OpenAI 「实时语音」架构首次公开

PRODUCT

Realtime API 是 OpenAI 的实时语音交互接口，在 24 年的 DevDay 首次亮相，当时还是 beta，调用贵到离谱，音频输出 200 刀/百万 token：OpenAI 凌晨发布：Realtime 实时多模态 API，及其他

两个月后新加坡 DevDay，我在现场看了多语言混合输入输出的演示，情绪和语气都非常到位，比 Whisper 链路的效果好了一个量级

之后经历了 WebRTC 支持、SIP 电话接入、图片输入、多轮调价，到 2025 年 8 月正式 GA。现在这套系统服务数亿周活用户，语音 AI 这条线上，目前没有第二家能打的

Realtime API 这个东西，最牛逼的是延迟：从你对着手机说一句话开始，到听到 AI 返回声音为止，只需要不到 0.3 秒

在这个过程中，声音变成数据包，穿过 Wi-Fi、运营商的网络、横跨大半个互联网，到达 OpenAI 的服务器。然后，服务器跑完推理、生成语音，再原路返回。整个过程必须快到让你感觉不到延迟，就像跟一个真人在说话

对于这玩意儿是怎么实现的，OpenAI 今天发了个技术 Blog，来详细介绍了下

https://openai.com/index/delivering-low-latency-voice-ai-at-scale/

然后…第二作者，是麦当劳

核心信息包括：

技术方案选型

OpenAI 用的实时通信协议叫 WebRTC，就是你平时微信视频通话、Google Meet 开会时底层跑的那套技术。它是一个开放标准，能在浏览器、手机和服务器之间传输低延迟的音频和视频

做 WebRTC 服务，行业里有一个默认选择叫 SFU（选择性转发单元）。简单说就是一个中转站，每个参与者跟它建一条连接，它负责把声音和画面转发给其他人。多人视频会议用这个方案很合适，音视频编解码、录制、策略控制都集中管理

SFU 方案：AI 作为 WebRTC 参与者加入，适合多方通话

OpenAI 的场景不一样。绝大多数会话是 1:1，一个用户对一个模型，每一轮对话都对延迟极度敏感。SFU 带来的多方通话基础设施，在这个场景里是多余的

他们还评估过另一个常规方案 TURN，这是 WebRTC 穿透防火墙时常用的中继方式。但 TURN 要求中继节点持有客户端的连接分配状态，不够轻量

最后选的方案叫 transceiver 模型：在网络边缘部署一个 WebRTC 服务，负责跟客户端完成连接建立、加密握手这些协议工作，然后把收到的音频转成更简单的内部协议，分别送给后面的推理、转录、语音合成服务。所有通话状态集中在 transceiver 一个地方，后端的 AI 服务可以当普通服务来扩展，完全不需要懂 WebRTC

transceiver 方案：在边缘终止 WebRTC，转换为后端协议

端口占用问题

选定 transceiver 方案之后，还有一个工程问题要解决：端口占用

传统 WebRTC 部署里，每个通话需要占用一个独立的网络端口。当同时通话的用户有几百万个的时候，端口会不够用。OpenAI 的基础设施跑在容器化平台 Kubernetes 上，没法给每个容器预留几千个公网端口

他们的做法是把数据包的「转发」和「处理」拆成两层

relay 是第一层，部署在面向公网的入口。它是一个极轻的 UDP 转发服务：不解密通话内容，不跑任何协议状态机，不参与编解码协商，不知道你在说什么。它只做一件事，读取数据包头部的一小段标记来判断这个包属于哪个会话，然后转发给对应的 transceiver

transceiver 是第二层，在 relay 后面。它拥有通话的全部协议状态，包括 ICE 连通性检查、DTLS 加密握手、SRTP 媒体解密，以及会话的整个生命周期。从用户的手机或浏览器来看，通话行为没有任何变化

relay 只做无状态转发，transceiver 持有完整会话状态

relay 持有的信息极其精简：一条内存中的转发映射（这个客户端的包往哪个 transceiver 送），加几个监控计数器和过期定时器。没有持久化，没有协议参与。如果 relay 重启了，下一个数据包到达时就能自动重建路由

解决首响应问题

Realtime API 最牛逼的地方，是在 0.3 秒内完成首响应，这就需要对首包进行路由管理。用户发出的第一个数据包到达 relay 时，relay 还没有任何关于这个用户的信息，但它必须立刻知道往哪里转发。在这一步中，如果停下来查数据库或者问别的服务都会增加延迟，是不行的

OpenAI 利用了 WebRTC 协议自带的一个机制：ICE ufrag（ICE 用户名片段）。这是在通话建立阶段双方交换的一个短标识符，之后客户端发的每个连通性检查包都会带上它。OpenAI 在服务端生成 ufrag 时，把路由需要的信息编码在了里面

具体流程：通话建立时，transceiver 分配好会话状态，在协商应答（SDP answer）里返回一个共享的 relay 虚拟 IP 和 UDP 端口。客户端看到的是一个固定的目标地址，比如 203.0.113.10:3478，背后其实是整个 relay 集群

客户端发出的第一个数据包通常是一个 STUN binding request。relay 只解析这个包头部的 ufrag 字段，解码出路由提示，把包转发给拥有该会话的 transceiver。之后这个客户端的所有后续包都走同一条已建立的路

从连接建立到媒体传输的完整时序：Client → LB → Relay → Transceiver

容灾方面，Redis 缓存了「客户端 IP:Port → transceiver IP:Port」的映射。relay 重启后可以在下一个 STUN 包到来之前就从 Redis 恢复转发路径，进一步缩短中断窗口

进行全球部署

如果用户在北京说一句话，如果数据包要跑到美国西海岸才开始处理，单程网络延迟就可能超过 150 毫秒，一来一回 300 毫秒。对话体验会明显卡顿。解决办法是让数据包尽早进入 OpenAI 自己的高速网络

relay 的公网暴露面缩到少量固定地址和端口之后，同一套转发逻辑就能在全球各地复制部署。OpenAI 把这个叫 Global Relay，一组地理分布式的 relay 入口点，都运行相同的包转发行为

Global Relay 接收全球客户端的数据包，转发给 transceiver 集群

用户的数据包在离自己最近的入口进入 OpenAI 网络，然后通过内部骨干网到达 transceiver。跟直接穿越公网相比，延迟更低，抖动更小，丢包更少

整套架构跑在 Kubernetes 上不需要暴露成千上万个 UDP 端口。更小且固定的暴露面更容易做安全策略和负载均衡，扩展时也不需要预留大段公网端口范围

底层是 Go 写的

做实时媒体转发，常规选择是 C/C++ 或者 Rust，有些追求极致的团队甚至会上 kernel bypass，绕过操作系统内核让程序直接操作网卡。OpenAI 的 relay 用 Go 写，这在行业里算非常规

他们在 Go 运行时层面做了几个针对性优化：

这套实现撑住了全球的实时媒体流量，relay 集群规模相对不大。所以他们没有进一步走 kernel bypass 路线

补充一个细节：OpenAI 使用了 Pion，一个 Go 语言的 WebRTC 开源库。Pion 的作者 Sean Der 在 Hacker News 上确认了这一点

三条设计原则

对于这个项目，OpenAI 在总结了三条原则，对任何做实时系统的团队都有参考价值：

实时语音 AI 能跑起来，靠的是基础设施让延迟变得感知不到

OpenAI 改变的是 WebRTC 部署的内部形态，但没有改变客户端对 WebRTC 协议的预期