
|---|---|---|
| OpenAI gpt-realtime-2.1 | US$ 2.400 | US$ 24.000 |
| OpenAI gpt-realtime-2.1-mini | US$ 750 | US$ 7.500 |
| Gemini 3.8 Live | cerca de US$ 96 | cerca de US$ 960 |
| Grok grok-voice-think-fast-2.0 | US$ 800 | US$ 8.000 |
Com 10.000 minutos, a diferença entre a opção mais barata e a mais cara passa de US$ 2.300 por mês. Com 100.000 minutos, ultrapassa US$ 23.000. No volume menor, a maioria das equipes escolherá por qualidade e recursos, e não por preço.
O piso da tabela é onde termina a boa notícia. Quatro fatores empurram as faturas reais acima dele.
Com a cobrança por tokens, cada turno pode reenviar a conversa até ali. No turno 20, você está pagando de novo pelas 19 trocas anteriores, a menos que o cache ou a poda do histórico as absorva. Na medição de 4.000 sessões, uma chamada sem poda chegou a 480.000 tokens e custou US$ 2,05 em uma única sessão. A saída de áudio também domina a conta, respondendo por cerca de 80% dos gastos no modelo mini.
Três hábitos mantêm isso sob controle:
A taxa fixa do Grok evita os dois primeiros por completo, que é o argumento mais forte a favor dele em chamadas longas.
Os modelos 2.1 da OpenAI permitem definir o esforço de raciocínio. Um esforço maior melhora os turnos difíceis de uso de ferramentas, mas adiciona tokens de saída e latência, e a saída de texto agora custa US$ 24,00 por milhão. Use esforço baixo em chamadas no estilo FAQ e gaste raciocínio apenas onde uma resposta errada custa mais do que alguns centavos.
As chamadas de ferramentas têm linhas próprias. Recuperação injetada no meio da chamada pode reiniciar o cache, buscas são cobradas à parte no Grok, e um número de telefone adiciona uma taxa por minuto em configurações de telefonia. Se você cotar um preço para um cliente que quer um agente de voz, a medição acima sugere US$ 0,15 a US$ 0,20 por minuto para o modelo mini, para aguentar as sessões de pior caso.
O preço é uma entrada. A escolha certa depende de quanto duram as chamadas, de quantas são e do que custa um erro.
O tráfego de central de contato significa chamadas longas, roteamento SIP e uma equipe financeira que odeia variação. A cobrança por tempo de conexão do Grok e o suporte SIP documentado tornam a fatura fácil de prever. Se as chamadas exigem raciocínio pesado e uso de ferramentas, como remarcações, alterações de pedido ou verificações de conta, o gpt-realtime-2.1 é o modelo construído em torno do raciocínio configurável, e um minuto a US$ 0,24 ainda pode compensar uma chamada que fracassou.
Para apps de consumo com volume enorme e turnos curtos, o Gemini 3.8 Live vence em custo por ampla margem, e seu plano gratuito tira o atrito da fase de protótipo. O gpt-realtime-2.1-mini fica no meio do caminho: três vezes mais barato que o modelo principal, com o mesmo formato de API.
| Situação | Melhor opção | Motivo |
|---|---|---|
| Milhões de turnos de voz curtos | Gemini 3.8 Live | Menores tarifas de áudio, valores por minuto publicados |
| Chamadas longas de suporte por SIP | Grok Voice Agent | Taxa fixa de US$ 0,08 por minuto, sem recobrança de contexto |
| Chamadas complexas e cheias de ferramentas | gpt-realtime-2.1 | Esforço de raciocínio configurável |
| Custo e qualidade equilibrados | gpt-realtime-2.1-mini | Um terço da tarifa de áudio do modelo principal |
| Protótipo com orçamento zero | Plano gratuito do Gemini | Sem cobrança enquanto você testa |
Uma API em tempo real começa a cobrar no primeiro segundo de áudio, então defina a voz, o roteiro e o tom em algum lugar mais barato antes. O PicassoIA lista 24 modelos de texto para fala, incluindo vozes dos mesmos fornecedores que você está comparando: Gemini 3.1 Flash TTS e Grok Text To Speech. Para testes focados em latência, também há o Inworld Realtime TTS 2, o Realtime TTS 1.5 Mini, com síntese de 120 ms, e o Realtime TTS 1.5 Max, com saída abaixo de 200 ms.
O Gemini 3.1 Flash TTS oferece 30 vozes em mais de 70 idiomas, o que é variedade suficiente para testar a voz de uma marca em poucos minutos.
💡 Dica: Mantenha um roteiro de teste fixo de 5 a 6 linhas que inclua um número de telefone, um preço e um nome próprio. Usar sempre as mesmas linhas torna as comparações de voz justas.
Um produto de voz raramente precisa só de fala. Para música de espera, uma vinheta de abertura ou uma trilha de marca, o Lyria 3 e o Music 2.6 geram faixas originais a partir de um prompt de texto. No sentido contrário, o GPT 4o Transcribe, o GPT 4o Mini Transcribe e o Gemini 3 Pro transformam gravações de chamadas de teste em texto, para que você leia o que o agente realmente disse em vez de reproduzir tudo de novo.
Os números acima vão mudar, então refaça a conta de um minuto com a duração das suas chamadas e a sua proporção de fala antes de aprovar um fornecedor. Comece o trabalho pelo lado criativo hoje: escreva um roteiro, gere uma voz, adicione uma trilha musical, depois transcreva o resultado e leia de volta. Tudo isso roda no PicassoIA sem escrever uma linha de código de integração.
Escolha um modelo de voz, cole um roteiro e ouça como cada opção soa antes que chegue a primeira fatura. Quando estiver pronto para ir além, explore todos os modelos no PicassoIA e continue testando vozes, músicas, transcrições e imagens até que a demo soe como você quer que o seu produto soe.
Escolha seu idioma
