
Realtime 1 gegen GPT Live 1: Fünf Cent gegen einen, und eine Behauptung, die noch niemand überprüfen kann
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 90 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 87 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 pro 1 Mio. Tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 182 tok/s
Fünf Cent pro Minute. So viel verlangt OpenAI für GPT Live 1 — das Vollduplex-Sprachmodell, das „gleichzeitig zuhören und sprechen kann“, sekundengenau ohne Aufrunden abgerechnet, wobei Backend-Modell- und Tool-Nutzung separat berechnet werden. MAI Realtime 1, am 17. November 2026 von Microsoft angekündigt, kostet einen Cent pro Minute vor seiner Reasoning-Stufe. Auf der Preisliste beträgt der Unterschied fünf zu eins, und eine Person, die beide verwendet hat, sagte dem Internet, Realtime 1 habe sich „dem GPT Live-Modell sehr nahe angefühlt“. Dieser Satz ist das Interessanteste an diesem Duell und das am wenigsten Überprüfbare, denn es gibt genau einen Weg, es zu klären, und keine unabhängige Partei hat den Test durchgeführt, der das tun würde.
Betrachte das also als zwei Fragen statt als eine. Ist ein Modell für einen Cent pro Minute fünfmal schlechter? Und was bringt das gemessene Profil von GPT Live 1 tatsächlich, das ein billigeres Modell erst einmal erreichen müsste? Die zweite hat Antworten. Die erste noch nicht.
Die Architekturen haben nicht dieselbe Form.
GPT Live 1 ist ungewöhnlich, und seine Dokumentation sagt das ganz offen. Es ist ein Vollduplex-Modell – es hört und spricht gleichzeitig, statt zwischen den Turns abzuwechseln – und es versucht nicht, das Reasoning selbst zu übernehmen. Es „übergibt Reasoning- und Tool-Arbeit an einen Backend-Agenten“, der nur über v1/live/sessions erreichbar ist, ohne Unterstützung für die Endpunkte Chat Completions, Responses oder Realtime. Es nimmt Audio und Text entgegen und gibt Audio und Text aus, unterstützt Streaming und Function Calling und akzeptiert keine Bilder oder Videos.
{{1}}GPT Live 1{{/1}} — Vollduplex-Frontend, Reasoning wird an den jeweiligen Backend-Agenten delegiert, den Sie anbinden. Limits für gleichzeitige Sitzungen: 50 bei Build, 300 bei Launch, 500 bei Grow. Kein kostenloser Tarif.
• MAI Realtime 1 — Sprache-zu-Sprache mit einem schnellen Pfad und einer internen Reasoning-Ebene Microsoft berechnet 1,00 US-Dollar pro Million Eingabe-Tokens und 5,00 US-Dollar pro Million Ausgabe-Tokens. Auf der Konversationsseite wird pro Audiominute abgerechnet. Die Vorschau wird bis zur öffentlichen Vorschau nicht abgerechnet.
Beide sind faktisch zweiteilige Systeme. Der Unterschied besteht darin, wem der zweite Teil gehört. Bei GPT Live 1 ist er ausdrücklich Ihrer: Sie wählen den Backend-Agenten, Sie bezahlen dessen Tokens separat, Sie sehen die Nahtstelle. Bei MAI Realtime 1 erfolgt die Übergabe innerhalb des Produkts und auf der Preisseite, und die Routing-Entscheidung ist nicht von Ihnen konfigurierbar.
Dieser eine Designunterschied erklärt den größten Teil der Preisdifferenz. OpenAI verlangt 0,05 US-Dollar pro Minute für ein sehr gutes Ohr und einen sehr guten Mund. Microsoft verlangt 0,01 US-Dollar für ein ordentliches Ohr und einen ordentlichen Mund plus einen internen Dispatcher und rechnet das Denken über den Token-Zähler ab.
Was die Messungen von GPT Live 1 tatsächlich zeigen
GPT Live 1 ist zweimal auf dem Speech-to-Speech-Board von Artificial Analysis vertreten, weil der Backend-Agent, den Sie anhängen, das Ergebnis verändert:
• Speech-to-Speech-Index — 83,2 mit einem Backend der Astra-Klasse auf medium, 80,1 mit einem Backend der Sol-Klasse auf low. Beide liegen über den 74,5 von Gemini 3.8 Live und deutlich über den 77,3 von Eleven Realtime Max, was GPT Live 1 zum Modell mit dem höchsten Index in diesem Vergleichsset macht.
• Sprachliches Schlussfolgern (Big Bench Audio) — 90,1 % bzw. 89,0 %. Nicht an der Spitze der Rangliste — Eleven Realtime Max erreicht 98,8 % —, aber solide wettbewerbsfähig.
• Gesprächsdynamik — 94,9 % und 97,3 %. Die Sol-konfigurierte Variante erzielt die beste Dynamikbewertung im Set, also die Zahl, die für „fühlt sich gut an, mit ihr zu sprechen“ steht.
• Agentische Aufgabenerledigung (τ-Voice) — 74,5 % und 59,3 %. Beide übertreffen die 30,1 % von Gemini 3.8 Live mit großem Abstand, was man von einem Modell erwarten würde, dessen gesamte Designprämisse darin besteht, Arbeit an ein leistungsfähiges Backend zu übergeben.
• Arena-Elo — 1027 und 1037.
• Erfolgsquote bei Aufgaben — 87,4 % und 90,9 %.
• Zeit bis zum ersten Audio — 1,34 und 1,24 Sekunden. Langsamer als Eleven Realtime Max mit 0,57 und langsamer als Gemini 3.8 Live mit 1,18, aber das Vollduplex-Design bedeutet, dass die wahrgenommene Wartezeit nicht dasselbe ist wie die gemessene; ein Modell, das bestätigt, während es nachdenkt, wirkt nicht wie pausiert.
• Kombinierte Kosten — 5,83 $ und 4,47 $ pro Stunde nach der Normalisierung von Artificial Analysis, gegenüber einer Preisliste von 0,05 $ pro Minute, die allein für die Sprachleitung 3,00 $ pro Stunde ausmacht. Die höheren Werte enthalten die Backend-Token-Ausgaben, was die ehrliche Lesart für ein Modell ist, das Reasoning auslagert.
Aus diesen Zahlen folgen zwei Dinge. Erstens: Die Konfiguration ist ebenso wichtig wie das Modell: Dasselbe GPT Live 1 erzielt je nach Backend, auf das man es richtet, 83,2 oder 80,1 und bei agentischen Aufgaben 74,5 % oder 59,3 %. Eine Bewertung, die eine einzelne Zahl nennt, ohne zu sagen, welches Backend verwendet wurde, sagt Ihnen so gut wie nichts. Zweitens: Der Index-Spitzenreiter ist hier nicht der Arena-Spitzenreiter — Gemini 3.8 Live gewinnt bei Elo, GPT Live 1 gewinnt beim Index. Diese messen unterschiedliche Dinge, und keines von beiden ist ein Proxy für Ihre Arbeitslast.

Die Behauptung, die es zu prüfen lohnt – und was die Prüfung kostet
„Es fühlte sich dem GPT Live-Modell sehr nah an.“ Wörtlich genommen ist das das Stärkste, was jemand über MAI Realtime 1 gesagt hat, und es stammt von jemandem ohne veröffentlichte Methodik, ohne Aufzeichnungen und ohne Aufgabenset. Fairerweise ist es außerdem genau die Art, wie die meisten frühen Eindrücke von Sprachmodellen entstehen – Vollduplex-Konversation ist schwer zu bewerten und leicht zu fühlen, weshalb es die Arena überhaupt gibt.
Das Problem ist, dass die Behauptung nur zur Hälfte überprüfbar ist. Microsoft veröffentlicht für MAI Realtime 1 eine einzige Genauigkeitszahl – 98,8 % bei Big Bench Audio, auf der Modellseite, vom Anbieter selbst durchgeführt und nicht reproduziert – zusammen mit einer P50-Karte zur Zeit bis zum ersten Audio und einer Bildunterschrift „P50-Latenz bei BigBench Audio“. Es veröffentlicht keinen τ-Voice-Wert, keine Latenzverteilung und keine Sprachliste. Artificial Analysis führt MAI Realtime 1 mit Stand 18. November nicht, daher gibt es keinen unabhängigen Wert für diese 98,8 %, den man neben die 90,1 % von GPT Live 1 stellen könnte: Das eine ist die eigene Bewertung eines Anbieters, das andere die eines Drittanbieters. Microsofts eigene Vergleichsbehauptung nennt GPT Realtime 2.1, ein anderes Modell als GPT Live 1 mit einer völlig anderen Preisstruktur, und selbst dieser Vergleich wird als Frontier-Position und nicht als Zahlen veröffentlicht.
Die nützliche Version der Behauptung ist also ein Testplan, kein Urteil. Vier Dinge, die man ausprobieren sollte, alle günstig, solange die Vorschau nicht abgerechnet wird:
• Direkter Vergleich — dieselben zwanzig aufgezeichneten Anrufe durch beide Modelle, blind bewertet. Das ist die einzige Möglichkeit, „feels close“ zu testen, und genau diesen Test ließ die ursprüngliche Behauptung aus.
• Unterbrechung bei Überlappung — Das Vollduplex-Design von GPT Live 1 ermöglicht es, gleichzeitig zu sprechen und zuzuhören. Testen Sie, ob Realtime 1 tatsächlich gleichzeitiges Sprechen verarbeitet oder lediglich saubere Unterbrechungen handhabt. Das sind unterschiedliche Fähigkeiten, und nur eine davon zeigt sich in einer Demo.
• Eskalationslatenz – in dem Moment, in dem Realtime 1 einen Turn an seine Reasoning-Engine übergibt, wird die Pause gemessen. Microsofts Aussage lautet „ohne unangenehme Pausen“, was eine Latenzbehauptung ohne angehängte Zahl ist.
• Kosten pro abgeschlossenem Anruf – nicht pro Minute. Ein Modell, das pro Minute ein Fünftel kostet und zwei weitere Gesprächsrunden braucht, um eine Anfrage zu lösen, kostet nicht ein Fünftel des Preises. Das ist die Kennzahl, die das Duell entscheidet, und keiner der Anbieter veröffentlicht sie.
Wohin die fünf Cent gehen
Wenn Ihnen die zusätzlichen vier Cent pro Minute bei GPT Live 1 nichts bringen, ist das keine Entscheidung. Aber sie bringen etwas Bestimmtes: einen gemessenen Agentic-Score von 74,5 % gegenüber einer ungemessenen Behauptung und eine Vollduplex-Architektur, die eine andere Fähigkeit als Turn-Taking ist und nicht eine bessere Version davon.
Was Sie zusätzlich zum Tarif kostet, sind Kontrolle und die technische Anbindung. GPT Live 1 verlangt von Ihnen, einen Backend-Agenten bereitzustellen und zu bezahlen — das ist echte Arbeit und eine echte Rechnung, aber auch der Grund dafür, dass seine Konfiguration seine Scores verändert. Sie wählen das Reasoning-Modell; Sie sehen den Token-Verbrauch; Sie entscheiden, was eskaliert. MAI Realtime 1 trifft diese Entscheidung im Produkt selbst und berechnet dafür $1.00 und $5.00 pro Million Tokens, ohne Ihnen zu sagen, wie oft das passiert.
Dieser Kompromiss – Transparenz gegen Bequemlichkeit – ist der Punkt, an dem ein Gateway seinen Platz verdient. Beide Modelle rufen letztlich Reasoning-Modelle auf, GPT Live 1 konstruktionsbedingt und MAI Realtime 1 intern, und genau diese Reasoning-Schicht ist der Teil, den OrcaRouter routet: über 200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass das Backend, das Ihre GPT Live 1-Konfiguration bestimmt, ohne einen zweiten Vertrag austauschbar ist, plus automatisches Failover, damit ein stockender Reasoning-Aufruf nicht mitten im Satz zur Funkstille wird. Modellfusion ist der andere Hebel, den man hier kennen sollte – für einen Voice-Agent, dessen schwierige Turns die teuren sind, ist ein Panel, das auf dem eskalierten Pfad gemeinsam antwortet, eine Möglichkeit, Genauigkeit dort zu kaufen, wo sie zählt, ohne sie bei jedem Turn zu bezahlen.
Um genau zu sein, was die Abdeckung betrifft: Weder GPT Live 1 noch MAI Realtime 1 ist im Katalog von OrcaRouter enthalten. GPT Live 1 ist OpenAIs eigener v1/live/sessions-Endpunkt; MAI Realtime 1 stammt von MAI Labs und ist die Foundry-Vorschau mit begrenztem Zugriff. Was dahintersteht, ist das, was wir anbieten.
Das Integrationsdetail, das über Ihren Zeitplan entscheidet
GPT Live 1 hat die umständlichere Integration und die bessere Dokumentation. Sein dedizierter v1/live/sessions-Endpunkt bedeutet, dass nichts, was Sie auf Basis der Realtime API gebaut haben, übernommen werden kann – dies ist ein neues Sitzungsmodell, und dass es Chat Completions, Responses oder Realtime nicht unterstützt, steht nicht ohne Grund als Erstes in seiner Dokumentation. Bei den Rate Limits zählen gleichzeitige Sitzungen, nicht Tokens, daher ist die Kapazitätsplanung etwas völlig anderes: 50 gleichzeitige Sitzungen auf Build, 300 auf Launch, 500 auf Grow, kein kostenloser Tarif.
MAI Realtime 1 ist das Gegenteil: eine mit der OpenAI Realtime API kompatible Schnittstelle, und das ist der mit Abstand nützlichste Satz in Microsofts Ankündigung. Wenn Ihr Stack dieses Protokoll bereits spricht, besteht die Evaluierung aus einem Modell-String und einer Base-URL. Der Haken ist alles rund um die Schnittstelle – keine Sprachliste, keine Latenzverteilung, kein τ-Voice-Score, kein GA-Termin und eine zweiminütige Demo in MAI Labs, die bei unserer Prüfung „MAI Realtime is unavailable right now“ meldete.
Die zeitliche Asymmetrie ist also real. GPT Live 1 kann man diese Woche gegen veröffentlichte Dokumentation und einen Produktions-Endpunkt integrieren. Bei MAI Realtime 1 kann man gegen eine Kompatibilität prototypen, die man versteht, und dann auf eine Preview warten, die genau deshalb kostenlos ist, weil sie nicht fertig ist.

Das Urteil, als Wette formuliert
Wähle GPT Live 1, wenn das Spracherlebnis das Produkt ist und du ein Backend willst, das du kontrollierst. Es hat den höchsten Speech-to-Speech-Index seiner Klasse, die beste Gesprächsdynamik mit einem Backend der Sol-Klasse, einen Agentic-Score, der jedes Nicht-OpenAI-Modell im Vergleich schlägt – außer Phonic 1 und Grok Voice 3.0 –, und eine Dokumentation, die dir genau sagt, was es tut. Fünf Cent pro Minute sind ein echter Wert, und du kannst ihn prognostizieren.
Setzen Sie auf MAI Realtime 1, wenn die Wirtschaftlichkeit der limitierende Faktor ist und Sie Ingenieurszeit für Messungen statt für Beschaffung aufwenden können. Ein Cent pro Minute mit einer nicht abgerechneten Vorschau und einer OpenAI-kompatiblen Schnittstelle ist der billigste Weg, um herauszufinden, ob Microsofts zweistufiges Design Ihr anwendungsseitiges schlägt. Was Sie dabei akzeptieren: Sie werden derjenige sein, der die Latenzverteilung, die τ-Voice-Zahl und die Sprachliste erhebt, weil Microsoft nichts davon veröffentlicht hat – und dass seine einzige Genauigkeitszahl, 98,8 % bei Big Bench Audio, vom Anbieter kommt, ohne dass irgendetwas dahintersteht.
Das Einzige, was man nicht tun sollte, ist, die Behauptung „fühlt sich sehr nah an“ zu wiederholen, als wäre sie ein Ergebnis. Sie könnte stimmen. Die Person, die sie aufgestellt hat, mag durchaus recht haben, und wenn sie recht hat, ist dieser Vergleich nicht mehr interessant, denn dann wäre das günstigere Modell das bessere auf der Achse, die für Nutzer am wichtigsten ist. Aber ein Gefühl von einem Nachmittag ist keine Task-Completion-Rate, und die Zahl, die das entscheiden würde – welchen Anteil echter Anrufe jedes Modell tatsächlich abschließt –, ist genau die Zahl, die keiner der beiden Anbieter veröffentlicht hat.

