OpenAI stellt neue Echtzeit-Sprachmodelle vor

OpenAI revolutioniert Sprach-KI: GPT-Realtime-2 und neue Echtzeit-Modelle in der API

OpenAI hat eine bedeutende Erweiterung seiner API-Angebote bekannt gegeben, die die Interaktion mit künstlicher Intelligenz (KI) durch Sprachmodelle auf ein neues Niveau heben soll. Im Mittelpunkt dieser Ankündigung steht die Einführung von GPT-Realtime-2, einem Sprachmodell, das laut OpenAI Argumentationsfähigkeiten der GPT-5-Klasse in Echtzeit-Sprachagenten integriert. Diese Entwicklung zielt darauf ab, Sprachagenten zu echten Kollaborateuren zu machen, die in der Lage sind, zuzuhören, zu argumentieren und komplexe Probleme im Verlauf von Gesprächen zu lösen.

Die Evolution der Sprachagenten

Bislang waren Sprachassistenten oft auf einfache Befehle und Antworten beschränkt. Mit den neuen Modellen strebt OpenAI eine transformative Veränderung an, indem es KI-Systeme befähigt, dynamisch auf menschliche Interaktionen zu reagieren. Die Kernidee ist, dass Sprachagenten nicht nur schnell antworten, sondern auch den Kontext verstehen, bei sich ändernden Anforderungen agieren, Werkzeuge nutzen und angemessen reagieren können.

Die Einführung von GPT-Realtime-2 markiert einen Schritt hin zu einer neuen Generation von Sprach-KI, die über die reine Sprachverarbeitung hinausgeht. Es geht darum, eine intuitivere und leistungsfähigere Schnittstelle zwischen Menschen und Softwareprodukten zu schaffen.

GPT-Realtime-2: Argumentationsfähigkeit der nächsten Generation

GPT-Realtime-2 wird als das intelligenteste Sprachmodell von OpenAI beworben. Es ist speziell für Live-Sprachinteraktionen konzipiert, bei denen das Modell das Gespräch flüssig hält, während es Anfragen verarbeitet, Tools aufruft, Korrekturen oder Unterbrechungen handhabt und kontextgerecht antwortet.

• Erweiterte Argumentationsfähigkeiten: Das Modell kann anspruchsvollere Anfragen bearbeiten und Unterhaltungen natürlicher fortsetzen. Entwickler können den "Reasoning Effort" anpassen, um die Balance zwischen Latenz und Argumentationstiefe zu steuern.
• Kontextfenster: Das Kontextfenster wurde von 32.000 auf 128.000 Tokens erweitert, was längere und kohärentere Sitzungen sowie komplexere Aufgabenabläufe ermöglicht.
• Parallele Tool-Aufrufe: Das Modell kann mehrere Tools gleichzeitig aufrufen und den Benutzer über den Fortschritt informieren, zum Beispiel mit Phrasen wie "Ich überprüfe Ihren Kalender".
• Verbessertes Wiederherstellungsverhalten: Bei Problemen kann das Modell eleganter reagieren, anstatt einfach zu schweigen oder das Gespräch abzubrechen.
• Kontrollierbarer Ton und Sprachstil: Das Modell kann seinen Tonfall anpassen, um beispielsweise ruhig bei der Lösung eines Problems, empathisch bei frustrierten Benutzern oder enthusiastisch bei der Bestätigung einer erfolgreichen Aktion zu sprechen.
• Domänenverständnis: Das Modell behält spezialisierte Terminologie, Eigennamen und Fachbegriffe besser bei.

Interne Tests zeigen, dass GPT-Realtime-2 signifikante Verbesserungen in der Audio-Intelligenz und der Befolgung von Anweisungen aufweist. Im Vergleich zu GPT-Realtime-1.5 erzielte es beispielsweise eine um 15,2 % höhere Punktzahl bei "Big Bench Audio" für Audio-Intelligenz und eine um 13,8 % höhere Punktzahl bei "Audio MultiChallenge" für die Befolgung von Anweisungen.

Neue Modelle für Übersetzung und Transkription in Echtzeit

Neben GPT-Realtime-2 hat OpenAI zwei weitere Modelle vorgestellt, die die Echtzeit-Audiofähigkeiten der API erweitern:

• GPT-Realtime-Translate: Dieses Modell ermöglicht Live-Übersetzungen von Sprache in über 70 Eingabesprachen und 13 Ausgabesprachen. Es wurde entwickelt, um die Bedeutung beizubehalten und mit der Geschwindigkeit des Sprechers Schritt zu halten, selbst bei natürlichen Sprachmustern, Kontextwechseln oder regionalen Akzenten. Dies eröffnet neue Möglichkeiten für Kundenservice, internationalen Vertrieb, Bildung und globale Medienplattformen.
• GPT-Realtime-Whisper: Ein neues Streaming-Sprach-zu-Text-Modell, das Audio live transkribiert, während gesprochen wird. Es soll Anwendungen wie Live-Untertitel, Besprechungsnotizen und Echtzeit-Sprachagenten schneller und reaktionsfähiger machen.

Anwendungsbereiche und praktische Implikationen

Die neuen Modelle sollen vielfältige Anwendungen in verschiedenen Branchen ermöglichen:

• Sprachgesteuerte Aktionen (Voice-to-Action): Benutzer können ihre Bedürfnisse beschreiben, und das System kann die Anfrage verarbeiten, Tools verwenden und die Aufgabe erledigen. Beispiele hierfür sind Immobilienassistenten, die Häuser basierend auf komplexen Kriterien finden und Besichtigungen planen, oder Reiseassistenten, die Flüge und Hotels buchen und Änderungen in Echtzeit verwalten.
• Systeme mit Sprachausgabe (Systems-to-Voice): Software kann Kontext in gesprochene Anweisungen umwandeln, beispielsweise indem eine Reise-App proaktiv über Flugverspätungen und alternative Routen informiert.
• Sprach-zu-Sprach-Interaktionen (Voice-to-Voice): KI kann Live-Gespräche über Sprachgrenzen, Aufgaben oder wechselnde Kontexte hinweg unterstützen. Die Deutsche Telekom testet beispielsweise Modelle für mehrsprachigen Kundensupport, bei dem Kunden in ihrer bevorzugten Sprache sprechen können, während das Modell das Gespräch in Echtzeit übersetzt.

Sicherheit und Datenschutz

Die Realtime API integriert mehrere Sicherheitsebenen und Schutzmaßnahmen, um Missbrauch zu verhindern. Dazu gehören aktive Klassifikatoren, die schädliche Inhalte erkennen und Gespräche bei Bedarf unterbrechen können. Entwickler können zudem eigene Sicherheitsvorkehrungen über das Agents SDK hinzufügen. Die Nutzungsrichtlinien untersagen die Verwendung der Outputs für Spam, Täuschung oder andere schädliche Zwecke. Zudem müssen Entwickler die Endbenutzer darüber informieren, wenn sie mit KI interagieren.

Die Realtime API unterstützt zudem die EU-Datenresidenz für Anwendungen in der EU und ist durch entsprechende Datenschutzverpflichtungen abgedeckt.

Preise und Verfügbarkeit

Die Modelle GPT-Realtime-2, GPT-Realtime-Translate und GPT-Realtime-Whisper sind ab sofort über die Realtime API verfügbar. Die Preisgestaltung für GPT-Realtime-2 beträgt 32 US-Dollar pro 1 Million Audio-Eingabe-Tokens und 64 US-Dollar pro 1 Million Audio-Ausgabe-Tokens. GPT-Realtime-Translate kostet 0,034 US-Dollar pro Minute, und GPT-Realtime-Whisper ist für 0,017 US-Dollar pro Minute erhältlich.

Fazit

Mit der Einführung von GPT-Realtime-2 und den ergänzenden Echtzeit-Audio-Modellen setzt OpenAI einen neuen Standard für Sprach-KI. Die Fähigkeit, komplexe Argumentationen in Echtzeit durchzuführen, Sprachen live zu übersetzen und Audio sofort zu transkribieren, verspricht eine Ära, in der Sprachagenten nicht nur reaktionsschneller, sondern auch intelligenter und kollaborativer agieren können. Diese Entwicklungen dürften erhebliche Auswirkungen auf die Entwicklung von B2B-Anwendungen haben, die auf natürliche Sprachinteraktionen angewiesen sind.

Bibliographie

• OpenAI. (2026, 7. Mai). Advancing voice intelligence with new models in the API. Abgerufen von https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/
• OpenAI. (o. J.). gpt-realtime-2 Model | OpenAI API. Abgerufen von https://developers.openai.com/api/docs/models/gpt-realtime-2
• OpenAI. (o. J.). Realtime and audio | OpenAI API. Abgerufen von https://platform.openai.com/docs/guides/realtime
• OpenAI. (o. J.). Realtime conversations | OpenAI API. Abgerufen von https://platform.openai.com/docs/guides/realtime-model-capabilities
• OpenAI. (o. J.). Using realtime models | OpenAI API. Abgerufen von https://developers.openai.com/api/docs/guides/realtime-models-prompting
• OpenAI. (2025, 20. März). Introducing next-generation audio models in the API. Abgerufen von https://www.openai.com/index/introducing-our-next-generation-audio-models/
• OpenAI. (2025, 28. August). Introducing gpt-realtime and Realtime API updates for production voice agents. Abgerufen von https://openai.com/index/introducing-gpt-realtime/?video=1113635977
• OpenAI Developers. (o. J.). Developer notes on the Realtime API. Abgerufen von https://developers.openai.com/blog/realtime-api
• LatestLY. (2026, 7. Mai). OpenAI GPT-Realtime-2 Launched With Advanced Reasoning and Voice-to-Action Capabilities; Check Features. Abgerufen von https://www.latestly.com/technology/openai-gpt-realtime-2-launched-with-advanced-reasoning-and-voice-to-action-capabilities-check-features-7420878.html
• SQ Magazine. (2026, 7. Mai). OpenAI Launches GPT Realtime 2 for Smarter Voice AI. Abgerufen von https://sqmagazine.co.uk/openai-gpt-realtime-2-voice-ai-launch/