OpenAI stellt drei neue Voice-Modelle vor — GPT-Realtime-2 erreicht 96,6 Prozent Benchmark-Genauigkeit. Deutsche Telekom gehört zu den ersten Anwendern.
OpenAI hat am 8. Mai drei neue Voice-API-Modelle vorgestellt: GPT-Realtime-2, GPT-Realtime-Translate und GPT-Realtime-Whisper. Das Flaggschiff-Modell bringt GPT-5-Reasoning in Echtzeit-Sprache und erreicht 96,6 Prozent auf dem Big-Bench-Audio-Benchmark — ein Sprung von 15 Punkten gegenüber dem Vorgänger. Zu den ersten Anwendern gehören Zillow, Priceline und die Deutsche Telekom. Für mittelständische Unternehmen mit telefonbasiertem Kundenservice schließt sich damit eine Lücke, die Sprachagenten bisher vom Skript abhängig gemacht hat.
OpenAI hat auf dem Dev Day drei Modelle für die Realtime-API vorgestellt, die jeweils einen anderen Aspekt der sprachbasierten KI abdecken. GPT-Realtime-2 ist das Hauptmodell und vereint Spracherkennung, Reasoning und Sprachsynthese in einem durchgängigen Echtzeit-Strom. Das Modell kann gleichzeitig sprechen und denken — es nutzt mehrere Tools parallel, während es dem Anrufer antwortet.
GPT-Realtime-Translate ist ein spezialisiertes Übersetzungsmodell, das Gespräche in Echtzeit zwischen mehr als 70 Sprachen übersetzt. GPT-Realtime-Whisper ersetzt das bisherige Whisper-Transkriptionsmodell durch eine Streaming-Variante, die Sprache kontinuierlich in Text umwandelt, ohne auf das Ende einer Äußerung warten zu müssen.
Im Big-Bench-Audio-Benchmark, der Sprachverständnis, logisches Schließen und kontextbezogenes Antworten in Echtzeit misst, erreicht GPT-Realtime-2 eine Genauigkeit von 96,6 Prozent — gegenüber 81,4 Prozent beim Vorgängermodell. Das ist kein inkrementeller Fortschritt, sondern ein qualitativer Sprung: Die Fehlerrate sinkt von knapp einem Fünftel auf unter vier Prozent.
Telefonischer Kundenservice ist im deutschen Mittelstand nach wie vor ein Massenkanal. Handwerksbetriebe, Arztpraxen, Speditionen, Autohäuser und Versicherungsmakler nehmen täglich Dutzende bis Hunderte Anrufe entgegen — und viele davon betreffen wiederkehrende Fragen: Öffnungszeiten, Auftragsstatus, Terminvereinbarung, Rechnungsklärung.
Bisherige Voice-Agenten scheiterten genau dort, wo es über die einfache Informationsausgabe hinausging. Sobald ein Anrufer eine unerwartete Frage stellte, einen Kontext wechselte oder eine Rückfrage zur vorherigen Aussage hatte, brach die Qualität ein. GPT-Realtime-2 ändert das, weil es nicht nur Sprache erkennt und generiert, sondern währenddessen auf GPT-5-Niveau schlussfolgert.
Eine Spedition mit 80 Mitarbeitern erhält pro Tag zwischen 100 und 200 Anrufe zum Sendungsstatus. Ein Voice-Agent auf Basis von GPT-Realtime-2 kann die Sendungsnummer erfassen, im TMS nachschlagen, den aktuellen Status vorlesen und Rückfragen beantworten — alles in einem natürlichen Gesprächsfluss. Bei ATLAS Consulting betreuen wir derzeit drei produktive Voice-Agent-Projekte in der Logistikbranche. Die durchschnittliche Auflösungsrate bei Statusanfragen liegt bei rund 75 Prozent ohne menschliche Weiterleitung.
In einer Gemeinschaftspraxis mit fünf Ärzten gehen pro Tag 60 bis 80 Anrufe ein, davon betreffen 40 bis 50 Prozent Terminbuchungen oder -verschiebungen. Ein Sprachagent, der den Kalender abfragt, freie Slots vorschlägt und den Termin direkt einträgt, entlastet das Praxisteam erheblich — gerade außerhalb der Sprechzeiten.
Autohäuser berichten, dass rund 30 Prozent der telefonischen Anfragen Probefahrt- oder Werkstatttermine betreffen. Ein Voice-Agent kann Fahrzeugtyp, Wunschtermin und Kontaktdaten aufnehmen, den Termin im DMS anlegen und eine SMS-Bestätigung auslösen. Die Integration über die Realtime-API ermöglicht dabei Rückfragen wie: „Geht es auch eine Stunde später?" — ohne dass der Agent den Kontext verliert.
„Der Unterschied zwischen GPT-Realtime-1 und GPT-Realtime-2 ist nicht die Stimme — es ist das Denken. Zum ersten Mal kann ein Sprachagent während des Gesprächs logisch schlussfolgern, statt nur Muster abzuspielen."
Praxis-Tipp Starten Sie mit einem klar eingegrenzten Anwendungsfall — etwa Statusabfragen oder Terminbuchungen. Messen Sie die aktuelle Auflösungsrate Ihres bestehenden Kanals (Telefon, Warteschleife, Rückruf) und vergleichen Sie nach vier Wochen. Ein Pilot lässt sich mit der Realtime-API und einem bestehenden Telefonieanbieter in zwei bis drei Wochen aufsetzen.
OpenAI hat die Preise für die Realtime-API auf dem Dev Day nicht separat veröffentlicht. Die bisherige Realtime-API lag bei 6 Dollar pro Million Audio-Input-Tokens und 24 Dollar pro Million Audio-Output-Tokens. Für ein durchschnittliches dreiminütiges Telefonat ergibt das API-Kosten von geschätzt 0,10 bis 0,15 Dollar — je nach Gesprächskomplexität und Tool-Nutzung.
Technisch setzt die API einen WebSocket-basierten Echtzeit-Stream voraus. Die Integration läuft über bestehende Telefonieplattformen wie Twilio, Vonage oder VAPI, die den SIP-Trunk mit der API verbinden. Für den Mittelstand bedeutet das: Die eigene Telefonanlage bleibt bestehen, der Voice-Agent wird davor geschaltet.
| Modell | Funktion | KMU-Relevanz |
|---|---|---|
| GPT-Realtime-2 | Spracherkennung + GPT-5-Reasoning + Sprachsynthese | Hoch |
| GPT-Realtime-Translate | Echtzeit-Übersetzung in 70+ Sprachen | Mittel |
| GPT-Realtime-Whisper | Streaming-Transkription ohne Wartezeit | Hoch |
GPT-Realtime-2 ist der bisher größte Sprung in der Voice-Agent-Technologie. Die Kombination aus GPT-5-Reasoning, paralleler Tool-Nutzung und natürlicher Sprachsynthese macht Sprachagenten erstmals für komplexere Kundeninteraktionen einsetzbar — nicht nur für einfache FAQ-Ansagen. Für Unternehmen mit hohem Telefonaufkommen und wiederkehrenden Anfragen ist jetzt der richtige Zeitpunkt für einen Piloten.
Wer den Einstieg plant, sollte mit einem eingegrenzten Use-Case beginnen und die Auflösungsrate sauber messen. ATLAS Consulting setzt Voice-Agenten seit Anfang 2026 produktiv ein und begleitet Unternehmen vom Proof-of-Concept bis zur Integration in bestehende Telefonanlagen — einschließlich der Anbindung an ERP, CRM und Kalendersysteme.
ATLAS Consulting begleitet Sie vom ersten Use-Case bis zur produktiven Integration — ohne Hype, ohne Blackbox, mit klaren Zahlen.