OpenAI bringt ein "großes Update": Echtzeit-Sprach-API wird vollständig geöffnet, neues Modell lässt KI-Gespräche wie echte Menschen erscheinen OpenAI hat offiziell seine Echtzeit-API (Realtime API) geöffnet und gleichzeitig das bisher fortschrittlichste Sprachdialogmodell gpt-realtime sowie eine Reihe neuer Funktionen veröffentlicht, die Entwicklern helfen, KI-Sprachagenten für Produktionsumgebungen zu erstellen. Das neu veröffentlichte gpt-realtime-Modell (Versionsnummer gpt-realtime-2025-08-28) hat in mehreren Bereichen signifikante Verbesserungen erfahren: Es kann komplexe Anweisungen besser verstehen und ausführen, externe Werkzeuge präziser ansprechen und die erzeugte Sprache klingt natürlicher und emotionaler. Preislich liegt der Audioeingang bei 32 US-Dollar pro Million Tokens, der Audioausgang bei 64 US-Dollar pro Million Tokens, was 20 % günstiger ist als bei den vorherigen Modellen. Die Echtzeit-API (Realtime API) unterstützt jetzt Remote-MCP-Server, Bildeingaben und kann Anrufe über das Session Initiation Protocol (SIP) tätigen. Das bedeutet, dass KI-Sprachagenten auf vielfältigere Werkzeuge zugreifen und reichhaltigere Kontextinformationen erhalten können, wodurch sie leistungsfähiger werden. OpenAI hat auch zwei brandneue Stimmen veröffentlicht: Cedar und Marin. Diese beiden Stimmen sind exklusive Vorteile der Echtzeit-API (Realtime API). Gleichzeitig wurden die bestehenden acht Stimmen aktualisiert und optimiert. Für Entwickler und Anwendungen in der EU unterstützt die Echtzeit-API (Realtime API) jetzt vollständig die EU-Datenresidenzpolitik, was eine bessere Dateneinhaltung gewährleistet. Bei der Bewertung der Modellinferenzfähigkeiten im Big Bench Audio Benchmark erreichte gpt-realtime eine Genauigkeit von 82,8 %, weit über den 65,6 % des vorherigen Modells, das im Dezember 2024 veröffentlicht wurde. Darüber hinaus hat OpenAI ein weiteres Modell namens gpt-audio (Versionsnummer gpt-audio-2025-08-28) veröffentlicht. Dies ist ihr erstes Audio-Modell, das offiziell für die Chat Completions REST API geöffnet wurde. Die Preisgestaltung beträgt: Audioeingang 40 US-Dollar pro Million Tokens, Audioausgang 80 US-Dollar pro Million Tokens.