Stückkosten von Realtime- und Audio-APIs
Aktualisiert: September 1, 2026
Jedes für Text gebaute Kostenmodell bricht bei Sprache. Text wird nach Tokens abgerechnet, die proportional zur Information sind. Audio wird nach Dauer abgerechnet, proportional zur Zeit — einschließlich aller Zeit, in der nichts Nützliches passiert.
Wofür Sie wirklich zahlen
Eine Sprachinteraktion stapelt drei oder vier Posten: Transkription eingehend, der Modellaufruf (bei Realtime-APIs pro Audiominute), Sprachsynthese ausgehend, und oft die offene Session. Letzteres ist die Falle: Am Minutenzähler ist Stille ein Produkt zum vollen Preis.
Wo Schätzungen danebenliegen
Man rechnet Sprechzeit × Tarif und landet deutlich zu niedrig. Es fehlen Pausen und Latenz, generiertes Audio, das der Anrufer unterbrochen hat, Wiederholungen (die Audio wiederholen, nicht nur Tokens) und abgebrochene Anrufe.
Die brauchbare Kennzahl
Kosten pro abgeschlossenem Gespräch, nicht pro Minute. Und schließen Sie Leerlauf-Sessions konsequent — meist der größte verfügbare Hebel.