
Realtime 1 vs. Realtime Venus: Voice-Agent mieten oder für die Kosten einer GPU selbst betreiben
- 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
Bei diesem Duell kommt es letztlich auf einen einzigen Satz in einer Lizenzdatei an. Realtime Venus ist Apache 2.0 – ein 9B-Modell, das Sie herunterladen, auf Ihrer eigenen A100 ausführen und für das Sie nie wieder pro Minute zahlen. MAI Realtime 1, am 17. November 2026 von Microsoft angekündigt, ist eine gehostete API für 0,01 US-Dollar pro Audiominute, mit einer tokenbepreisten Reasoning-Ebene dahinter und einer Foundry-Vorschau, die bis zur öffentlichen Vorschau nichts berechnet. Eines davon hat einen Preis pro Aufruf. Das andere hat einen Preis pro GPU-Stunde. Sie anhand von Preislisten zu vergleichen, ist ein Kategorienfehler, weshalb fast jede Abhandlung über gehostete Sprachmodelle versus offene Gewichte an derselben Stelle schiefgeht.
Die richtige Frage ist, was es jeweils kostet, das Modell in Ihrem Umfang zu betreiben, und was jedes tatsächlich leisten kann – und dort kehrt sich der Vergleich um: Die Zahlen des offenen Modells kommen mit einem Paper, das den Harness beschreibt, während die des gehosteten Modells von einer Modellseite mit einer einzigen Genauigkeitsangabe stammen. Diese Umkehrung ist die eigentliche Geschichte.
Was jedes einzelne tatsächlich ist
Realtime Venus stammt von inclusionAI und ist in arXiv 2609.13814 dokumentiert; zugeschrieben wird es dem Venus-Team von Ant Group und der Tsinghua-Universität, das Papier ist auf September 2026 datiert. Es wird als zwei Checkpoints ausgeliefert: Realtime-Venus-Omni, ein 9B-Audio-Video-Modell, das von MiniCPM-o 4.5 adaptiert wurde und kontinuierlich zusieht und zuhört, entscheidet, wann es spricht, und Text und Sprache auf einer einzigen Zeitachse ausgibt; und Realtime-Venus-Audio, ein rein audiobasiertes 9B-Modell auf demselben Streaming-Backbone. Beide nutzen Whisper-Medium als Audio-Encoder, Qwen3-8B als Sprach-Backbone, diskrete S3-Sprach-Tokens mit einem Streaming-Flow-Matching-Decoder, einen Kontext von 40.960 Tokens, BF16-Gewichte sowie Englisch und Chinesisch als Sprachen.
{{1}}MAI Realtime 1 ist Microsofts erstes Speech-to-Speech-Modell, ein gehostetes zweistufiges System: ein schneller Konversationspfad für einen Cent pro Minute und eine Reasoning-Engine zu 1,00 US-Dollar pro Million Eingabe- und 5,00 US-Dollar pro Million Ausgabe-Tokens, in die schwierigere Turns geleitet werden.{{/1}} {{2}}Keine Architekturdetails, keine Parameteranzahl, keine Sprachliste.{{/2}} Die einzige veröffentlichte Genauigkeitszahl ist 98,8 % bei Big Bench Audio, auf der eigenen Modellseite, vom Anbieter durchgeführt und nicht reproduziert – das ist das Spiegelbild der unten beschriebenen Situation, in der ein kleineres Labor seine Evaluationsmethode in einem Paper veröffentlichte, das jeder lesen kann.
• Modellgewichte — Realtime Venus Apache 2.0, herunterladbar, zwei 9B-Checkpoints; MAI Realtime 1 geschlossen, Preview-Zugang per Registrierung.
• Sprachen — Realtime Venus Englisch und Chinesisch, explizit; MAI Realtime 1 nicht aufgeführt.
• Kontext — Realtime Venus 40.960 Token; MAI Realtime 1 unveröffentlicht.
• Hardware — Realtime Venus benötigt eine A100 für die Echtzeit-Duplex-Demo; MAI Realtime 1 benötigt nichts außer einem Schlüssel.
• Modalitäten — Realtime Venus Omni nimmt Streaming-Video und -Audio entgegen; MAI Realtime 1 ist Speech-to-Speech.
• Preisstruktur — Realtime Venus pro GPU-Stunde, dauerhaft; MAI Realtime 1 pro Audiominute plus Reasoning-Tokens.
Die von Realtime Venus veröffentlichten Zahlen und was sie bedeuten
Das Paper ist ungewöhnlich konkret, was Vollduplex-Verhalten betrifft – also den Teil, den die meisten Sprachmodelle vage lassen:
• Reaktion auf Unterbrechungen — 75 % der Nutzerunterbrechungen beantwortet, auf Full-Duplex-Bench v1.5.
• Fortsetzung nach Rückmeldesignalen — 97 %
• Fortsetzung, wenn sich das Sprechen an jemand anderen richtet — 88 %.
• Fortsetzung bei Hintergrundsprache — 86 %.
• Die Behauptung der Autoren – diese „übertreffen Gemini 3.1 Live und GPT-4o in allen drei Continuation-Metriken“. Beachten Sie die Vergleichsziele: Gemini 3.1 Live, das Google jetzt zugunsten von 3.8 Live als Legacy kennzeichnet, und GPT-4o. Keines davon ist die aktuelle Spitze, daher ist der Sieg real, aber die Messlatte ist eine Generation alt.
Beim Verständnis führt Realtime-Venus-Audio seine Vergleichsgruppe bei MMAU mit 78,0 %, bei MMAU-Pro mit 63,2 %, bei Llama Questions mit 83,8 % und bei Speech CMMLU mit 67,8 % an und erreicht gleichauf den Spitzenwert von 4,81 im VoiceBench AlpacaEval. Realtime-Venus-Omni ist unter den bewerteten Online-Modellen bei sechs von acht Video-Benchmarks am besten, darunter StreamingBench mit 70,2 %, OVO-Bench mit 64,7 % und Daily-Omni mit 81,3 %.
All das sind die eigenen Bewertungen der Autoren in ihrem eigenen Paper. Sie sind stärkere Belege als eine Marketingseite – Testumgebung und Vergleichsset werden zumindest beschrieben – und schwächere Belege als ein unabhängiges Prüfgremium. Artificial Analysis führt Realtime Venus mit Stand 18. November nicht, daher hat kein Dritter sie erneut durchlaufen lassen.
Die eine Zahl, die in der Abstract-Zusammenfassung der Arbeit fehlt, ist die, die für einen Support-Agenten zählt: ein agentischer Task-Completion-Score für τ-Voice. Realtime Venus basiert auf einer anderen Idee – einem <delegate>-Mechanismus, der asynchrone externe Aufgaben an eine separate Harness-Runtime auslagert, sodass das Gespräch weiterläuft, während die Arbeit im Hintergrund erledigt wird. Das ist architektonisch nah daran, was MAI Realtime 1 intern mit seiner Reasoning-Tier macht, und daran, was GPT Live 1 tut, indem es an einen Backend-Agenten übergibt. Drei verschiedene Produkte, ein konvergentes Design: schnell reden, das Denken delegieren. Niemand hat einen direkten Vergleich für die Delegationshälfte veröffentlicht.

Die Arithmetik, die ein Minutenpreis verbirgt
Hier geht es nicht mehr um Tarife. MAI Realtime 1 kostet bei einem Cent pro Minute 0,60 US-Dollar pro Stunde Audio. Eine einzelne A100, auf der Realtime Venus läuft, kostet bei üblichen Cloud-Preisen irgendwo zwischen 1,50 und 2,50 US-Dollar pro Stunde – sagen wir der Einfachheit halber 2 US-Dollar, und beachten Sie, dass dies ein Marktpreis ist und nicht etwas, das einer der beiden Anbieter veröffentlicht.
Break-even – bei diesen Sätzen füllen etwa drei bis vier gleichzeitige Gespräche eine A100 aus. Darunter ist Mieten günstiger. Darüber ist Kaufen günstiger.
• Der Haken auf der Hosted-Seite – die Reasoning-Stufe von MAI Realtime 1 wird zusätzlich zum Minutenpreis pro Token abgerechnet, sodass die tatsächlichen Kosten pro Stunde über 0,60 $ liegen und unbekannt sind.
• Der Haken auf der Self-Hosting-Seite: Die Nebenläufigkeit pro A100 für ein 9B-Duplexmodell ist ebenfalls nicht veröffentlicht. Die Demo benötigt „mindestens eine NVIDIA A100“, was nur sagt, dass sie läuft, und nichts darüber, wie viele Streams sie aufrechterhält.
Also sind beide Seiten der Gewinnschwelle Schätzungen. Was keine Schätzung ist, ist die Form der Kurve: Die gehosteten Kosten skalieren linear und auf Dauer; die selbst gehosteten Kosten haben einen festen Sockel und knicken dann ab. Ein Pilot mit hundert Anrufen pro Tag sollte mieten. Ein Contact-Center mit zweihundert gleichzeitigen Leitungen sollte es nicht – es sei denn, das gehostete Modell ist deutlich besser; und in dieser Gegenüberstellung ist das offene Modell dasjenige, dessen Genauigkeitsangaben mit einem veröffentlichten Prüfrahmen einhergehen.
Es gibt außerdem eine operative Asymmetrie, die nie auf einer Preisliste auftaucht. Ein Duplex-9B-Modell selbst zu hosten bedeutet, GPU-Kapazität, Kaltstarts, das Laden des Modells und den Ausfallmodus zu verantworten, bei dem ein Knoten ausfällt und Anrufe abbrechen. Gehostet bedeutet, nichts davon verantworten zu müssen und die Latenz, Verfügbarkeit und den Abkündigungsplan eines Anbieters zu akzeptieren. Teams unterschätzen durchweg das Erste und überschätzen das Zweite, meist weil das Erste in einer Tabellenkalkulation unsichtbar ist.
Wo das gehostete Modell keine Open-Weight-Antwort bietet
Drei Dinge, und sie sind nicht klein.
Unternehmensintegration: {{1}}MAI Realtime 1{{/1}} kommt in {{2}}Dynamics 365 Contact Center{{/2}} und in {{3}}Dragon Copilot{{/3}} für Simulationen im Pflegetraining, während {{4}}Agoda{{/4}} und {{5}}Reservations.ai{{/5}} testen. Das sind Integrationen in Systeme, die ein selbst gehostetes Modell nicht erreichen kann, ohne dass Sie die Konnektoren selbst bauen.
Kompatibilität: Es spricht die OpenAI Realtime API, daher braucht ein bestehender Voice-Stack einen Modell-String statt einer Neuimplementierung. Realtime Venus wird als Python-Paket ausgeliefert – AutoModel.from_pretrained, as_duplex(), sekündliches streaming_prefill() und streaming_generate(), FFmpeg und CUDA auf dem Host. Das ist ein echtes Engineering-Projekt.
Und die Transkriptionsbreite: Microsofts Begleitankündigung Dragon Copilot Transcribe auf MAI Transcribe 2 deckt klinisches Diktat in einem Umfang ab, den nichts im Venus-Papier behandelt – 10 Millionen Patientenkontakte pro Monat, die halbe mehrsprachige Fehlerrate, nach Microsofts eigener Darstellung. Wenn Ihr Produkt klinisch ist, ist dieses Ökosystem das Argument, nicht der Minutenpreis.
Wo offene Gewichte keine gehostete Antwort haben
Video. Realtime-Venus-Omni ist ein audiovisuelles Streaming-Modell – es sieht und hört zu, und die Omni-Benchmarks sind Video-Benchmarks. MAI Realtime 1 ist Sprache. Wenn die Interaktion eine Kamera, eine Bildschirmfreigabe oder einen Patienten umfasst, der auf etwas zeigt, ist der Vergleich nicht annähernd ausgeglichen, weil das gehostete Modell es gar nicht erst versucht.
Auch Langzeit-Videogedächtnis: Die Venus-Karte verspricht Gedächtnis über lange Videos hinweg ohne zusätzliches Training, über einen use_memory()-Schalter. Nichts in Microsofts Ankündigung behandelt das Gedächtnis über eine Sitzung hinweg.
Und die Lizenz. Apache 2.0 bedeutet, dass Sie es feinabstimmen, in ein Produkt integrieren, in einer Rechtsordnung betreiben können, für die Microsoft keine Region hat, und Audio auf Ihrer eigenen Hardware behalten können. Für einen klinischen oder öffentlichen Einsatz, bei dem die Daten das Gebäude nicht verlassen dürfen, ist das keine Präferenz — es ist die Anforderung, und kein noch so großer Rabatt pro Minute kann das ersetzen.

Der Hybrid, den die meisten Teams tatsächlich bauen sollten
Die zuvor erwähnte Konvergenz ist die praktische Antwort. Alle drei dieser Produkte – Realtime Venus, MAI Realtime 1, GPT Live 1 – trennen das Gespräch von der Arbeit: Venus durch <delegate> und eine Harness-Runtime, Microsoft durch eine interne Reasoning-Ebene, OpenAI durch einen explizit angebundenen Backend-Agenten. In jedem Fall ist der schwierige Teil ein zweites Modell, das das Denken übernimmt, und in jedem Fall ist diese Ebene der Ort, an dem sich Kosten und Latenz konzentrieren.
Das bedeutet, die Entscheidung zwischen ihnen ist wirklich eine Entscheidung über das Frontend, und das Backend kann so oder so dasselbe sein. OrcaRouter ist für diese zweite Ebene gebaut: 200+ Modelle über einen einzigen Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass die Reasoning-Modelle dahinter unabhängig davon, welches Frontend du wählst, austauschbar sind und eine Preisänderung eines Anbieters am selben Tag wirksam wird. Automatisches Failover macht aus einer delegierten Aufgabe etwas, das sich sicher in der Produktion ausführen lässt – ein Hintergrundaufruf, der stillschweigend fehlschlägt, ist ein Versprechen an einen Aufrufer, das nie eingelöst wird, und ein gerouteter Wiederholungsversuch über Anbieter hinweg ist der Unterschied zwischen einer Aufgabe, die abgeschlossen wird, und einer, die es stillschweigend nicht wird. Mit der Routing-DSL wird die Delegationsrichtlinie zur Regel: welche Intents eskaliert werden, an welches Modell, mit welchem Budget.
Keines dieser beiden Voice-Modelle ist in unserem Katalog – Realtime Venus sind Apache-2.0-Gewichte, die Sie selbst hosten, und MAI Realtime 1 ist die Limited-Access-Preview von MAI Labs und Foundry. Was wir routen, ist alles, was sie an uns delegieren.

Konkret auswählen
Beginnen Sie mit Realtime Venus, wenn einer der folgenden Punkte zutrifft: Die Daten dürfen Ihre Infrastruktur nicht verlassen, die Interaktion umfasst Video, Sie benötigen ausschließlich Englisch und Chinesisch und sonst nichts, Sie verfügen bereits über GPU-Kapazität, oder Ihr Volumen ist so hoch, dass eine lineare Abrechnung pro Minute nicht die passende Form ist. Akzeptieren Sie im Gegenzug, dass Sie einen Stack auf Forschungsniveau mit einer Python-API betreiben, ein Paper als Ihre Dokumentation haben und keinen unabhängigen Benchmark, der die Zahlen der Autoren bestätigt.
Beginnen Sie mit MAI Realtime 1, wenn die Interaktion ausschließlich sprachbasiert ist, das Volumen bescheiden ist, die Integration bereits OpenAI-Realtime-förmig ist und ein Cent pro Minute die Zahl ist, die das Projekt überhaupt erst tragfähig macht. Nehmen Sie dafür in Kauf, dass Sie davon fast nichts messen können: eine vom Anbieter gemeldete Genauigkeitszahl, eine P50-Latenz ohne Verteilung, keinen τ-Voice-Score, keine Sprachliste und eine zweiminütige nichtkommerzielle Demo, die sich bei unserer Überprüfung selbst als nicht verfügbar meldete.
Und achte auf das, worauf beide still setzen. Realtime Venus, MAI Realtime 1 und GPT Live 1 sind alle zu dem Schluss gekommen, dass ein Sprachmodell nicht intensiv nachdenken sollte, während jemand wartet. Der Unterschied zwischen ihnen liegt nur darin, wohin das Nachdenken verlagert wird. Wer zuerst eine Aufgabenabschlussrate für die delegierte Hälfte veröffentlicht, entscheidet ein Duell, das die Pro-Minute-Preise nie entscheiden könnten.
In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
