リアルタイムエージェントガイド

このガイドでは、OpenAI Agents SDK のリアルタイムレイヤーが OpenAI Realtime API にどのように対応しているか、および Python SDK が追加する動作について説明します。

はじめに

デフォルトの Python の使用方法については、まず クイックスタートをお読みください。アプリでサーバーサイド WebSocket と SIP のどちらを使用するか検討している場合は、リアルタイムトランスポートをお読みください。ブラウザーの WebRTC トランスポートは Python SDK に含まれません。

概要

リアルタイムエージェントは Realtime API への長時間接続を維持するため、モデルはターンごとに新しいリクエストを開始し直すことなく、テキストと音声を段階的に処理し、音声出力をストリーミングし、ツールを呼び出し、中断を処理できます。

SDK の主なコンポーネントは次のとおりです。

• RealtimeAgent: 1 つのリアルタイムスペシャリストに対する指示、ツール、出力ガードレール、ハンドオフ
• RealtimeRunner: 開始エージェントをリアルタイムトランスポートに接続するセッションファクトリー
• RealtimeSession: 入力の送信、イベントの受信、履歴の追跡、ツールの実行を行うライブセッション
• RealtimeModel: トランスポートの抽象化。デフォルトは OpenAI のサーバーサイド WebSocket 実装です。

セッションのライフサイクル

一般的なリアルタイムセッションは次のようになります。

1. 1 つ以上の RealtimeAgent を作成します。
2. 開始エージェントを指定して RealtimeRunner を作成します。
3. await runner.run() を呼び出して RealtimeSession を取得します。
4. async with session: または await session.enter() でセッションに入ります。
5. send_message() または send_audio() でユーザー入力を送信します。
6. 会話が終了するまでセッションイベントを反復処理します。

テキストのみの実行とは異なり、runner.run() は最終的な実行結果をすぐには生成しません。代わりに、ローカル履歴、バックグラウンドでのツール実行、ガードレールの状態、アクティブなエージェント設定をトランスポートレイヤーと同期し続けるライブセッションオブジェクトを返します。

デフォルトでは、RealtimeRunner は OpenAIRealtimeWebSocketModel を使用するため、デフォルトの Python の使用方法では Realtime API へのサーバーサイド WebSocket 接続になります。別の RealtimeModel を渡した場合も、同じセッションライフサイクルとエージェント機能が適用されますが、接続の仕組みは変更できます。

Realtime API サーバーがデフォルトの WebSocket 接続を正常に閉じると、モデルトランスポートは disconnected の RealtimeModelConnectionStatusEvent を生成し、続いて RealtimeModelEndOfStreamEvent を生成します。RealtimeSession は両方を raw_model_event 内で転送し、すでにキューに入っているイベントを処理した後、例外を発生させずに非同期反復を終了します。呼び出し元が開始した session.close() では、これらのサーバー切断イベントは合成されません。予期しない WebSocket 障害は、通常のサーバー切断として反復を終了するのではなく、引き続きセッションの例外処理経路に進みます。

エージェントとセッションの設定

RealtimeAgent は、通常の Agent 型よりも意図的に対象範囲が狭くなっています。

• モデルの選択はエージェントごとではなく、セッションレベルで設定します。
• structured outputs はサポートされていません。
• 音声は設定できますが、セッションが発話音声を生成した後は変更できません。
• 指示、関数ツール、ハンドオフ、フック、出力ガードレールはすべて引き続き機能します。

RealtimeSessionModelSettings は、新しいネスト形式の audio 設定と、従来のフラットなエイリアスの両方をサポートします。新しいコードではネスト形式を推奨します。また、新しいリアルタイムエージェントでは gpt-realtime-2.1 から始めてください。

runner = RealtimeRunner(
    starting_agent=agent,
    config={
        "model_settings": {
            "model_name": "gpt-realtime-2.1",
            "audio": {
                "input": {
                    "format": "pcm16",
                    "transcription": {"model": "gpt-4o-mini-transcribe"},
                    "turn_detection": {"type": "semantic_vad", "interrupt_response": True},
                },
                "output": {"format": "pcm16", "voice": "ash"},
            },
            "tool_choice": "auto",
        }
    },
)

便利なセッションレベル設定は次のとおりです。

• audio.input.format, audio.output.format
• audio.input.transcription
• audio.input.noise_reduction
• audio.input.turn_detection
• audio.output.voice, audio.output.speed
• output_modalities
• tool_choice
• prompt
• tracing

RealtimeRunner(config=...) で利用できる便利な実行レベル設定は次のとおりです。

• async_tool_calls
• output_guardrails
• guardrails_settings.debounce_text_length
• tool_error_formatter
• tracing_disabled

型付けされたすべての機能については、RealtimeRunConfig および RealtimeSessionModelSettings を参照してください。

入力文字起こしの設定

入力文字起こしは audio.input.transcription で設定します。低レイテンシーの段階的な文字起こしには gpt-live-transcribe を使用します。音声ターンがコミットされた後に文字起こしを開始する場合、またはアプリケーションで検出言語の出力が必要な場合は、WebSocket 経由で gpt-transcribe を使用します。Agents SDK は、モデル固有の GA 文字起こし設定をネストされたセッション設定で転送します。

runner = RealtimeRunner(
    starting_agent=agent,
    config={
        "model_settings": {
            "audio": {
                "input": {
                    "transcription": {
                        "model": "gpt-live-transcribe",
                        "prompt": "A support call about the OpenAI Agents SDK.",
                        "keywords": ["RunState", "MCPServerManager"],
                        "languages": ["en", "ja"],
                    },
                    "turn_detection": None,
                }
            }
        }
    },
)

gpt-live-transcribe では、prompt に自由形式の録音コンテキストを指定し、keywords に音声内に現れる可能性があるリテラルな用語を列挙し、languages に想定される入力言語を列挙します。このモデルでは単数形の language ではなく複数形の languages を使用します。両方のフィールドを送信しないでください。

この SDK で固定されている OpenAI クライアントのバージョンでは、delay は gpt-realtime-whisper でのみサポートされます。このモデルのレイテンシーと精度のトレードオフは、次のように設定します。

runner = RealtimeRunner(
    starting_agent=agent,
    config={
        "model_settings": {
            "audio": {
                "input": {
                    "transcription": {
                        "model": "gpt-realtime-whisper",
                        "delay": "low",
                    },
                    "turn_detection": None,
                }
            }
        }
    },
)

delay 設定には、minimal、low、medium、high、または xhigh を指定できます。値が低いほど部分的なテキストが早く生成される可能性がありますが、値が高いほど文字起こしモデルにより多くの音声コンテキストが提供され、認識精度が向上する可能性があります。各レベルのタイミングが一定であると仮定せず、代表的な音声でベンチマークしてください。

WebSocket 経由の Realtime セッションで gpt-transcribe を使用するのは、コミット済みの音声ターンの後に文字起こしを開始する場合、またはアプリケーションで検出言語の出力が必要な場合に限ります。モデルは、以前に文字起こしされたターンをコンテキストとして自動的に使用します。gpt-transcribe 完了イベントは、検出された言語を languages 出力フィールドで報告します。この出力フィールドは、上記の想定言語入力 gpt-live-transcribe とは異なります。

audio.input.turn_detection を None に設定すると、自動ターン検出が無効になります。その場合、アプリケーションは、手動レスポンス制御で説明するように、音声ターンをコミットし、レスポンスの作成を制御する必要があります。モデルの動作、検証ルール、レイテンシーのガイダンスについては、OpenAI API の Realtime 文字起こしガイドを参照してください。

入出力

テキストと構造化ユーザーメッセージ

プレーンテキストまたは構造化されたリアルタイムメッセージには、session.send_message() を使用します。

from agents.realtime import RealtimeUserInputMessage

await session.send_message("Summarize what we discussed so far.")

message: RealtimeUserInputMessage = {
    "type": "message",
    "role": "user",
    "content": [
        {"type": "input_text", "text": "Describe this image."},
        {"type": "input_image", "image_url": image_data_url, "detail": "high"},
    ],
}
await session.send_message(message)

構造化メッセージは、リアルタイム会話に画像入力を含める主な方法です。examples/realtime/app/server.py の Web デモ例では、この方法で input_image メッセージを転送します。

音声入力

raw 音声バイトのストリーミングには、session.send_audio() を使用します。

await session.send_audio(audio_bytes)

サーバーサイドのターン検出が無効になっている場合は、ターン境界を自分で指定する必要があります。高レベルの簡便な方法は次のとおりです。

await session.send_audio(audio_bytes, commit=True)

より低レベルの制御が必要な場合は、基盤となるモデルトランスポートを通じて、input_audio_buffer.commit などの Realtime API クライアントイベントを直接送信することもできます。

手動レスポンス制御

session.send_message() は、高レベルの経路を使用してユーザー入力を送信し、レスポンスを開始します。一部の設定では、raw 音声のバッファリングによって同じ処理が自動的に行われるとは 限りません。

Realtime API レベルでは、手動ターン制御とは、turn_detection を null に設定する session.update イベントを送信し、その後 input_audio_buffer.commit と response.create を自分で送信することを意味します。

ターンを手動で管理する場合は、モデルトランスポートを通じて raw クライアントイベントを送信できます。

from agents.realtime.model_inputs import RealtimeModelSendRawMessage

await session.model.send_event(
    RealtimeModelSendRawMessage(
        message={
            "type": "response.create",
        }
    )
)

このパターンは次の場合に便利です。

• turn_detection が無効で、モデルが応答するタイミングを決めたい場合
• レスポンスをトリガーする前にユーザー入力を検査または制限したい場合
• アウトオブバンドレスポンスにカスタムプロンプトが必要な場合

examples/realtime/twilio_sip/server.py の SIP の例では、raw response.create を使用して最初の挨拶を強制します。

イベント、履歴、中断

RealtimeSession は、必要に応じて raw モデルイベントを転送しながら、より高レベルな SDK イベントも生成します。

重要なセッションイベントは次のとおりです。

• audio, audio_end, audio_interrupted
• agent_start, agent_end
• tool_start, tool_end, tool_approval_required
• handoff
• history_added, history_updated
• guardrail_tripped
• input_audio_timeout_triggered
• error
• raw_model_event

UI の状態管理に最も役立つイベントは、通常 history_added と history_updated です。これらは、ユーザーメッセージ、アシスタントメッセージ、ツール呼び出しを含むセッションのローカル履歴を RealtimeItem オブジェクトとして公開します。

使用量の集計

完了したモデルレスポンスに使用量が含まれている場合、SDK の OpenAI RealtimeModel トランスポートは、raw_model_event 内で RealtimeModelUsageEvent を生成します。その usage フィールドには該当レスポンスのトークン数が含まれ、input_tokens_details と output_tokens_details ではモダリティ別の内訳が任意で提供されます。

また、セッションは各レスポンスの使用量を共有 RunContextWrapper.usage に加算します。ライブセッションの累積使用量を確認するには、agent_end など、後続の高レベルイベントの event.info.context.usage から読み取ります。

from agents.realtime import RealtimeModelUsageEvent

async for event in session:
    if event.type == "raw_model_event" and isinstance(
        event.data, RealtimeModelUsageEvent
    ):
        response_usage = event.data.usage
        print("Response tokens:", response_usage.total_tokens)
        print("Input modalities:", event.data.input_tokens_details)
        print("Output modalities:", event.data.output_tokens_details)
    elif event.type == "agent_end":
        session_usage = event.info.context.usage
        print("Session tokens:", session_usage.total_tokens)

使用量は、モデルプロバイダーが完了レスポンスに含めた場合にのみ報告されます。累積値の対象は、その RealtimeSession が受信したレスポンスです。複数のセッションをまたぐ合計ではありません。

中断と再生追跡

ユーザーがアシスタントを中断すると、セッションは audio_interrupted を生成し、ユーザーが実際に聞いた内容とサーバーサイドの会話が一致するように履歴を更新します。

低レイテンシーのローカル再生では、多くの場合、デフォルトの再生トラッカーで十分です。リモート再生や遅延再生、特に電話通信のシナリオでは、生成済みの音声がすべて再生されたと仮定するのではなく、実際の再生位置で中断されたレスポンスを切り詰めるために、RealtimePlaybackTracker を使用します。

examples/realtime/twilio/twilio_handler.py の Twilio の例に、このパターンが示されています。

ツール、承認、ハンドオフ、ガードレール

関数ツール

リアルタイムエージェントは、ライブ会話中の関数ツールをサポートします。

from agents.decorators import tool


@tool
def get_weather(city: str) -> str:
    """Get current weather for a city."""
    return f"The weather in {city} is sunny, 72F."


agent = RealtimeAgent(
    name="Assistant",
    instructions="You can answer weather questions.",
    tools=[get_weather],
)

ツールの承認

関数ツールは、実行前に人間の承認を必須にできます。その場合、セッションは tool_approval_required を生成し、approve_tool_call() または reject_tool_call() を呼び出すまでツールの実行を一時停止します。

ツールに入力ガードレールもある場合、それらのガードレールは承認後、実行の直前に動作します。承認イベントの生成前に実行するには、RealtimeRunner(..., config={"tool_execution": {"pre_approval_tool_input_guardrails": True}}) を指定してランナーを作成します。この承認前チェックに合格した呼び出しも、承認後、実行前に再度チェックされます。

async for event in session:
    if event.type == "tool_approval_required":
        await session.approve_tool_call(event.call_id)

具体的なサーバーサイドの承認ループについては、examples/realtime/app/server.py を参照してください。Human-in-the-loop のドキュメントでも、Human in the loop からこのフローを参照しています。

ハンドオフ

リアルタイムハンドオフを使用すると、あるエージェントから別のスペシャリストへライブ会話を引き継げます。

from agents.realtime import RealtimeAgent, realtime_handoff

billing_agent = RealtimeAgent(
    name="Billing Support",
    instructions="You specialize in billing issues.",
)

main_agent = RealtimeAgent(
    name="Customer Service",
    instructions="Triage the request and hand off when needed.",
    handoffs=[
        realtime_handoff(
            billing_agent,
            tool_description_override="Transfer to billing support",
        )
    ],
)

ハンドオフとして直接使用される RealtimeAgent オブジェクトは自動的にラップされます。また、realtime_handoff(...) を使用すると、名前、説明、検証、コールバック、可用性をカスタマイズできます。リアルタイムハンドオフは、通常のハンドオフの input_filter をサポートしていません。

ガードレール

リアルタイムエージェントは、エージェントレスポンスに対する出力ガードレールと、関数ツール呼び出しに対する入力ガードレールをサポートします。出力ガードレールのチェックにはデバウンスが適用されます。各チェックは、部分的な差分ごとではなく、蓄積された出力テキストと音声文字起こしの差分に対して実行され、例外を発生させる代わりに guardrail_tripped を生成します。1 つの差分につき、スケジュールされるチェックは最大 1 回です。その差分が複数の debounce_text_length 境界を越えた場合、SDK は後続の小さな差分の後に追いつくためのチェックをスケジュールするのではなく、次の境界をそれらすべてより先に進めます。

from agents.guardrail import GuardrailFunctionOutput, OutputGuardrail


def sensitive_data_check(context, agent, output):
    return GuardrailFunctionOutput(
        tripwire_triggered="password" in output,
        output_info=None,
    )


agent = RealtimeAgent(
    name="Assistant",
    instructions="...",
    output_guardrails=[OutputGuardrail(guardrail_function=sensitive_data_check)],
)

リアルタイム出力ガードレールが音声文字起こしで作動すると、セッションはアクティブなレスポンスを中断し、response.cancel を強制し、guardrail_tripped を生成します。その後、モデルが代替レスポンスを生成できるよう、作動したガードレールの名前を含む後続のユーザーメッセージを送信します。トリップワイヤーの作動時には一部の音声がすでにバッファリングされている可能性があるため、音声プレイヤーは引き続き audio_interrupted を監視し、ローカル再生を直ちに停止する必要があります。組み込みの OpenAI Realtime トランスポートでは、チェック対象のレスポンスが終了した後にガードレールチェックが完了した場合、セッションはそのレスポンスのバッファ済み再生のみを中断し、それより後に開始されたレスポンスはキャンセルしません。テキストのみの出力では、代わりにセッションはレスポンススコープの response.cancel を送信します。停止する音声再生がないため、audio_interrupted は生成しません。組み込みの OpenAI Realtime モデルを使用する場合、テキストのみの経路でも同じ guardrail_tripped イベントと後続のユーザーメッセージが生成されます。

カスタム RealtimeModel トランスポートは、同じソーススコープの音声中断動作を提供するために、RealtimeModelSendInterrupt.response_id と playback_only に従う必要があります。また、テキストのみの出力経路でリカバリーメッセージをサポートするには、RealtimeModel.send_event_if() をオーバーライドする必要があります。実装では、トランスポートが実際にイベントをコミットする境界で指定された条件を再チェックするか、条件チェックとイベントのコミットをまとめて直列化する必要があります。デフォルト実装がリカバリーメッセージを安全に省略するのは、条件を一度チェックしてからイベントを別途送信すると、そのチェックとイベントのコミットの間に別のレスポンスが開始される可能性があるためです。レスポンスのキャンセルと guardrail_tripped イベントは引き続き発生します。

SIP と電話通信

Python SDK には、OpenAIRealtimeSIPModel を介したファーストクラスの SIP 接続フローが含まれています。

Realtime Calls API を介して着信があり、生成された call_id にエージェントセッションを接続する場合に使用します。

from agents.realtime import RealtimeRunner
from agents.realtime.openai_realtime import OpenAIRealtimeSIPModel

runner = RealtimeRunner(starting_agent=agent, model=OpenAIRealtimeSIPModel())

async with await runner.run(
    model_config={
        "call_id": call_id_from_webhook,
    }
) as session:
    async for event in session:
        ...

先に通話を受け入れる必要があり、受け入れペイロードをエージェントから派生したセッション設定と一致させたい場合は、OpenAIRealtimeSIPModel.build_initial_session_payload(...) を使用します。完全なフローは examples/realtime/twilio_sip/server.py に示されています。

低レベルアクセスとカスタムエンドポイント

session.model を通じて、基盤となるトランスポートオブジェクトにアクセスできます。

これは次の場合に使用します。

• session.model.add_listener(...) を介したカスタムリスナー
• response.create や session.update などの raw クライアントイベント
• model_config を介したカスタムの url、headers、api_key の処理
• 既存のリアルタイム通話への call_id の接続

RealtimeModelConfig は次をサポートします。

• api_key
• url
• headers
• initial_model_settings
• playback_tracker
• call_id

このリポジトリに含まれる call_id の例は SIP です。より広範な Realtime API では、一部のサーバーサイド制御フローに call_id も使用されますが、ここでは Python の例としてパッケージ化されていません。

Azure OpenAI に接続する場合は、GA Realtime エンドポイント URL と明示的なヘッダーを渡します。例：

session = await runner.run(
    model_config={
        "url": "wss://<your-resource>.openai.azure.com/openai/v1/realtime?model=<deployment-name>",
        "headers": {"api-key": "<your-azure-api-key>"},
    }
)

トークンベースの認証では、headers に Bearer トークンを使用します。

session = await runner.run(
    model_config={
        "url": "wss://<your-resource>.openai.azure.com/openai/v1/realtime?model=<deployment-name>",
        "headers": {"authorization": f"Bearer {token}"},
    }
)

headers を渡した場合、SDK は Authorization を自動的に追加しません。リアルタイムエージェントでは、従来のベータ版パス（/openai/realtime?api-version=...）を使用しないでください。

関連資料

• リアルタイムトランスポート
• クイックスタート
• OpenAI Realtime の会話
• OpenAI Realtime のサーバーサイド制御
• examples/realtime