Realtime Voice API dla NPC w grach: porównanie 2026
OpenAI Realtime, Gemini Live, ElevenLabs Agents, Deepgram, Amazon Nova Sonic i Hume EVI porównane dla mówiących postaci w grach oraz to, co nadal trzeba zbudować.
Neocortex TeamThe team behind Neocortex
· Zaktualizowano 20 paź 2026 · 7 min czytania

Hume ogłosiło zamknięcie swoich API głosu EVI i TTS, więc każdy deweloper, który zbudował na nich mówiącą postać, musi się teraz przenieść. To przydatne przypomnienie, że realtime voice API to jedna warstwa postaci w grze i że ta warstwa może się zmienić pod Tobą.
Modele głosu w czasie rzeczywistym są na tyle dobre, że demo mówiącego NPC powstaje w jedno popołudnie. Wybór API, na którym zbudujesz grę, jest trudniejszy, bo większość z nich zaprojektowano do obsługi klienta, a nie do gier. Oto, jak główne API głosu w czasie rzeczywistym wypadają dla NPC w grach i co buduje się na każdym z nich.
Które API głosu w czasie rzeczywistym mogą mówić głosem NPC w grze?
OpenAI Realtime. Mowa na wejściu i wyjściu przez WebRTC lub WebSocket, rozliczana za tokeny audio i tekstu. Sesja kończy się po 60 minutach. Nie ma oficjalnego SDK dla Unity, więc klienta audio i serwer tokenów trzeba zbudować samemu.
Gemini Live. Realtime API Google, również rozliczane za tokeny. Połączenie WebSocket trwa około 10 minut, a wznowienie sesji pozwala klientowi połączyć się ponownie i kontynuować. Dostęp do Unity idzie przez Firebase AI Logic, którego SDK dla Unity jest w wersji preview.
ElevenLabs Agents. Platforma agentów głosowych rozliczana za minutę, z modelem językowym doliczanym osobno. Równoległość zależy od planu. ElevenLabs podaje oficjalne SDK dla web i frameworków mobilnych oraz wczesne SDK dla Unity, które może się zmienić bez zapowiedzi.
Deepgram Voice Agent. Rozliczanie za minutę z opcjami użycia własnego modelu językowego lub własnego TTS. Jest SDK dla C#, ale nie ma pakietu dla Unity, a równoległość zależy od planu.
Amazon Nova Sonic. Mowa na mowę w Amazon Bedrock, rozliczana za tokeny, z połączeniami ograniczonymi do 8 minut, po których otwierasz nowe połączenie i przekazujesz historię z powrotem. Jest przeznaczona dla centrów kontaktu i nie ma SDK dla Unity.
Hume EVI. Zamykane razem z API TTS Hume. Jeśli wypuściłeś na nim grę, zaplanuj migrację już teraz, bo identyfikatory głosów i konfiguracje nie przechodzą do innych dostawców.
Jak się porównują?
| API | Status | Wsparcie Unity | Podstawa cennika | Limity sesji |
|---|---|---|---|---|
| OpenAI Realtime | Aktywne | Brak oficjalnego SDK | Tokeny audio i tekstu | Sesje 60-minutowe |
| Gemini Live | Aktywne | Firebase AI Logic, w wersji preview | Tokeny audio i tekstu | Około 10-minutowe połączenia, z wznawianiem |
| ElevenLabs Agents | Aktywne | Wczesne oficjalne SDK | Za minutę plus LLM | Równoległość zależna od planu |
| Deepgram Voice Agent | Aktywne | Brak pakietu, SDK dla C# | Za minutę | Równoległość zależna od planu |
| Amazon Nova Sonic | Aktywne | Nie | Tokeny | Połączenia 8-minutowe |
| Hume EVI | Zamykane | Nie | Obecnie bez znaczenia | Migruj teraz |
Co API głosu zostawia Ci do zbudowania?
Żadne z tych API nie jest postacią w grze. Z każdym z nich nadal musisz zbudować:
- Klienta audio silnika. Przechwytywanie, kodowanie, odtwarzanie i przerywanie w Unity lub Unreal, także w WebGL, gdzie wbudowana klasa mikrofonu Unity nie działa.
- Backend, który wystawia krótkotrwałe tokeny, aby klucze sekretne nigdy nie trafiły do builda gry, skąd gracze mogą je wyciągnąć.
- Postać. Osobowość, wiedzę, pamięć i zasady, pisane i utrzymywane jako prompty.
- Obsługę sesji. Ponowne połączenie przed limitami czasu, przenoszenie kontekstu między połączeniami i odzyskiwanie po zerwaniu sieci gracza w połowie zdania.
- Integrację z grą. Zamianę wywołań funkcji na akcje i przekazywanie stanu sceny z powrotem, aby postać wiedziała, na co patrzy gracz.
- Kontrolę kosztów przy rozliczaniu za minutę lub za token, łącznie z tym, co się dzieje, gdy gracz zostawi włączony mikrofon.
- Utrzymanie, gdy modele, ceny i API się zmieniają, są przemianowywane lub wyłączane.
W małym zespole same punkty 1, 2 i 4 to tygodnie pracy, zanim pierwsza linia dialogu zabrzmi dobrze.
Ile kosztuje utrzymanie mówiącego NPC?
Dominują dwa modele rozliczeń. Rozliczanie za tokeny (OpenAI, Gemini, Nova Sonic) pobiera opłatę za audio na wejściu i wyjściu, więc długie odpowiedzi i długa historia kosztują więcej, im dłużej trwa rozmowa. Rozliczanie za minutę (ElevenLabs, Deepgram) pobiera opłatę za czas połączenia, więc cisza, gdy gracz czyta menu, też się liczy, chyba że zamkniesz sesję.
Tak czy inaczej koszt zależy od tego, ile gracze rozmawiają, a nie od tego, ilu masz graczy. Gra, w której jeden NPC jest stałym towarzyszem, zachowuje się zupełnie inaczej niż gra, w której gracze rozmawiają z handlarzem przez trzydzieści sekund. Zamodeluj to przed startem, z modelem językowym doliczonym tam, gdzie jest rozliczany osobno.
Neocortex używa stałych planów miesięcznych z limitem użycia: Starter (9 €, użytek osobisty i akademicki), Pro (29 €, użytek komercyjny) i Team (99 €, pięć miejsc).
Jak przenieść się z API głosu, które się wyłącza?
Jeśli odchodzisz z Hume EVI albo chcesz plan na dzień, w którym inne API się zmieni, przejście do Neocortex wygląda tak:
- Wyeksportuj, co masz. Pobierz audio, transkrypcje i logi oraz skopiuj prompt systemowy i ustawienia głosu każdej postaci, zanim dostęp się skończy.
- Odbuduj każdą postać w edytorze. Prompt systemowy dzieli się na węzeł Agent (kim jest postać), węzły Personality i Emotion (jak reaguje) oraz plik Knowledge (co wie).
- Odtwórz głos. Sklonuj go z próbki, do której masz prawa, albo opisz go słowami i użyj projektowania głosu.
- Wymień klienta. Zastąp swój kod audio WebSocket SDK Neocortex dla swojego silnika albo Web API w pozostałych przypadkach.
- Zamapuj narzędzia na akcje. Każde wywołanie funkcji, które obsługiwałeś, staje się akcją, którą gra wykonuje, gdy pojawi się w odpowiedzi.
API głosu czy platforma postaci?
Neocortex działa o jeden poziom wyżej. Zamiast API głosu dostajesz całą postać: zaprojektowaną w wizualnym edytorze, z głosem sklonowanym lub zaprojektowanym, i dostarczaną przez SDK dla Unity, Unreal i Godot albo przez Web API.
| API głosu | Neocortex | |
|---|---|---|
| SDK silnika | Zwykle budujesz własne | Unity, Unreal, Godot |
| Mikrofon w WebGL | Budujesz własny | Zawarty w SDK Unity |
| Projektowanie postaci | Prompty | Wizualny edytor węzłów z Personality, Emotion, Knowledge i innymi |
| Głosy | Presety dostawcy | Klonowanie i projektowanie głosu (5 w Pro, 20 w Team) |
| Akcje w grze | Podłącz wywołania funkcji | Akcje i obiekty interaktywne w zestawie |
| Struktura historii | Budujesz własną | Conversation Flows z punktami kontrolnymi flowState |
| Zmiany u dostawcy | Twój problem | Nasz problem |
Podsumowanie
Każde z tych API to jedna warstwa mówiącego NPC, a wyłączenie Hume pokazuje, jak szybko warstwa może zniknąć. Neocortex to cała postać: strumieniowana mowa na wejściu i wyjściu, własny głos, akcje, które wykonuje gra, i SDK dla silników, które już obsługują audio. Zbuduj jedną postać i usłysz, jak mówi w Twojej scenie.
Porównania poszczególnych API
- OpenAI Realtime API a Neocortex
- Gemini Live API a Neocortex
- ElevenLabs Agents dla NPC w grach
- Deepgram Voice Agent a Neocortex
- Amazon Nova Sonic a Neocortex
- Hume EVI jest wyłączane
Szczegóły API sprawdzono ostatnio w październiku 2026 roku.
Najczęściej zadawane pytania
Czy Hume EVI jest wyłączane?
Tak. Hume wygasza swoje API EVI i TTS 13 listopada 2026 roku i po tej dacie usuwa dane kont. Neocortex daje strumieniowe speech-to-text, text-to-speech i własne głosy jako część pełnej postaci, z SDK dla Unity, Unreal i Godot.
Czy OpenAI Realtime API ma SDK dla Unity?
Nie, OpenAI nie dostarcza oficjalnego SDK dla Unity, więc sam budujesz klienta audio, serwer tokenów i logikę ponownego połączenia. Neocortex ma SDK dla Unity 6 z sześcioma scenami przykładowymi i obsługą mikrofonu w buildach WebGL.
Jak długo może trwać sesja realtime voice?
Zależy od API: sesje OpenAI Realtime kończą się po 60 minutach, połączenia Gemini Live trwają około 10 minut, chyba że zostaną wznowione, a połączenia Nova Sonic trwają 8 minut. W Neocortex SDK obsługuje rozmowę, a Ty wysyłasz każdą turę gracza w chwili jej powstania.
Które API głosu jest najtańsze dla NPC w grach?
API rozliczane za tokeny i API rozliczane za minutę rosną razem z tym, ile gracze rozmawiają, a model językowy jest często doliczany. Neocortex używa stałych planów miesięcznych z limitem użycia.
Czy mogę użyć własnego głosu dla NPC?
Większość API głosu oferuje gotowe głosy, a klonowanie to często osobny produkt. W Neocortex możesz sklonować głos z krótkiej próbki, do której masz prawa, albo zaprojektować go z opisu tekstowego: 5 własnych głosów w Pro i 20 w Team.






