@rodrigotadewald: O OpenAI Realtime é a tecnologia que eu recomendaria hoje para quem quer criar um agente de voz que conversa de forma mais natural — como esse meu Jarvis. A arquitetura mais comum para isso costuma juntar três peças: 1. Um speech-to-text, como o Whisper, para transformar sua voz em texto. 2. Uma LLM para entender o pedido, raciocinar e responder. 3. Um text-to-speech, como ElevenLabs, para converter a resposta de volta em áudio. Funciona muito bem. Mas, na prática, você precisa cuidar da comunicação entre todas essas etapas: streaming, atraso entre uma resposta e outra, interrupções no meio da fala, chamadas de ferramentas e sincronização do áudio. Com o GPT-Realtime, boa parte disso fica mais simples porque o modelo trabalha direto com áudio. Ele entende o que você fala e responde falando, com vozes prontas e baixa latência. E, além da conversa, também pode usar function calling. Isso significa que o agente pode fazer mais do que responder perguntas. Conectado às ferramentas certas, ele pode consultar seus dados, acionar automações, buscar informações e controlar dispositivos — como a webcam que mostrei no vídeo. É uma base muito interessante para montar um assistente pessoal por voz, um agente de atendimento, uma interface para sua casa inteligente ou qualquer aplicação em que falar seja mais natural do que abrir um chat. O uso é cobrado por tokens de áudio e texto, então vale acompanhar o consumo quando a aplicação começa a ter muitas conversas ou respostas longas. Mas, se a sua ideia envolve uma IA realmente conversacional, eu testaria o Realtime.

Rodrigo Tadewald

Open In TikTok:

Region: BR

Tuesday 13 October 2026 17:44:57 GMT