Die Realtime API von OpenAI ist diejenige, die Entwickler tatsächlich aufrufen, wenn sie Live-Voice in einer App benötigen — nicht GPT-Live, das ein ChatGPT-Feature ist, für das es noch keine Entwickler-API gibt. Der Schlagzeilenpreis von 32 $ pro Million Audio-Input-Tokens wirkt brutal, aber die Kopfrechnung der meisten Leute ist falsch: Mit Voice-Activity-Detection und Prompt-Caching liegen echte Speech-to-Speech-Traffickosten eher bei 0,04 $ pro Minute, und die neue Mini-Stufe senkt das noch einmal. Dieser Leitfaden erläutert die Preise vom Juli 2026 für alle vier Realtime-Modelle, zeigt, wie Audio-Tokens tatsächlich in Minuten umgerechnet werden, und liefert konkrete Kostenbeispiele, damit Sie ohne Rätselraten budgetieren können.
Was die Realtime API ist (und warum sie nicht GPT-Live ist)
GPT-Live, am 8. Juli 2026 gestartet, ist OpenAIs Full-Duplex-Sprachmodell — es kann gleichzeitig zuhören und sprechen — und es treibt die neue ChatGPT Voice-Erfahrung an. Es ist derzeit noch nicht als Developer API verfügbar; OpenAI sagt, es sei "coming soon" und nimmt Anmeldungen entgegen. Wenn du heute ein Sprachprodukt bauen willst, ist das, was du anbinden solltest, die Realtime API: eine separate Modellfamilie (gpt-realtime-2.1, das günstigere gpt-realtime-2.1-mini sowie dedizierte translate- und whisper-Modelle). Es wird allgemein angenommen, dass GPT-Live die Produktionsversion des Modells ist, das OpenAI 2025 unter dem Namen GPT-Bidi-1 getestet hat — die vollständige Architekturgeschichte findest du in unserer früheren Analyse. Bei der Preisgestaltung bleibst du auf dieser Seite: Ab hier bedeutet "Realtime" die API-Modelle.
Aktuelle Realtime-API-Preise (Juli 2026)
Dies sind die Live-Preise auf OpenAIs Preisseite, überprüft am 9. Juli 2026. Audio und Text werden pro Million Tokens abgerechnet; die beiden spezialisierten Modelle werden pro Minute abgerechnet.
Modell | Modalität | Eingabe | Zwischengespeicherte Eingabe | Ausgabe |
|---|---|---|---|---|
gpt-realtime-2.1 | Audio | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | Text | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | Image | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | Audio | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | Text | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | Image | $0.80 | $0.08 | — |
gpt-realtime-translate | Audio (pro Min.) | — | — | $0.034/min |
gpt-realtime-whisper | Audio (pro Min.) | — | — | $0.017/min |
Drei Dinge sind bemerkenswert, bevor die $32-Zahl Sie in Panik versetzt. Erstens ist die Mini-Stufe (gpt-realtime-2.1-mini) ungefähr ein Drittel des Flaggschiffs – $10/$20 für Audio gegenüber $32/$64 – und für viele Voice-Apps bewältigt sie die Unterhaltung gut. Zweitens sinkt der zwischengespeicherte Audioeingang auf $0.30–$0.40 pro Million, was wichtig ist, weil die meisten Sitzungen bei jedem Turn denselben System-Prompt und dieselben Tool-Definitionen erneut senden. Drittens ist der Audio-Preis pro Token ($32/$64) seit der 2025er-Version gpt-realtime-2 tatsächlich stabil geblieben, nachdem er 2024 von $40/$80 und $100/$200 gesunken war — die Geschichte für 2026 lautet also weniger „sie haben den Preis gesenkt“ und mehr „sie haben eine günstige Mini-Stufe und Reasoning-Steuerungen hinzugefügt“.
Token vs Minute: Warum Ihre Schätzung wahrscheinlich falsch ist
Dieselbe Frage taucht im OpenAI-Entwicklerforum immer wieder auf: "$100 per million tokens, or $0.06 per minute — which is it?" Beide Zahlen sind in OpenAIs eigener Dokumentation zu unterschiedlichen Zeiten für dasselbe Modell aufgetaucht. Der Grund, warum Leute einen Preisschock erleben — ein Entwickler schrieb, er könne das „nicht einmal testen, ohne mein Portemonnaie zu verbrennen“ — ist, dass die reine Token-Rechnung drei Dinge ignoriert, die die tatsächliche Rechnung dominieren.
Sie zahlen nicht für Stille. Die serverseitige Voice Activity Detection (VAD) von OpenAI ist darauf ausgelegt, Nicht-Sprache herauszufiltern, sodass Stille, Pausen und Wartezeiten in der Regel nur wenig zur Rechnung beitragen — bestätigen Sie das in Ihren eigenen Nutzungsprotokollen.
Der Großteil Ihrer Eingaben wird zwischengespeichert. Ein System-Prompt plus Tool-Schemas wird bei jedem Durchlauf gesendet; mit Prompt-Caching wird dieses Präfix mit $0.30–$0.40/M statt $32/M abgerechnet — also fast 80× günstiger.
Das Verhältnis der Gesprächszeit variiert enorm. Ein 10-minütiger "Anruf" kann auf jeder Seite nur zwei Minuten tatsächliche Sprache enthalten. Die Rechnung erfasst Sprache, nicht die verstrichene Zeit.
Stapelt man diese zusammen, schwankt der pro Minute berechnete Wert stark, je nachdem, wer ihn misst. Einige anekdotische Berichte von Entwicklern, die ihre Rechnungen gepostet haben:
@kwindla (Aug 2025): ~$0.04 pro Minute von Speech-to-Speech, unter Berücksichtigung des impliziten Token-Cachings, plus etwa $0.20/Stunde allein dafür, verbunden zu bleiben.
@kevintpayne (May 2026): ~$18/Stunde (≈ $0.30/min) bei einer stärker auf Sprechzeit ausgerichteten Arbeitslast.
@leonardsaros (Jul 2026): eine Schätzung von ~$1/Minute — vermutlich unter Verwendung anderer Annahmen zu VAD, Caching oder Sprechzeit, dieselbe Falle wie oben.
Das ist ein 25-facher Unterschied beim „gleichen“ Preis. Die Schlussfolgerung: Schätzen Sie nicht allein anhand des Token-Preises. Führen Sie eine reale Sitzung durch, protokollieren Sie Eingabe-/Ausgabetokens und Sprachminuten und teilen Sie dann. Als Planungsrahmen erwarten Sie $0.04–$0.10/Minute für gpt-realtime-2.1 in einem typischen Assistenten mit aktiviertem Caching und VAD, und ungefähr ein Drittel davon auf der Mini-Stufe.
Was ein echtes Gespräch kostet
Die Schätzung anhand der verifizierten Pro-Minute-Spanne ist zuverlässiger als das Multiplizieren von Token-Raten. Nehmen Sie zwei Referenz-Workloads.
Kundensupport — 1.000 Anrufe/Tag, ~4 Minuten Sprechzeit des Anrufers + 1 Minute Sprechzeit des Mitarbeiters pro Anruf. Bei ~5 Minuten abrechenbarer Sprechzeit pro Anruf und einem gemischten Satz von $0.08/Minute auf gpt-realtime-2.1 (mittlerer Bereich, mit Caching und VAD) sind das etwa $0.40/Anruf, oder ungefähr $12.000/Monat bei 1.000 Anrufen/Tag. Die gleiche Last auf gpt-realtime-2.1-mini senkt die Kosten auf etwa $0.13/Anruf (~$4.000/Monat) — vorausgesetzt, das Mini-Modell bewältigt Ihre Tool-Aufrufe und Schlussfolgerungen, was es bei einfachen IVR- und FAQ-Abläufen normalerweise tut.
Sprachassistent — 100 täglich aktive Nutzer, jeweils 3 kurze Sitzungen. Etwa 1,5 Minuten Sprache pro Nutzer und Tag. Bei $0.08/min auf 2.1 sind das ca. $0.12/Nutzer/Tag, also etwa $360/Monat; auf mini eher $120/Monat.
Das sind Planungswerte, keine Angebote — Ihre tatsächliche Zahl hängt vom Sprechzeitverhältnis, dem Reasoning-Aufwand und davon ab, wie gut sich Ihre Prompts cachen lassen. Auf die Größenordnung kommt es an: Mit Caching und VAD ist Live-Voice nicht mehr der Luxus „lohnt sich nur, wenn man bereits ein bestehendes Geschäft hat“, der es noch 2024 war. Für einen umfassenderen Blick auf die Budgetierung der OpenAI API-Kosten über verschiedene Modellfamilien hinweg, sehen Sie unseren GPT-4o reasoning API cost guide.
Überlegungsaufwand und die Mini-Stufe: Wohin das Geld fließt
gpt-realtime-2.1 bietet fünf Reasoning-Stufen an — minimal, low (default), medium, high, xhigh (OpenAI docs). Höherer Aufwand bedeutet mehr Thinking-Tokens, mehr Latenz und eine höhere Rechnung auf dem Text-Ausgabemeter. Das Standard-low ist für die meisten Conversational-Apps genau richtig; reservieren Sie high/xhigh für Turns, die mehrstufiges Reasoning oder komplexe Tool-Nutzung erfordern, und gehen Sie dann wieder herunter.
Die Mini-Stufe ist der größere Hebel. gpt-realtime-2.1-mini ist bei Audio und Text ungefähr 3× günstiger und unterstützt weiterhin Function Calling, Unterbrechungen und natürliches Turn-Taking. Eine praktische Faustregel: mini für den Großteil der Turns, die Abruf oder Bestätigung sind, 2.1 für die Turns, die echtes Reasoning erfordern. Eine nach Komplexität ausgerichtete Weiterleitung kann die Kosten einer Sitzung erheblich senken, wenn der Großteil Ihres Traffics einfach ist.
Übersetzen und Flüstern: die Schnäppchen pro Minute
Zwei Realtime-Modelle verwenden überhaupt keine Token-Preisgestaltung und sind die günstigsten Optionen für ihre Aufgaben:
gpt-realtime-translate — $0.034/minute, übersetzt Sprache in Echtzeit von über 70 Eingabesprachen in 13 Ausgabesprachen. Für mehrsprachige Support-Hotlines oder Live-Dolmetschen ist dies günstiger als das Ausführen des vollständigen 2.1-Modells und speziell für Übersetzung optimiert.
gpt-realtime-whisper — $0.017/minute, Streaming-Sprach-zu-Text. Noch günstiger und nützlich, wenn Sie Live-Untertitel oder einen Transkript-Feed benötigen, ohne eine vollständige Sprachkonversation.
Wenn Ihre Aufgabe Übersetzung oder Transkription statt offener Sprachunterhaltung ist, ist die Verwendung dieser statt gpt-realtime-2.1 die größte einzelne Kosteneinsparung, die verfügbar ist.
Wie man weniger bezahlt
Über die Wahl von Modell und Reasoning-Stufe hinaus sind die standardmäßigen Realtime-Kosthebel:
VAD eingeschaltet lassen. Nicht-Sprache sollte nicht abgerechnet werden, aber nur, wenn Stille tatsächlich herausgefiltert wird — vergewissern Sie sich, dass Ihre Sitzung nicht nur Leerlauf überträgt.
Audioausgabe zuerst kürzen. Generierte Sprache (die $64/M-Seite) ist der teuerste Zähler. Prägnante Antworten, Zusammenfassungen oder der Wechsel zu Text nach dem ersten Sprachzug summieren sich schnell.
Prompts cachefähig machen. Halten Sie Ihren System-Prompt und das Tool-Schema statisch und am Anfang des Kontexts, damit sie den Cache-Tarif erhalten; wenn Sie sie bei jedem Zug austauschen, verlieren Sie den 80×-Rabatt.
Lange Sitzungen komprimieren. Fassen Sie den Gesprächsstatus alle paar Züge zusammen, statt das vollständige Transkript erneut abzuspielen, wodurch Input-Tokens erneut berechnet werden.
Nach Komplexität routen. Mini standardmäßig, nur auf 2.1 hochstufen, wenn ein Zug es erfordert.
Relay-Endpunkte, die dieselben OpenAI-Realtime-Modelle zu einem niedrigeren Preis pro Token weiterverkaufen, sind eine weitere Option — die API-Oberfläche ist identisch, daher bleibt die Integration unverändert; AIReiter ist ein Beispiel dafür.
FAQ
Verwendet GPT-Live die Realtime API?
Nicht direkt. GPT-Live ist eine ChatGPT-Sprachfunktion, die noch nicht als Entwickler-API verfügbar ist. Die Realtime API-Modelle (gpt-realtime-2.1 und ähnliche) sind das developer-facing Gegenstück, das Sie heute aufrufen können.
Ist die OpenAI Realtime API teuer?
Weniger als der Token-Preis vermuten lässt — mit VAD und Caching liegt es bei etwa 0,04–0,10 $/Minute auf 2.1 und deutlich weniger auf mini. Der Abschnitt oben zu Token vs. Minute erklärt, warum Schätzungen so stark variieren.
Wie viel kostet die Realtime-API pro Minute?
Es gibt keine einzelne Zahl — sie hängt vom Gesprächsanteil, dem Reasoning-Aufwand und Caching ab. Eine gut abgestimmte 2.1-Sitzung liegt bei etwa $0.04–$0.10/min; die mini-Stufe ungefähr bei einem Drittel davon; translate und whisper sind pauschal bei $0.034 bzw. $0.017/min.
Wie werden Audio-Tokens in Minuten umgerechnet?
Verlassen Sie sich nicht auf eine Faustregel für Token pro Minute — ermitteln Sie es aus Ihren eigenen Nutzungsprotokollen. Für eine gpt-realtime-2.1-Sitzung summieren Sie die abgerechneten Tokens über alle Zähler: nicht gecachte Audioeingabe × $32/1M + gecachte Audioeingabe × $0.40/1M + Audioausgabe × $64/1M + Texteingabe × $4/1M + Textausgabe × $24/1M (fügen Sie Bildinput × $5/1M hinzu, wenn Sie Bilder senden), und teilen Sie das Ergebnis dann durch die Minuten der tatsächlichen Sprache. Diese echte gemischte Kennzahl, mit VAD und Caching im Einsatz, liegt weit unter der naiven Token-Rechnung.
Realtime API vs ElevenLabs oder Grok Voice?
ElevenLabs überzeugt bei der TTS-Qualität und ist für reine Narrations-Workflows konkurrenzfähig; die Realtime API gewinnt bei integrierter Reasoning-Fähigkeit und Tool-Nutzung. Der Grok Voice Agent von xAI wurde Berichten zufolge zu einem Pauschalpreis von 0,05 $/Minute eingeführt (source), also ungefähr zur Hälfte einer typischen 2.1-Setup-Konfiguration — günstiger für reine Sprache, mit weniger multimodalen Funktionen. Googles Gemini omni models sind eine weitere Realtime-Option, die es preislich zu prüfen lohnt.
Was ist zwischengespeicherte Audioeingabe, und wie viel spart sie?
Zwischengespeicherte Eingaben kosten $0.30–$0.40/M statt $10–$32/M für wiederholte Präfixe wie Ihren System-Prompt und Tools. In einer Sitzung, die bei jedem Durchlauf einen großen Prompt erneut verwendet, ist das der Unterschied zwischen einer vernünftigen Rechnung und einer schockierenden.
Fazit
Für die meisten Voice-Apps im Jahr 2026 beginnen Sie bei gpt-realtime-2.1-mini für den Großteil der Turns, eskalieren Sie zu gpt-realtime-2.1 nur dann, wenn ein Turn echtes Reasoning erfordert, und verwenden Sie translate oder whisper , wenn Ihre Aufgabe speziell mehrsprachig oder Transkription ist. Lassen Sie VAD aktiviert, entwerfen Sie Prompts so, dass sie cachen, und kürzen Sie erzeugte Sprache. Tun Sie das, und die Realtime-Nutzungsbudgets liegen für die meisten Apps im Bereich weniger Cent pro Sprechminute — weit unter der herumgeisternden $1/minute-Zahl und näher an den $0.04, die wirklich gut optimierte Setups tatsächlich sehen.