Melhores APIs de IA speech-to-speech em tempo real para chamadas telefônicas (2026)

Os melhores serviços de IA speech-to-speech em tempo real para chamadas telefônicas em 2026 são a Retell AI, a OpenAI Realtime API, o OpenAI GPT-Live-1, a Google Gemini Live API, o Amazon Nova 2.5 Sonic, a Deepgram Voice Agent API e a AssemblyAI Voice Agent API.

A Retell é a escolha certa quando as chamadas são chamadas telefônicas de produção, porque ela envolve um modelo speech-to-speech com a telefonia, as transferências e os testes de que uma linha telefônica precisa. As outras seis são APIs de modelo ou de pipeline. Elas oferecem o loop de voz e deixam com você a maior parte do sistema telefônico, a transferência para um humano e o QA.

A Retell AI publica esta lista e é uma das opções comparadas. Os preços e recursos dos concorrentes vêm da página pública de preços, de modelo ou de documentação de cada fornecedor, consultada em 22 de outubro de 2026, e têm link onde são citados.

Como escolhemos e comparamos as opções. Incluímos todas as APIs que aceitam áudio ao vivo, retornam fala em tempo real e que uma equipe poderia colocar por trás de um número de telefone: modelos speech-to-speech nativos da OpenAI, do Google e da Amazon, duas APIs de agente de voz integradas da Deepgram e da AssemblyAI, e a Retell como camada de plataforma. Comparamos as opções em cinco critérios (abaixo) usando apenas informações publicadas pelos fornecedores. Não fizemos chamadas de teste nem testes de latência, então o artigo não traz notas nem números de latência.

Resumo

• Modelos speech-to-speech nativos: OpenAI gpt-realtime-2.1, OpenAI GPT-Live-1, Gemini 3.8 Live e Amazon Nova 2.5 Sonic recebem áudio e retornam áudio em um único modelo.
• APIs de agente de voz integradas: Deepgram e AssemblyAI executam speech-to-text, um LLM e text-to-speech por trás de um único WebSocket e uma única tarifa por minuto.
• Menores valores publicados de áudio por minuto: Gemini 3.8 Live, a $0,005 por minuto de entrada e $0,018 por minuto de saída, valores que o Google converte de $3 e $12 por 1M de tokens de áudio.
• Tarifas fixas por minuto: GPT-Live-1 a $0,05 por minuto pela camada de voz (modelo de backend cobrado à parte), Deepgram a partir de $0,075 por minuto e AssemblyAI a $0,075 por minuto com tudo incluído.
• SIP direto: a OpenAI aceita chamadas SIP tanto na Realtime API quanto nas sessões Live, e a AssemblyAI recebe SIP pela sua própria conta Twilio. Para o Gemini Live, a documentação do Google indica integrações de parceiros como LiveKit e Pipecat.
• Agentes de voz por telefone em produção: a Retell executa os modelos realtime da OpenAI, o Grok Voice ou um pipeline padrão de LLM, e adiciona transferência assistida, navegação em URA, testes de simulação e análise pós-chamada.

Como as 7 APIs se comparam?

A divisão que importa é se você está comprando um modelo ou um agente de voz por telefone. A tabela mostra o que é cada opção, como uma chamada telefônica chega até ela e o preço publicado em 22 de outubro de 2026.

Como comparamos cada API

Analisamos cinco aspectos que uma chamada telefônica expõe e que uma demo no navegador esconde:

1. Caminho de telefonia. Uma chamada PSTN consegue chegar ao modelo sem que você precise operar um servidor de mídia?
2. Alternância de turnos em condições reais. O fornecedor documenta o tratamento de interrupções em chamadas ao vivo?
3. Chamadas de ferramentas durante a fala. O agente consegue consultar um pedido enquanto continua falando?
4. Transferência para um humano. A transferência assistida é nativa ou fica por conta do seu código?
5. Custo previsível. A cobrança é por minuto ou por token, e o que fica fora do medidor?

As alegações de latência dos fornecedores são medidas de formas diferentes e não são comparáveis, por isso nenhuma aparece aqui.

Retell AI

A Retell AI é a melhor escolha quando um modelo speech-to-speech precisa resistir a chamadas telefônicas reais, porque ela cuida da chamada em torno do modelo: números, transferência, caixa postal e testes.

A API da Retell lista opções speech-to-speech, incluindo a família gpt-realtime da OpenAI (gpt-realtime-2.1, gpt-realtime-2 e outros) e o Grok Voice 3.0, como uma escolha entre os modelos compatíveis. Você também pode executar um agente em um pipeline padrão com o LLM de sua preferência e manter a mesma telefonia, transferências e testes em qualquer caso. Veja as opções de modelo na referência da API.

Como evidência em chamadas difíceis, a Cekura realizou um benchmark de 414 chamadas com seis plataformas de voz (Retell, ElevenLabs, Pipecat, LiveKit, Synthflow e Vapi) em um fluxo de trabalho regulado do Medicare. A Retell foi aprovada em 22 de 23 avaliadores e liderou com 95,7% de precisão no fluxo de trabalho, contando apenas as verificações aprovadas nas três execuções. Os casos difíceis incluíam uma pessoa que interrompe o aviso legal exigindo detalhes do plano, um familiar ligando em nome de um beneficiário e alguém pedindo ao agente que prometa que um plano cobre seu medicamento. É um benchmark de plataformas em um único fluxo de trabalho, não uma comparação de modelos speech-to-speech.

O que você recebe além do modelo:

• Telefonia: compre números dos EUA ou do Canadá no painel, ou importe os seus via SIP trunking, incluindo Twilio e Vonage.
• Transferência: transferência de chamadas fria, assistida e agêntica para uma pessoa, com um resumo contextual nas transferências assistidas.
• Telefonia ativa: detecção de caixa postal e navegação em URA pelos menus telefônicos de outras empresas.
• Testes e QA: testes de simulação antes do lançamento e, depois, análise pós-chamada e garantia de qualidade com IA nas chamadas em produção.

Preços: a partir de $0,07 por minuto na página de preços da Retell.

Atenção: a Retell é uma plataforma, não um endpoint de modelo bruto. Se você quer controlar cada frame do pipeline de áudio por conta própria, comece por uma API de modelo.

OpenAI Realtime API (gpt-realtime-2.1)

A OpenAI Realtime API é a escolha para equipes que querem um modelo speech-to-speech bruto com o raciocínio do GPT e vão construir o restante da stack telefônica por conta própria.

O gpt-realtime-2.1 recebe áudio e retorna áudio, oferece esforço de raciocínio configurável e function calling, e atualiza o gpt-realtime-2 com melhor reconhecimento alfanumérico, tratamento de silêncio e ruído e comportamento em interrupções. A OpenAI lista os mesmos preços para os dois modelos.

Ele também atende uma chamada telefônica sem uma ponte separada. Segundo o guia de SIP da OpenAI, você aponta um SIP trunk para o endpoint SIP da OpenAI, aceita ou rejeita cada chamada pelo seu ID de chamada e pode transferi-la com um SIP REFER.

Preços: $32 por 1M de tokens de entrada de áudio e $64 por 1M de tokens de saída de áudio, mais $4 e $24 por 1M de tokens de texto. Um esforço de raciocínio maior pode aumentar a latência e o uso de tokens de saída.

Atenção: a cobrança por token cresce com a duração da conversa porque o contexto se acumula. Gravação, QA, novas tentativas e lógica de escalonamento para humanos ficam por sua conta.

OpenAI GPT-Live-1

O GPT-Live-1 é o mais indicado quando a alternância de turnos natural importa mais do que ter o raciocínio dentro do modelo de voz. É um modelo full-duplex que ouve e fala ao mesmo tempo e delega o raciocínio e o uso de ferramentas a um agente de backend. Nosso guia do GPT-Live-1 mostra como essa divisão funciona em um agente de voz por telefone.

Ele roda no endpoint de sessões Live da OpenAI, não no endpoint Realtime, então não é uma substituição direta para o gpt-realtime-2.1. Segundo o guia de voz e SIP da OpenAI, as chamadas receptivas chegam via SIP e as chamadas SIP ativas estão disponíveis pela Live API depois de habilitadas para sua organização. O toque é limitado a 3 minutos e uma chamada conectada, a 2 horas.

Preços: $0,05 por minuto de sessão, cobrado por segundo, com o uso do modelo de backend e de ferramentas cobrado à parte.

Atenção: a concorrência é limitada por plano: 50 sessões no Build, 300 no Launch e 500 no Grow, e o SIP receptivo exige que o suporte a SIP do GPT-Live esteja habilitado no seu projeto.

Google Gemini Live API

A Gemini Live API tem os menores valores de áudio por minuto entre os preços publicados. O Gemini 3.8 Live e o Gemini 3.8 Live Extended Thinking ficaram disponíveis para o público geral em 15 de setembro de 2026, e ambos listam $0,005 por minuto para áudio de entrada e $0,018 por minuto para áudio de saída na página de preços do Google. Esses valores por minuto aparecem ao lado de $3 e $12 por 1M de tokens de áudio, então são uma conversão, não um medidor separado.

O modelo Extended Thinking oferece raciocínio em segundo plano durante a chamada, e o grounding com Google Search é compatível no plano pago, com 5.000 pesquisas gratuitas por mês e depois $14 a cada 1.000.

Atenção: o guia da Live API do Google lista integrações de parceiros como LiveKit e Pipecat e não descreve nenhum caminho via SIP trunk, então planeje uma ponte na frente da Live API. O preço de saída inclui tokens de raciocínio, então o valor por minuto é um piso.

Amazon Nova 2.5 Sonic

O Amazon Nova 2.5 Sonic é a escolha natural para equipes que já desenvolvem no AWS Bedrock. A AWS o disponibilizou para o público geral em 5 de outubro de 2026, com melhorias em raciocínio, seguimento de instruções e precisão de chamadas de ferramentas, menor latência, vozes expressivas em sete idiomas, alternância de turnos controlável, chamadas de ferramentas assíncronas e uma janela de contexto de 256K.

O framework Strands Bidi Agents da AWS, agora disponível para o público geral, é o caminho da empresa para criar um agente de voz com poucas linhas de código.

Preços: a AWS lista o Nova 2.5 Sonic pelo mesmo preço do Nova 2 Sonic. Consulte a página de preços do Amazon Nova para ver as tarifas atuais por token, que são carregadas dinamicamente.

Atenção: ele está disponível em quatro regiões do Bedrock (N. Virginia, Oregon, Estocolmo, Tóquio), e sete idiomas é uma cobertura mais restrita do que a de outras opções aqui. O anúncio não descreve um caminho telefônico, então confirme como as chamadas chegam ao modelo antes de se comprometer.

Deepgram Voice Agent API

A Voice Agent API da Deepgram é a escolha para equipes que querem o reconhecimento de fala da Deepgram com a opção de usar o próprio LLM ou voz. Ela executa speech-to-text, um LLM e text-to-speech por trás de um único WebSocket e um único medidor por minuto, e a documentação da Deepgram inclui guias de agentes de telefonia receptivos e ativos para Twilio e Plivo.

Preços: $0,075 por minuto no plano Standard de pagamento conforme o uso e $0,163 no Advanced, com tarifas menores se você usar o próprio LLM ou TTS.

Atenção: é um pipeline em cascata, não um modelo speech-to-speech nativo. Contas com pagamento conforme o uso são limitadas a 45 conexões simultâneas de Voice Agent (60 no Growth), o que faz diferença na primeira vez que uma campanha começa a discar.

AssemblyAI Voice Agent API

A Voice Agent API da AssemblyAI é a escolha quando a precisão da transcrição determina se o agente funciona, por exemplo com nomes, números de conta e endereços. Ela executa o modelo de fala Universal-3.6 Pro Realtime da AssemblyAI, um LLM e TTS por trás de um único WebSocket.

Preços: $4,50 fixos por hora ($0,075 por minuto) cobrindo speech-to-text, o LLM e o TTS, cobrados por minuto de sessão, segundo a referência de preços da AssemblyAI. Para chamadas telefônicas, a documentação da AssemblyAI informa que o Twilio repassa as chamadas à AssemblyAI via SIP, então não há servidor de mídia nem webhook para operar. O SIP trunk e o número ficam na sua própria conta Twilio.

Atenção: assim como a Deepgram, é um pipeline em cascata, não nativo de áudio para áudio, então você obtém uma transcrição a cada turno, mas não um modelo que ouve o tom diretamente.

Você deve usar um modelo speech-to-speech nativo ou um pipeline em cascata?

Use um modelo speech-to-speech nativo quando o tom e a alternância rápida de turnos importarem mais do que o controle de cada etapa, e um pipeline em cascata quando precisar ver e corrigir o que o agente ouviu. Um modelo nativo recebe áudio e retorna áudio, sem uma etapa de transcrição separada. Um pipeline em cascata oferece uma transcrição a cada turno, o que facilita depurar um número de conta errado ou garantir um roteiro de compliance.

De qualquer forma, uma linha telefônica acrescenta trabalho que o modelo não faz: tratamento de interrupções, recuperação de transferências e testes com chamadas que fogem do roteiro. Para entender em mais detalhes como os dois designs diferem, leia como funciona a IA de voz em tempo real. Se você está escolhendo o modelo de raciocínio por trás de um agente em cascata, veja os melhores LLMs para agentes de voz com IA e os melhores modelos de speech-to-text.

Como escolher a API certa para as suas chamadas?

Comece por onde a chamada chega e por quem é responsável pela falha. Quatro perguntas resolvem a questão:

1. As chamadas vêm da rede telefônica? Se sim, descarte qualquer opção que exija uma ponte que você não quer operar, ou escolha uma plataforma que inclua telefonia. Nosso guia de SIP trunking e telefonia moderna aborda o lado da operadora.
2. O que acontece quando o agente não sabe a resposta? Se uma pessoa precisa assumir com contexto, você precisa de transferência assistida, não apenas de um endpoint para desligar.
3. Dá para prever a conta? O preço por minuto (GPT-Live-1, Deepgram, AssemblyAI) é mais fácil de orçar do que o preço por token, em que chamadas longas custam mais por minuto.
4. Quem corrige uma chamada com falha? Se a sua equipe de operações, e não seus engenheiros, vai ajustar prompts e fluxos, escolha uma plataforma com testes e versionamento integrados.

Perguntas frequentes

O que é uma API de IA speech-to-speech?

Uma API de IA speech-to-speech recebe o áudio de quem liga e retorna áudio falado a partir de um único modelo, sem etapas separadas de transcrição e de voz. OpenAI gpt-realtime-2.1, GPT-Live-1, Gemini 3.8 Live e Amazon Nova 2.5 Sonic funcionam assim.

Qual API speech-to-speech é mais barata para chamadas telefônicas?

O Gemini 3.8 Live lista os menores valores de áudio por minuto, $0,005 por minuto para áudio de entrada e $0,018 por minuto para áudio de saída, convertidos pelo Google a partir de $3 e $12 por 1M de tokens de áudio. Seu custo real soma telefonia, qualquer ponte que você opere e tokens de raciocínio, cobrados como saída. A AWS lista o Nova 2.5 Sonic pelo mesmo preço do Nova 2 Sonic, e a OpenAI cobra a Realtime API por token, então compare com base na duração das suas próprias chamadas.

Posso conectar a OpenAI Realtime API a um número de telefone?

Sim. Aponte um SIP trunk de uma operadora como a Twilio para o endpoint SIP da OpenAI e aceite cada chamada pelo seu ID. As transferências usam um SIP REFER.

A Retell é compatível com modelos speech-to-speech?

Sim. A API da Retell lista opções speech-to-speech, incluindo a família gpt-realtime da OpenAI e o Grok Voice 3.0, e um agente da Retell também pode rodar em um pipeline padrão com o LLM de sua escolha. Os recursos de telefonia e transferência são os mesmos em qualquer caso.

O que acontece quando o agente de IA não consegue responder?

Em uma API de modelo, você escreve a lógica de escalonamento. Na Retell, o agente pode fazer uma transferência de chamadas fria, assistida ou agêntica para uma pessoa, e a transferência assistida repassa um resumo contextual para que quem liga não precise se repetir.

Posso manter meu número de telefone atual?

Na Retell, sim: você pode importar um número existente via SIP trunking em vez de comprar um novo. Nas APIs de modelo, depende do SIP trunk ou da ponte que você operar.

Teste com as suas próprias chamadas

Um roteiro de demonstração não vai diferenciar essas APIs; as suas próprias chamadas vão. Crie um agente na Retell gratuitamente, escolha um modelo speech-to-speech ou padrão e teste-o com as chamadas que sua equipe considera mais difíceis.