Sprachtechnologie ist der Bereich, in dem KI‑Agenten immer wieder scheitern. Ein Telefon-Support-Bot, der zwei Sekunden pausiert, bevor er antwortet, wirkt fehlerhaft, und jede Verzögerung von 100 ms lässt Menschen über das Modell hinweg reden. Am 7. Juli hat OpenAI zwei Realtime-Modelle veröffentlicht, die genau dieses Problem adressieren: gpt-realtime-2.1 und das leichtere gpt-realtime-2.1-mini.
Was das eigentlich ist
Dabei handelt es sich um Speech-to-Speech-Modelle, die Sie über die Realtime-API von OpenAI ansprechen — keine Chatbots, sondern die Engine hinter Live-Sprach-Agenten, telefonischem Kundendienst und Sprachassistenten. gpt-realtime-2.1 ist die leistungsstarke Version: besseres Aufrufen von Werkzeugen, Befolgen von Anweisungen und sauberere Handhabung von Unterbrechungen, Stille, Hintergrundgeräuschen und alphanumerischen Zeichenketten (z. B. das Vorlesen einer Bestellnummer). gpt-realtime-2.1-mini ist ein destilliertes Reasoning-Modell, das die Werkzeugnutzung beibehält, aber zu etwa einem Drittel der Kosten des Vollmodells angeboten wird — zum gleichen Preis wie das alte gpt-realtime-mini.
Warum das wichtig ist
Die Schlagzeile lautet, dass die p95-Latenz bei beiden Modellen um mindestens 25 % gesunken ist, hauptsächlich dank besserem Caching. Für Echtzeit-Sprache ist das keine bloße Spezifikationszahl — es ist der Unterschied zwischen einem natürlichen Dialog und einer unbeholfenen Lücke. Im selben Zug hat OpenAI ein neues Diktier-Modell für alle ChatGPT-Nutzer ausgerollt, das bei Akzenten und gemischter Sprache schärfer ist. Die Infrastruktur für Sprach-Agenten wird gleichzeitig günstiger und schneller.