GPT-Live-1.1 vs. GPT-Realtime ist in erster Linie eine Frage der Architektur. GPT-Live-1.1 ist ein Vollduplex-Sprach-Frontend, das Reasoning und Tools an ein separates Backend-Modell übergibt und 0,05 US-Dollar pro aktiver Minute berechnet. GPT-Realtime-2.1 ist ein einziges Speech-to-Speech-Modell, das hört, denkt, Tools aufruft und spricht – abgerechnet pro Token. Entscheiden Sie sich für GPT-Live-1.1, wenn Sie bereits einen Text-Agenten haben; wählen Sie Realtime, wenn ein einziges Modell alles erledigen soll.
OpenAI hat GPT-Live-1.1 am 20. November 2026 in die API aufgenommen. Damit stehen Ihnen nun zwei Voice-Stacks mit unterschiedlichen Endpoints, Abrechnungsmodellen und Tool-Modellen zur Verfügung. Unser Juli-Beitrag GPT-Live vs GPT-Realtime verglich die ChatGPT-Funktion mit der API; hier geht es um API gegen API.
GPT-Live-1.1 vs. GPT-Realtime auf einen Blick
So schneiden die beiden Stacks im Vergleich ab. Die Angaben stammen von der GPT-Live-1.1-Modellseite, der gpt-realtime-2.1-Modellseite und der OpenAI-Preisseite vom 20. November 2026:
| GPT-Live-1.1 | gpt-realtime-2.1 | |
|---|---|---|
| Endpoint | v1/live/sessions |
v1/realtime |
| Design | Vollduplex-Sprache plus delegiertes Backend | Ein einziges Speech-to-Speech-Reasoning-Modell |
| Eingabe | Audio, Text | Audio, Text, Bild |
| Ausgabe | Audio, Text | Audio, Text |
| Abrechnung | 0,05 $/min aktiv, 0,02 $/min Standby | 32 $ Eingabe, 64 $ Ausgabe pro 1 Mio. Audio-Token |
| Reasoning und Tools | Backend-Modell, separat abgerechnet | Im selben Modell und Preis enthalten |
| Function Calling | Über Delegierung | session.tools |
| Transporte | WebRTC, WebSocket, SIP (eingehend und ausgehend) | WebRTC, WebSocket, SIP (eingehend) |
| Rate Limits | Gleichzeitige Sessions | Anfragen und Token pro Minute |
OpenAIs Voice-Agents-Leitfaden fasst die Unterscheidung in seiner Architekturtabelle zusammen. GPT-Live ist für „Vollduplex-Konversationen mit einem separaten Backend" gedacht. Die Realtime API ist für „Sprache, Reasoning und Tool-Nutzung in einer Session" gedacht.
Architektur: Delegierung vs. ein Modell
GPT-Live-1.1 trennt Sprechen von Denken. Das Sprachmodell führt das Gespräch in Echtzeit und hört zu, während es spricht. Wenn eine Anfrage Reasoning, eine Suche oder ein Tool erfordert, delegiert es die Arbeit an ein Backend-Modell und führt das Gespräch weiter, während dieses läuft.
Die Delegierung legen Sie einmal fest, wenn Sie die Session erstellen – gemäß dem Live-Conversations-Leitfaden. Es gibt zwei Modi:
-
responses: OpenAI betreibt das Backend über die Responses API. Sie wählen das Modell indelegation.responses.modelund fügeninstructions,tools,tool_choice,reasoningundservice_tierhinzu. Die Dokumentation empfiehlt, mitgpt-6-lunazu beginnen und für schwierigere Aufgaben aufgpt-6-solzu wechseln. -
client: Ihre App betreibt das Backend. GPT-Live sendet einsession.delegation.created-Event, und Sie geben Ergebnisse über Events wiesession.instructions.appendzurück.
Der Modus kann während einer Session nicht geändert werden; ein Wechsel erfordert eine neue Session. Die Backend-Einstellungen darin lassen sich mit session.update ändern.
gpt-realtime-2.1 verfolgt den entgegengesetzten Ansatz: Ein Reasoning-Modell interpretiert das Audio, ruft Tools auf und antwortet sprachlich. Kein zweites Modell, keine Übergabe, und der gesamte Kontext liegt an einer Stelle.
Mit GPT-Live-1.1 können Sie das Backend austauschen oder Ihren bestehenden Text-Agenten behalten, ohne die Sprachschicht anzutasten. Bei Realtime ist das Sprachmodell der Agent.
Preise: pro Minute vs. pro Token
GPT-Live-1.1 rechnet nach Zeit ab, Realtime nach Token. Dadurch verhalten sich die Kosten sehr unterschiedlich, sobald Anrufer pausieren, abschweifen oder in der Leitung warten.
| Kostenposten | GPT-Live-1.1 | gpt-realtime-2.1 | gpt-realtime-2.1-mini |
|---|---|---|---|
| Audio | 0,05 $/min aktiv, 0,02 $/min Standby | 32 $ Eingabe, 64 $ Ausgabe pro 1 Mio. Token | 10 $ Eingabe, 20 $ Ausgabe pro 1 Mio. Token |
| Text | Abgerechnet nach Session-Dauer | 4 $ Eingabe, 24 $ Ausgabe pro 1 Mio. Token | 0,60 $ Eingabe, 2,40 $ Ausgabe pro 1 Mio. Token |
| Zwischengespeicherte Eingabe | k. A. | 0,40 $ pro 1 Mio. Token | 0,30 $ Audio, 0,06 $ Text pro 1 Mio. |
| Reasoning und Tools | Backend-Modell zu dessen eigenen Sätzen | Im Token-Preis enthalten | Im Token-Preis enthalten |
GPT-Live rechnet sekundengenau ab, ein 90-sekündiger Anruf kostet daher 0,075 $ an Sprachzeit statt 0,10 $. Eine WebRTC-Session wird während der Initialisierung mit 15 Sekunden berechnet und beim Start gutgeschrieben.
Standby ist der Kostenhebel, den Realtime nicht hat. Setzen Sie bei WebRTC wake_policy.type auf "speech" und idle_timeout_s auf eine ganze Zahl zwischen 5 und 60. Nach so vielen Sekunden ohne Sprache fällt die Session auf 0,02 $ pro Minute, bis wieder jemand spricht. Standby ist nur für WebRTC dokumentiert, daher werden WebSocket- und SIP-Sessions jede verbundene Sekunde zum aktiven Satz berechnet.
Um die beiden für Ihren eigenen Traffic zu vergleichen, arbeiten Sie mit einer Break-even-Zahl statt mit Schätzungen. 0,05 $ entsprechen auf gpt-realtime-2.1 etwa 1.560 Audio-Eingabe- oder 780 Audio-Ausgabe-Token und auf 2.1-mini etwa 5.000 Eingabe- oder 2.500 Ausgabe-Token. Entnehmen Sie die Audio-Token pro Minute Ihren Realtime-Nutzungsereignissen. Wenn Ihre durchschnittliche aktive Minute mehr verbraucht, ist GPT-Lives Sprachzeit günstiger; addieren Sie dann die Token-Rechnung des Backend-Modells hinzu, um das Gesamtbild zu sehen.
Realtime bündelt Reasoning in den Token-Preis; GPT-Live fügt pro delegierter Aufgabe eine Backend-Rechnung hinzu, senkt aber die Kosten stiller Phasen durch Standby. Zur Token-Seite lesen Sie unseren gpt-realtime-2.1-mini-Leitfaden.
Function Calling und Tools
Beide Stacks rufen Ihre Funktionen auf, aber von unterschiedlichen Stellen aus.
Bei Realtime liegen Tools auf der Session. Der Realtime-Tools-Leitfaden zeigt ein Tool mit "type": "function" in session.tools, das per session.update gesendet wird. Ihr Client führt die Funktion aus und gibt ein function_call_output-Element zurück. Remote-MCP-Server funktionieren ebenfalls: Fügen Sie ein Tool mit "type": "mcp", einem server_label und einer server_url hinzu, und die Realtime API ruft den Server für Sie auf. Sie können Tools außerdem mit response.tools auf einen einzelnen Turn beschränken.
Bei GPT-Live-1.1 liegen Tools auf dem Backend. Sie legen Funktions-Tools, MCP-Server und gehostete Tools wie Websuche, Dateisuche und Code Interpreter in delegation.responses.tools ab. Die Events des Backends erreichen Sie in response.event-Hüllen verpackt, und Ihre Funktionsergebnisse gehen als function_call_output-Elemente gefolgt von response.create zurück.
Der Vorteil: Die Stimme bleibt reaktionsschnell, während ein langsames Tool im Backend läuft. Der Preis dafür: zwei Modelle, zwei Event-Streams und zwei Rechnungen.
Sprecherwechsel, Unterbrechungen und Transporte
Hier fühlen sich die beiden für einen Anrufer am unterschiedlichsten an.
Sprecherwechsel. GPT-Live-1.1 ist vollduplex: Es verarbeitet eingehendes Audio, während es Ausgaben erzeugt, kann also zuhören, bestätigende Signale senden und mitten im Satz nachjustieren. Realtime arbeitet in Turns, die durch Sprachaktivität erkannt werden. Der Realtime-VAD-Leitfaden nennt zwei Modi in session.audio.input.turn_detection.type:
-
server_vad, der Standard, abgestimmt überthreshold,prefix_padding_msundsilence_duration_ms. -
semantic_vad, abgestimmt übereagerness(low,medium,highoderauto, wasmediumentspricht).
Realtime behandelt Barge-in mit interrupt_response. GPT-Live braucht diese Einstellung nicht, weil es bereits während des Sprechens zuhört.
Transporte. Beide unterstützen WebRTC im Browser und WebSocket auf dem Server. Bei Telefonanrufen gibt es Unterschiede. Laut dem SIP-Leitfaden unterstützt GPT-Live eingehendes und ausgehendes SIP, und ausgehende Anrufe sind „für alle Organisationen über die Live API verfügbar, nicht über den Endpoint zur Anruferstellung der Realtime API". Ein verbundener GPT-Live-SIP-Anruf ist auf 2 Stunden begrenzt. Der SIP-Leitfaden von Realtime behandelt eingehende Anrufe über den realtime.call.incoming-Webhook.
Limits und Kontext
| Limit | GPT-Live-1.1 | gpt-realtime-2.1 |
|---|---|---|
| Kontext | 128.000 Token pro Session, automatisch verwaltet | 128.000 Token |
| Max. Ausgabe-Token | Nicht veröffentlicht | 32.000 |
| Instructions | Bis zu 16.384 Token | Nicht veröffentlicht |
| Rate Limits | Gleichzeitige Sessions, pro Modell | 400 RPM und 200.000 TPM im Build-Tier |
GPT-Live zählt Parallelität, nicht Token. Die GPT-Live-1-Seite nennt 50 gleichzeitige Sessions im Build-Tier, 300 im Launch-Tier und 500 im Grow-Tier, ohne Zugang im Free-Tier. GPT-Live-1.1 hat ein eigenes separates Limit, und seine Seite veröffentlicht noch keine Zahlen. Prüfen Sie daher vor einem Launch die Limits-Seite Ihrer Organisation.
Die Limits von Realtime skalieren auf 10.000 RPM im Launch-Tier und 20.000 RPM im Grow-Tier.
Welche OpenAI-Voice-API sollten Sie verwenden?
Verwenden Sie GPT-Live-1.1, wenn die Stimme eine Ebene über einem Agenten ist, dem Sie bereits vertrauen, und Realtime, wenn das Sprachmodell der Agent sein soll.
Wählen Sie GPT-Live-1.1 für:
- Sprache zu einem bestehenden Text-Agenten, Support-Bot oder Workflow hinzufügen, ohne ihn neu zu bauen.
- Lange Sessions mit Pausen, etwa beim Tutoring, Coaching oder bei Companions, wo sich Standby auszahlt.
- Ausgehende Telefonanrufe, die nur die Live API bietet.
- Gespräche, die natürliche Überlappungen und bestätigende Signale erfordern.
Wählen Sie gpt-realtime-2.1 für:
- In sich geschlossene Voice-Agenten, bei denen ein Modell denken und handeln soll.
- Apps, die zusammen mit Sprache auch Bilder senden.
- Teams, die einen einzigen Event-Stream und eine einzige Rechnung wünschen.
Wählen Sie gpt-realtime-2.1-mini für kurze, hochvolumige und kostengünstige Sprachaufgaben, bei denen Token-Preise günstiger sind als Minuten-Preise. Unser GPT-Realtime-2-API-Leitfaden behandelt das Realtime-Setup ausführlich.
Lassen Sie Ihren Coding-Agenten die Tool-API mit der Apidog CLI testen
Welcher Stack auch gewinnt – beide rufen dasselbe auf: Ihre Tool-API. Ein langsamer Lookup bedeutet so oder so Totenstille, testen Sie daher dessen Latenz und Kontrakt, bevor ein Anrufer ihn hört. Lassen Sie Claude Code, Codex oder Cursor das mit der Apidog CLI erledigen.
Einmal einrichten:
npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_TOKEN>
apidog skill install
Geben Sie Ihrem Agenten dann einen Prompt:
Import ./voice-tools-openapi.yaml into Apidog project <projectId>. Build a test scenario
that calls GET /orders/{order_id} and GET /customers/{id} in sequence, asserts 200 and
the fields my voice agent reads aloud, and fails any request slower than 800 ms.
Run it 20 times against staging and tell me which step is slowest.
Der Agent importiert die Spezifikation, prüft die Payload-Struktur, baut das Szenario und führt es aus:
apidog import --project <projectId> --format openapi --file ./voice-tools-openapi.yaml
apidog cli-schema get test-scenario-create
apidog cli-schema validate test-scenario-create --file scenario.json
apidog test-scenario create --project <projectId> --file scenario.json
apidog test-scenario import-steps <scenarioId> --project <projectId> --source endpoint --ids <endpointIds> --sync manual
apidog run -t <scenarioId> --project <projectId> -e <envId> -n 20 --timeout-request 800 -r cli,json
-n 20 wiederholt den Lauf, damit eine einzelne Glücksantwort keinen langsamen Ausreißer verdeckt, und --timeout-request 800 lässt jeden Aufruf fehlschlagen, der so langsam ist, dass ein Anrufer warten müsste. Ersetzen Sie -r cli,json in CI durch -r junit, damit eine Regression den Deploy blockiert – wie unser Apidog-CLI-CI/CD-Leitfaden zeigt. Neu im Agent-Workflow? Beginnen Sie mit Apidog CLI in Claude Code. Der Free-Plan von Apidog umfasst bis zu 4 Benutzer.
FAQ
Was ist günstiger, GPT-Live-1.1 oder GPT-Realtime? Das hängt von Ihren Audio-Token pro Minute und Ihrem Backend ab. GPT-Live-Sprache kostet 0,05 $ pro aktiver Minute plus die Token des Backend-Modells. Bei gpt-realtime-2.1 entsprechen 0,05 $ etwa 1.560 Audio-Eingabe- oder 780 Audio-Ausgabe-Token. Vergleichen Sie mit Ihren eigenen Nutzungsprotokollen.
Kann ich Function Calling mit GPT-Live-1.1 nutzen? Ja, über Delegierung. Legen Sie Funktions-Tools in delegation.responses.tools ab, oder betreiben Sie das Backend im Client-Delegierungsmodus selbst. Das Sprachmodell akzeptiert keine direkte Tool-Liste wie session.tools bei Realtime.
Unterstützt GPT-Realtime die Standby-Abrechnung? Nein. Standby zu 0,02 $ pro Minute ist eine GPT-Live-Funktion und gilt nur für WebRTC-Sessions, die mit wake_policy und idle_timeout_s konfiguriert sind. Realtime rechnet die Token ab, die jede Session verbraucht.
Kann GPT-Live-1.1 ausgehende Telefonanrufe tätigen? Ja. Erstellen Sie eine Session mit transport.type: "sip" und Ihren SIP-Trunk-Details auf POST /v1/live/sessions. Laut OpenAI-Dokumentation läuft ausgehendes SIP über die Live API, nicht über den Endpoint zur Anruferstellung der Realtime API.
Akzeptiert GPT-Live-1.1 Bildeingaben? Nein. Die Modellseite nennt Audio und Text als Ein- und Ausgabe. Wenn Ihr Voice-Agent Bilder sehen muss, akzeptiert gpt-realtime-2.1 Bildeingaben zu 5 $ pro 1 Mio. Token.


Top comments (0)