GPT-Live-1 vs. Inworld Realtime TTS-2: Ein Preiskrieg um Stimmen, ein Aufpreis fürs Zuhören

Inworld Realtime TTS-2 hat die allgemeine Verfügbarkeit erreicht – mit etwas, das auf dem Sprachmarkt gefehlt hat: einer veröffentlichten Preisliste. Das Flaggschiffmodell kostet 25 $ pro Million Zeichen bei On-Demand-Nutzung, sein schnelleres Schwestermodell Inworld Realtime TTS-2 Flash kostet 15 $, und beide fallen über Mengenstaffeln auf 12,50 $ bzw. 7 $. Mit Elo 1.244 und Platz zwei in der Speech Arena von Artificial Analysis ist das Flaggschiff damit etwa halb so teuer wie der aktuelle Spitzenreiter der Arena und eine der günstigsten Möglichkeiten, eine Top-5-Stimme zu kaufen. GPT-Live-1 ist das andere Modell in diesem Vergleich und das genaue Gegenteil – 0,05 $ pro Minute Stimme, keine Zeichen im Spiel, und keine Möglichkeit, es zu kaufen, ohne auch das Zuhören, den Sprecherwechsel und die Unterbrechungsbehandlung mitzukaufen, die damit einhergehen.

Das Interessante am Vergleich der beiden ist, dass die Preislücke enorm wirkt und dann größtenteils verschwindet. Bei der Synthese herrscht ein Preiskrieg. Bei der Konversation nicht.

Was Inworld tatsächlich veröffentlicht hat

Die TTS-2-Reihe begann im Mai 2026 als Forschungsvorschau mit einer konkreten Behauptung: dass dies ein Modell sei, das Sprache nicht isoliert erzeugt. Es nimmt die vorherigen Beiträge einer Konversation als Audioeingabe, denkt über Ton und Tempo nach und passt seine Antwort entsprechend an. Diese Positionierung – Gesprächsbewusstsein statt saubereres Audio – war es, was es von den Erzähl-Engines unterschied, die die Text-zu-Sprache-Technologie bis 2025 dominierten.

Die allgemeine Verfügbarkeit machte aus der Vorschau eine Familie und fügte eine Preisliste hinzu. Flash ist die Variante für den Durchsatz: Inworld nennt rund 20 Millisekunden serverseitige Time-to-First-Byte im 90. Perzentil, gegenüber 100 Millisekunden beim Flaggschiff, und einen Median von unter 200 Millisekunden bis zum ersten Audio. Das sind Herstellerangaben aus Inworlds eigener Dokumentation; die einzige im Umlauf befindliche Drittanbieter-Messung, von Coval, verortet Flash bei ungefähr 25 Millisekunden und das Flaggschiff im niedrigen Hunderterbereich. Keine der beiden wurde unabhängig Ende-zu-Ende auditiert.

Das bemerkenswerteste Feature hat nichts mit Latenz zu tun. Inworld hat einen Verbatim-Modus hinzugefügt, damit Bestellnummern, Bestätigungscodes, Adressen und Seriennummern Zeichen für Zeichen zurückgelesen werden, statt in etwas normalisiert zu werden, das natürlich klingt, aber falsch ist. Für einen Voice-Agent, der gerade eine Buchung entgegengenommen hat, ist dieses einzelne Tag der Unterschied zwischen einem funktionierenden Produkt und einer Demo, die an einen Menschen eskaliert wird.

Dimension für Dimension

• Art — GPT-Live-1: Vollduplex-Sprache-zu-Sprache in einem Modell vs. Inworld Realtime TTS-2: ein Text-zu-Sprache-Modell, wobei Duplex separat über Inworlds Realtime-API verfügbar ist

• Preiseinheit — GPT-Live-1: 0,05 $ pro Sprachminute, sekundengenau abgerechnet, Reasoning-Backend separat abgerechnet vs. Inworld Realtime TTS-2: 25 $ pro Million Zeichen bei On-Demand-Nutzung, 20 $ im Creator-Tarif und 12,50 $ in der höchsten Stufe, wobei Flash bei 15 $, 10 $ und 7 $ liegt

• Unabhängige Qualität — GPT-Live-1: 70,3 % im Speech to Speech Index, gemeinsam Sechster von vierzehn vs. Inworld Realtime TTS-2: Elo 1.244 aus 1.091 Proben und Zweiter in der Artificial Analysis Provider Voice Arena, mit Flash bei Elo 1.211 aus 1.626 Proben und Sechster

• Unterbrechung — GPT-Live-1: nativ, viele Male pro Sekunde im Modell entschieden vs. Inworld Realtime TTS-2: keine Eigenschaft des TTS-Modells; Inworlds Realtime API unterstützt Barge-in mit ungefähr 100 Millisekunden Unterbrechungslatenz über einen einzigen Socket, der das Open​AI Realtime-Protokoll spricht

• Latenz — GPT-Live-1: 0,798 Sekunden Turn-Taking-Latenz in Open​AIs eigenen Tests, keine Time-to-First-Audio veröffentlicht vs. Inworld Realtime TTS-2: 100 Millisekunden serverseitig beim 90. Perzentil, Flash bei 20, mit einem Median von unter einer Sekunde bis zum ersten Audio-Chunk über die gesamte Realtime-API-Pipeline

• Sprachen — GPT-Live-1: wichtige Sprachen gut bedient, außerhalb davon uneinheitlich vs. Inworld Realtime TTS-2: über 200 Locales, davon 15 in Tier-1-Qualität und 79 weitere in Tier 2, und eine Stimmidentität, die über alle hinweg erhalten bleibt

• Stimmen und Klonen — GPT-Live-1: zwölf Presets, kein Klonen vs. Inworld Realtime TTS-2: 282 integrierte Stimmen, sofortiges Zero-Shot-Klonen aus 5 bis 15 Sekunden autorisierten Audios, professionelles Klonen und vollständige Steuerung der Sprechweise nur beim Flaggschiff

• Bereitstellung — GPT-Live-1: nur gehostet, ein Endpunkt, keine kostenlose Stufe, Parallelität auf 25 bis 500 Sitzungen begrenzt – im Vergleich zu Inworld Realtime TTS-2: gehostete API plus einen zugangsbeschränkten On-Premises-Container, der eine H100 erfordert, und eine kostenlose On-Demand-Stufe, die bis zu etwa 70 Minuten Synthese umfasst

Die Duplex-Frage, präzise beantwortet

Es wäre einfach, diesen Vergleich als „der eine hört zu, der andere spricht nur" zu formulieren, und er wäre auf eine Weise falsch, die von Bedeutung ist. Inworlds Text-to-Speech-Modelle sind Text-in, Audio-out. Aber Inworld verkauft auch eine Realtime API, die über eine einzige WebSocket-, WebRTC- oder SIP-Verbindung läuft und in dem Sinne vollduplexfähig ist, der für Entwickler zählt: Sie nutzt semantische Sprachaktivitätserkennung mit einer anpassbaren Eagerness-Einstellung, unterstützt manuelle Turn-Steuerung und unterbricht bei Barge-in in etwa 100 Millisekunden. Sie ist protokollkompatibel mit dem Open​AI Realtime-Interface, was die Migration zu einer Konfigurationsübung statt zu einer Neuimplementierung macht.

Was die Realtime API von Inworld nicht ist, ist ein natives Speech-to-Speech-Modell. Sie ist eine Kaskade – ein austauschbares Spracherkennungsmodell, ein Sprachmodell Ihrer Wahl und ein Synthesizer –, die innerhalb einer einzigen Verbindung orchestriert wird. Das ist eine legitime Architekturentscheidung, und es ist dieselbe, die die meisten in Produktion eingesetzten Voice-Agents treffen. Sie ist einfach eine andere als die von GPT-Live-1, wo ein einziges Modell entscheidet, wann der Turn abgegeben wird.

Der praktische Unterschied zeigt sich, wenn der Anrufer mitten im Satz unterbricht. Bei einer Kaskade wird die Unterbrechung erkannt, die Generierung abgebrochen und eine neue Runde beginnt – eine Abfolge, die gut funktioniert und dich einen Roundtrip kostet. Beim End-to-End-Modell wurde die Entscheidung bereits kontinuierlich getroffen. Ersteres ist ein System, das schnell reagiert. Letzteres ist ein System, das nie aufgehört hat zuzuhören.

Die Zahlen durchrechnen, weil die Einheiten die Antwort verbergen.

Sprache läuft mit etwa 150 Wörtern pro Minute, und Englisch kommt im Durchschnitt auf rund fünfeinhalb Zeichen pro Wort, eine Minute gesprochener Ausgabe entspricht also etwa 800 bis 900 Zeichen. Bei 25 US-Dollar pro Million erzeugt Inworld Realtime TTS-2 eine Minute Sprache für ungefähr zwei Cent. Bei Flashs 15 US-Dollar liegt es unter anderthalb Cent.

Gemessen an GPT-Live-1s 0,05 $ pro Sprachminute wirkt das wie ein Kantersieg – bis man den Rest bepreist, den GPT-Live-1 leistet. Die Realtime API von Inworld braucht weiterhin Spracherkennung und ein Sprachmodell, die beide separat abgerechnet werden und jeweils eigene Latenz mitbringen. Rechnet man sie ein, steigen die Minutenkosten der Kaskade für jeden Anruf mit einer echten Frage über fünf Cent. Der Aufpreis des End-to-End-Modells gilt nicht der Stimme. Er gilt dem Sprecherwechsel und entspricht ungefähr den Kosten der Spracherkennungsphase, die man nicht mehr einkauft.

Wo die Kaskade entscheidend gewinnt, ist Volumen ohne Gespräch. Benachrichtigungsanrufe, Lieferbestätigungen, Terminerinnerungen, skriptgesteuerte IVR – alles, bei dem der Text schon vor Beginn des Anrufs feststeht und niemand unterbrechen wird. Dort sind Zeichenpreise von 7 bis 15 US-Dollar pro Million Zeichen schlicht günstiger als minutenweise abgerechneter Duplex, und für Turn-Taking zu zahlen, das man nie nutzt, ist Verschwendung.

Es gibt auch einen Mittelweg, den die Zwei-Modell-Darstellung verbirgt. Wenn man ohnehin eine Kaskade zusammenstellt, muss die Sprachschicht nicht von einem spezialisierten Voice-Anbieter kommen: die eigenen TTS-Modelle von Open​AI und Goog​les Gem​ini-TTS-Vorschaumodelle sind gewöhnliche API-Endpunkte, und sie sind geroutet. Rund 190 Modelle von elf vorgelagerten Anbietern stehen hinter einem einzigen OrcaRouter-Schlüssel zum Listenpreis des Anbieters, ohne Aufschlag — so kann ein Synthesemodell im selben Katalog, unter demselben Schlüssel und auf derselben Rechnung stehen wie das Reasoning-Modell, das es versorgt, mit automatischem Failover, falls ein Endpunkt mitten im laufenden Betrieb schlechter wird. Es ist die am wenigsten glamouröse Stufe eines Voice-Stacks und die am leichtesten zu konsolidierende. Weder Inworlds Realtime TTS-2 noch der Live-Sessions-Endpunkt von GPT-Live-1 sind auf diese Weise verfügbar; diese beiden gehören ihren Anbietern.

Welches soll man wählen?

Wählen Sie Inworld Realtime TTS-2, wenn es auf das Volumen ankommt und das Gespräch skriptgesteuert ist. Agenten mit hohem Durchsatz, Benachrichtigungen, mehrsprachige Produkte, bei denen 200 Locales und eine einzige beibehaltene Stimmidentität zählen, oder jede Bereitstellung, die den On-Premises-Container erfordert. Sie erhalten eine Top-zwei-Arena-Stimme zu ungefähr der Hälfte des Preises des Marktführers, eine kostenlose Stufe zum Prototyping, Klonen, das GPT-Live-1 überhaupt nicht anbietet, und eine Realtime API, die Unterbrechungen kompetent im Kaskadenmuster handhabt, das Sie wahrscheinlich bereits einsetzen.

Wählen Sie GPT-Live-1, wenn die Unterbrechung das Produkt ist. Anrufe, die vom Skript abweichen, Anrufer, die dem Agenten ins Wort fallen, Workflows, bei denen der Sprecherwechsel den Unterschied zwischen einem Gespräch und einem Menü ausmacht. Sie zahlen einen Minutentarif, der nicht sinkt, wenn Sprache billig wird, Sie verzichten auf Klonen und 200 Sprachen, und Sie kaufen die Nahtstellen zurück.

Der Preiskrieg in der Synthese ist real, und er ist eine gute Nachricht für alle, die einen Voice-Agenten bauen – eine Top-Five-Stimme kostet heute nur noch ein Fünftel dessen, was sie vor achtzehn Monaten gekostet hat. Nur löst er diesen Vergleich nicht auf, denn das, wofür GPT-Live-1 Geld verlangt, ist nicht das, was Inworld rabattiert.