Voice-Agent-API-Kosten: 10 Minuten kosten $0.04 bis $0.57

Ein zehnminütiges Gespräch mit einem Voice Agent kostet zwischen $0.04 und $0.57 an API-Gebühren. Fast die gesamte Spanne hängt von zwei Entscheidungen ab: Baut man den Stack selbst oder nutzt man eine Speech-to-Speech-API, und welche Text-to-Speech-Klasse kommt zum Einsatz? Wir haben alle Schritte in einem Batch über dasselbe Gateway gemessen: drei Speech-to-Text-Modelle nach Audiominuten, sechs Text-to-Speech-Modelle nach den tatsächlich erzeugten Audiominuten, einen LLM-Dialog mit acht Turns und drei Modellen (zwei aus der Flash-Klasse, eines aus der Frontier-Klasse) sowie eine Live-Session mit GPT Realtime, bei der jede Lane separat abgerechnet wurde. Daraus berechnen wir für jede Architektur den Preis pro Gesprächsminute.

TL;DR

• Ein Kaskaden-Stack (STT + LLM + TTS) kostet $0.0037 bis $0.025 pro Gesprächsminute. Für gpt-realtime-2.1 haben wir $0.057 gemessen; die Mini-Variante liegt mit $0.016 innerhalb der Kaskadenspanne.
• Mit einem LLM aus der Flash-Klasse kostet die Stimme mehr als das Sprachmodell, im Mainstream-Build um den Faktor 12. Bei einem Frontier-Modell kehrt sich das Verhältnis um.
• Der Aufpreis für Realtime kauft vor allem geringere Latenz: Gemessen wurden 1.7-2.1 s von Sprache zu Sprache, gegenüber 4.9-7.7 s bei den Kaskaden-Builds.
• Bei zeichenbasierter TTS-Abrechnung ist gesprochenes Chinesisch auf allen gemessenen Modellen pro Audiominute 3- bis 7-mal günstiger als Englisch.

Wie funktioniert ein Voice Agent, und warum gibt es zwei Architekturen?

Ein Voice Agent ist eine Schleife, die gesprochene Eingaben des Nutzers in eine hörbare Antwort umwandelt. Die am Markt verfügbaren Systeme folgen dabei einer von zwei Architekturen. In der Kaskade werden drei spezialisierte APIs nacheinander aufgerufen: Ein Voice-Activity-Detector erkennt, dass der Nutzer nicht mehr spricht, Speech-to-Text transkribiert die Äußerung, ein LLM erzeugt aus dem Transkript und dem bisherigen Gesprächsverlauf eine Antwort, und Text-to-Speech wandelt sie wieder in Audio um. Jeder Schritt wird separat abgerechnet. Deshalb ist die Kaskade günstig und flexibel: STT, Sprachmodell und Stimme lassen sich unabhängig auswählen, und es fallen drei kleine Rechnungspositionen an.

Die Speech-to-Speech-Architektur (Realtime) ersetzt alle drei Schritte durch ein Modell, das Audio direkt über einen WebSocket empfängt und ausgibt. (Synthorai unterstützt das nativ: Das Gateway stellt unter /v1/realtime einen WebSocket-Endpunkt bereit. Ein vorhandenes OpenAI Realtime SDK funktioniert unverändert, sobald es auf unseren Endpunkt zeigt; siehe Dokumentation der Realtime-API. Alle Realtime-Sessions in diesem Beitrag liefen über diese Verbindung.) Im Hauptpfad findet keine Transkription statt. Das Modell verarbeitet Tonfall und Timing statt eines Transkripts. Der Gesprächsverlauf liegt serverseitig als Audio-Token vor und wird bei jeder Antwort erneut an das Modell gesendet. Damit bietet diese Architektur zwei Eigenschaften, die eine Kaskade grundsätzlich nicht liefern kann: weniger als 2 Sekunden Latenz von Sprache zu Sprache und natürliches Barge-in, bei dem der Nutzer mitten im Satz unterbrechen kann und das Modell die Unterbrechung hört. Auch die Abrechnung sieht anders aus: Statt drei pauschaler Zähler gibt es getrennte Preise für Audio-In und Audio-Out, die sogenannten Lanes, sowie wachsende Kosten für den Gesprächsverlauf, die nur durch Caching begrenzt werden.

Im weiteren Verlauf berechnen wir genau diese beiden Architekturen: zunächst jeden Kaskadenschritt separat und anschließend die Realtime-Schleife Lane für Lane.

Was kostet ein Voice Agent pro Minute?

Bei den sechs betrachteten Builds liegen die Kosten zwischen $0.0037 und $0.057 pro Gesprächsminute, eine Spanne um den Faktor 15. Dabei sind zwei Einheiten auseinanderzuhalten: Eine Gesprächsminute ist eine Minute tatsächlicher Anrufdauer. Eine Audiominute ist eine Minute tatsächlich gesprochener Sprache auf einer Seite des Gesprächs; danach rechnen STT und TTS ab. Das Szenario blieb konstant: Nutzer und Agent teilen sich die Sprechzeit gleichmäßig, pro Minute gibt es vier kurze, supporttypische Wortwechsel. Die Kaskadenschritte werden nach den gemessenen Audiodauern und Token-Mengen abgerechnet. Die Realtime-Werte stammen aus einer Live-Session mit acht Turns:

Entscheidend ist weniger das obere und untere Ende als die Position der beiden Realtime-Modelle. Die Flaggschiff-Realtime-API kostet 2.3-mal so viel wie selbst die Premium-Kaskade. Bezahlt wird nicht für vergleichbare Qualität, sondern für Eigenschaften, die eine Kaskade nicht bieten kann: in unserer Session etwa 2 Sekunden Latenz von Sprache zu Sprache, natives Barge-in sowie den Erhalt von Tonfall und Sprechtempo (Prosodie), weil Audio nie in Text umgewandelt wird. Die Mini-Variante liegt dagegen zwischen Mainstream- und Premium-Kaskade. Damit ist „Kaskade oder Realtime“ nur beim Flaggschiff eine echte Preisfrage. Bei der Mini-Variante geht es um Latenz und Kontrolle, nicht um den Preis.

Die anderen drei Kaskaden nutzen Sprachmodelle aus der Flash-Klasse und treten gegen OpenAIs Flaggschiff-Sprachmodell an. Für einen faireren Vergleich verwendet die SOTA-Zeile deshalb das Frontier-Textmodell desselben Anbieters: gpt-5.6 für $5 Input und $30 Output pro Million. Trotzdem kostet die Kaskade nur $0.0200 pro Gesprächsminute und liegt damit um den Faktor 2.9 unter dem Realtime-Flaggschiff. Selbst zu Frontier-Preisen bewegt ein Text-Turn zwei Größenordnungen weniger teure Token als eine Audio-Lane. Vergleichbare Qualität erhöht die Kosten für das Sprachmodell um $0.010 pro Minute, schließt aber nicht die architektonische Lücke.

Welcher Kaskadenschritt verursacht die höchsten Kosten?

Solange ein Sprachmodell aus der Flash-Klasse zum Einsatz kommt, ist es die Stimme. Im Mainstream-Build entfallen pro Gesprächsminute $0.0076 auf TTS und $0.0006 auf das LLM, also 12-mal mehr. Selbst im günstigen Build kostet die Sprachausgabe dreimal so viel wie das Sprachmodell. Mit gpt-5.6 kehrt sich das Verhältnis um: Bei $0.00274 pro Wortwechsel ist das Sprachmodell mit $0.0110 pro Minute der größte Posten und kostet 1.4-mal so viel wie tts-1 für die Ausgabe. Mit Flash-Modellen dominiert die Stimme die Kosten eines Voice Agents, mit Frontier-Modellen das Sprachmodell. Speech-to-Text liegt dazwischen und kostet $0.0010 bis $0.0030 pro Gesprächsminute (Minutenpreise aus unserem Vergleich von 14 Modellen, in diesem Batch erneut bestätigt: qwen3-asr-flash $0.00198, gpt-4o-mini-transcribe $0.00294, whisper-1 $0.006 pro Audiominute).

Das Sprachmodell ist fast kostenlos, bis Reasoning ins Spiel kommt. Unser Supportdialog mit acht Turns pendelte sich bei deepseek-v4-flash-0731 auf etwa 310 Input- und 71 Output-Token pro Turn ein, also $0.00016 pro Wortwechsel. Bei gemini-3.7-flash kostete derselbe Dialog $0.00126 pro Wortwechsel und damit 8-mal so viel. Der Grund zeigt sich in der Token-Aufteilung: Pro Turn wurden 89 bis 361 Reasoning-Token für eine Antwort mit zwei Sätzen verbraucht. Bei Gemini 3.7 Flash lässt sich Thinking nicht abschalten. Ein darauf aufgebauter Voice Agent zahlt deshalb bei jedem Wortwechsel einen Reasoning-Aufschlag. Bei Modellen, bei denen sich Thinking deaktivieren lässt, ist ein Voice-Turn genau der einfache Anwendungsfall, in dem das gefahrlos möglich ist.

Was kostet Text-to-Speech pro Audiominute?

Eine synthetisierte Minute kostet zwischen $0.004 und $0.034. Die Spanne um den Faktor 8.4 ist aus den Preisen pro Zeichen nicht ersichtlich. Alle folgenden Modelle rechnen nach der Zahl der Input-Zeichen ab. Deshalb haben wir feste englische und chinesische Texte synthetisiert, die Dauer der zurückgegebenen Audiodateien gemessen und daraus den Minutenpreis berechnet:

Die versteckte Variable ist das Sprechtempo. tts-1-hd und chirp3-hd haben denselben Listenpreis von $30. chirp3-hd spricht unseren englischen Text jedoch schneller und erzeugt weniger Sekunden Audio. Pro Audiominute ist es deshalb 13% teurer. Am unteren Ende liefert google-tts-standard eine synthetisierte Minute für weniger als die Hälfte des Preises aller anderen gemessenen Modelle. Der Listenpreis ordnet die Modelle nur grob ein; für die tatsächlichen Kosten zählt der Preis pro Audiominute.

Überraschend groß fällt der Unterschied in der chinesischen Spalte aus: Für eine Minute gesprochenes Chinesisch fallen 3- bis 7-mal weniger abrechenbare Zeichen an als für eine Minute Englisch, weil jedes Zeichen mehr gesprochene Information trägt. Bei zeichenbasierter Abrechnung ist die Sprachausgabe eines chinesischsprachigen Voice Agents damit 66 bis 85% günstiger als die desselben Agents auf Englisch. Hinzu kommen auf der Textseite noch die sprachabhängigen Unterschiede bei den Token-Kosten.

Wann lohnt sich die Realtime-API?

Wenn eine Sprachschleife von 2 Sekunden und native Unterbrechungen ihren Preis rechtfertigen. Rein preislich verliert das Flaggschiff gegen jede von uns gebaute Kaskade. Beide offiziellen Umrechnungen für Audio ließen sich in diesem Batch exakt reproduzieren: 30.0 Sekunden Input-Audio wurden als 300 Token abgerechnet (1 Token pro 100 ms), 3.7 Sekunden Output als 74 Token (1 pro 50 ms). Das entspricht den Werten aus unserer Untersuchung vom Juli. Zu den Listenpreisen von gpt-realtime-2.1 kostet allein das Zuhören $0.0192 pro Minute und das Sprechen $0.0768 pro Minute. Die wiederholte Abrechnung des Gesprächsverlaufs, durch die längere Sessions immer teurer werden, ist darin noch nicht enthalten.

Durch Caching wächst dieser Posten weniger stark als zunächst erwartet. In unserer Session mit acht Turns stieg der Input pro Antwort von 72 auf 643 Token. Beim achten Turn waren davon jedoch 512 gecacht und wurden mit $0.40 pro Million abgerechnet. Über die gesamte Session liefen 76% der Input-Token zum Cache-Tarif. Insgesamt kostete der 1.31-minütige Austausch $0.0752, also $0.0573 pro Gesprächsminute. Die Aufteilung nach Lanes zeigt, wo das Geld landet: 66% entfallen auf Audio-Out, 17% auf frisches Audio-In und 16% auf Text. Das Modell gibt zu jeder Antwort zusätzlich eine Textfassung aus, die mit dem Text-Output-Tarif von $24 pro Million abgerechnet wird. Etwa ein Sechstel einer „Speech-to-Speech“-Rechnung ist damit faktisch die Rechnung eines Textmodells. Überträgt man dasselbe gemessene Token-Profil auf die Tarife der Mini-Variante, ergeben sich $0.0159. Dieser Wert ist interessanter: Er unterbietet die Premium-Kaskade und behält gleichzeitig die geringe Latenz und das Barge-in bei, die eine Kaskadenarchitektur grundsätzlich nicht bieten kann.

Der verbleibende Realtime-Aufschlag ist operativer Natur und nicht tokenbasiert: Sessions enden nach 60 Minuten zwangsweise und lassen sich nicht mit dem Audioverlauf fortsetzen. Gespräche, die diese Grenze überschreiten, starten deshalb mit kaltem Cache neu. Die Untersuchung vom Juli beschreibt diese Mechanik im Detail.

Wie viel schneller ist Speech-to-Speech als eine Kaskade?

Bei den oben berechneten Builds ist Speech-to-Speech 2.3- bis 4.5-mal schneller. Je aufwendiger die Kaskade, desto größer wird der Abstand. Die folgende Grafik zeigt dieselben sechs Builds wie die Kostentabelle und verwendet für jeden Balken dieselbe Einheit: einen vollständigen Gesprächs-Turn. Gemessen wurde vom Request bis zum Abschluss der Antwort mit einem realistischen Ablauf aus einer 5-sekündigen Äußerung und einer Antwort mit zwei Sätzen. Die Kaskadenbalken addieren die Mediane der einzelnen Schritte aus jeweils drei Läufen:

In Zahlen summieren sich die Kaskaden-Turns auf 4.9 s (günstig), 5.6 s (Mainstream), 5.7 s (SOTA-Sprachmodell) und 7.7 s (Premium). Beide Speech-to-Speech-Klassen bleiben dagegen im selben Bereich: 1.6-2.1 s für gpt-realtime-2.1-mini über 4 Live-Turns und 1.7-2.1 s für gpt-realtime-2.1 über 8.

Zusammen mit der Kostentabelle wird der Zielkonflikt deutlich: Bei der Kaskade entwickeln sich Kosten und Latenz in entgegengesetzte Richtungen. Der günstige Build ist zugleich die billigste und schnellste Kaskade. Der Premium-Build kostet 6.8-mal so viel und ist 2.8 Sekunden langsamer, weil die teuren Komponenten, ein länger nachdenkendes Sprachmodell und eine HD-Stimme, zugleich die langsamen Komponenten sind. Bei Speech-to-Speech bleiben beide Modelle unabhängig von ihrer Klasse im selben 2-Sekunden-Bereich. Die Mini-Variante ist damit gleichzeitig günstiger als zwei Kaskaden und schneller als alle vier.

Aus den Messwerten ergeben sich drei weitere Punkte. Erstens ist das LLM in jeder Kaskade der Latenzengpass, und obligatorisches Reasoning verdoppelt diesen Anteil fast: gemini-3.7-flash benötigt 4.5 Sekunden, um eine Antwort mit zwei Sätzen zu erzeugen, gegenüber 2.6 bei deepseek und 2.7 bei gpt-5.6. Derselbe Reasoning-Aufschlag, der 8-mal so viele Token kostet, sorgt also auch dafür, dass der Premium-Build bei der Latenz auf dem letzten Platz landet. Zweitens kommt selbst eine Kaskade aus den jeweils schnellsten gemessenen Komponenten (gpt-4o-mini-transcribe, deepseek, google-tts-standard) nicht unter 4.1 Sekunden. Das ist mehr als doppelt so lang wie der Realtime-Bereich, noch bevor die Wartezeit des Voice-Activity-Detectors bis zum erkannten Sprechende und die Audiowiedergabe hinzukommen. Drittens zeigen die Kaskadenzeilen die sequenziellen Laufzeiten bis zur vollständigen Antwort. Eine produktive Kaskade kann den LLM-Stream direkt an ein streamingfähiges TTS weitergeben und so die beiden größten Schritte überlappen. Damit lässt sich ein großer Teil des Abstands schließen. Diese Überlappung muss jedoch selbst entwickelt und abgestimmt werden, während die 2 Sekunden der Realtime-API bereits mit der ersten geöffneten WebSocket-Session erreichbar sind.

Wofür geht die Zeit eines Kaskaden-Turns tatsächlich drauf? Hauptsächlich für die drei Requests selbst, nicht für deren Inhalt. Die reine Netzwerklatenz spielt nur eine kleine Rolle: Ein warmer HTTPS-Roundtrip zum API-Edge dauerte etwa 0.09 Sekunden. Drei serielle Schritte verursachen damit pro Turn rund 0.3 Sekunden reine Netzwerklatenz. Bei einer kalten Verbindung kommen für den TLS-Handshake weitere 0.2 Sekunden hinzu. Entscheidend ist der feste Dispatch-Aufwand jedes Requests. Um ihn zu isolieren, haben wir die Schritte der schnellsten Kombination mit nahezu leeren Payloads erneut ausgeführt: Eine LLM-Antwort mit einem Token dauerte weiterhin 2.5 Sekunden, ein Clip von einer halben Sekunde brauchte weiterhin 1.6 Sekunden für die Transkription, und die Synthese von zwei Wörtern dauerte 0.4 Sekunden. Diese Mindestzeiten summieren sich auf 4.4 Sekunden, gegenüber 4.1 Sekunden für die vollständigen Payloads. Die Differenz liegt innerhalb der Messungenauigkeit. Praktisch die gesamte Dauer eines Kaskaden-Turns entsteht also pro Request; der eigentliche Inhalt, 70 Antwort-Token statt 1 oder ein 10-mal längerer Clip, verursacht kaum zusätzliche Zeit. Daraus folgen zwei Dinge: Kürzere Antworten machen eine Kaskade nicht schneller. Maßnahmen, die einen Request entfernen oder überlappen, etwa das Streaming zwischen den Schritten und persistente Verbindungen, greifen dagegen an der tatsächlichen Ursache an. Die Realtime-API ist die konsequente Fortsetzung dieses Prinzips: Eine dauerhaft offene Socket-Verbindung verhindert, dass für jeden Turn ein neuer Request-Zyklus anfällt.

FAQ

Wie lässt sich ein Voice Agent am günstigsten betreiben?

Mit der günstigen Kaskade: qwen3-asr-flash zum Hören, deepseek-v4-flash-0731 als Sprachmodell und google-tts-standard für die Sprachausgabe. Sie kostet $0.0037 pro Gesprächsminute beziehungsweise etwa $0.04 für einen zehnminütigen Anruf. Das ist 15-mal günstiger als das Speech-to-Speech-Flaggschiff. Dafür verzichtet man auf geringe Voice-to-Voice-Latenz und natürliche Unterbrechungen.

Ist GPT Realtime teurer als ein Kaskaden-Stack?

Das Flaggschiff ja: Für gpt-realtime-2.1 haben wir $0.0573 pro Gesprächsminute gemessen, 2.3-mal so viel wie für unsere Premium-Kaskade und 15-mal so viel wie für die günstige Variante. Für gpt-realtime-2.1-mini gilt das nicht. Mit demselben Token-Profil kostet es $0.0159 pro Gesprächsminute und liegt damit zwischen Mainstream- und Premium-Kaskade. Bei der Mini-Variante entscheidet man daher nach Latenz und Kontrolle, nicht nach dem Preis.

Welcher Teil eines Voice Agents kostet am meisten?

In allen Kaskaden mit einem Sprachmodell aus der Flash-Klasse war es Text-to-Speech: $0.002 bis $0.017 pro Gesprächsminute gegenüber $0.0006 bis $0.005 für das Flash-LLM, im Mainstream-Build also 12-mal mehr. Mit einem Frontier-Sprachmodell kehrt sich das Verhältnis um: gpt-5.6 kostet $0.0110 pro Minute, tts-1 dagegen $0.0076. Innerhalb von TTS unterscheiden sich die Modelle pro Audiominute um den Faktor 8.4. Das ist der größte einzelne Stellhebel in unseren Messungen.

Beeinflusst die Gesprächssprache die Kosten?

Bei der Sprachausgabe sehr deutlich: Durch die zeichenbasierte Abrechnung ist eine Minute gesprochenes Chinesisch auf allen sechs gemessenen TTS-Modellen 3- bis 7-mal günstiger als Englisch, weil jedes Zeichen mehr gesprochene Information trägt. Bei den drei erneut geprüften Speech-to-Text-Modellen waren die Tarife für beide Sprachen gleich. Auf der Textseite ergeben sich die Unterschiede aus den sprachabhängigen Tokenizer-Kosten.

Gemessen am 2026-08-17 über das Synthorai-Gateway, alle Schritte in einem Batch: sechs TTS-Modelle mit festen englischen und chinesischen Texten, wobei die Audiodauer aus den zurückgegebenen Dateien ausgelesen wurde (je zwei Durchläufe); drei STT-Modelle mit den Standard-Testclips und Minutenkosten aus den Billing-Headern; ein geskripteter Supportdialog mit acht Turns auf drei LLMs (zwei aus der Flash-Klasse, eines aus der Frontier-Klasse), dessen Nutzung pro Turn aufgezeichnet wurde; eine Latenzmessung pro Schritt (5-sekündige Äußerung an STT, stabiler Dialog-Turn an das LLM, Antwort mit zwei Sätzen an TTS, n=3, Zeit bis zur vollständigen Antwort), eine Messung der Mindestlaufzeit mit den kleinsten Payloads auf denselben Schritten (Antwort mit einem Token, Clip von einer halben Sekunde, Synthese von zwei Wörtern, n=3) einschließlich warmer und kalter Roundtrip-Zeiten zum API-Edge sowie Live-Sessions mit GPT Realtime (5-sekündige Äußerungen, acht Turns auf dem Flaggschiff, vier auf der Mini-Variante), Lane für Lane anhand der Usage-Events von response.done abgerechnet. Die Kosten der Mini-Variante wurden aus dem gemessenen Token-Profil der Flaggschiff-Session und den Listenpreisen der Mini-Variante berechnet; ihr Latenzbereich stammt aus der eigenen Session. Die Kaskadenberechnungen gehen von gleich verteilter Sprechzeit und vier Wortwechseln pro Minute aus. Verwendet wurden die Listenpreise aus dem Modellkatalog zum Messzeitpunkt. seed-tts-2.0 ist bereits angebunden, wurde wegen noch nicht stabiler Messwerte aber ausgeschlossen. Preise und Sprechgeschwindigkeiten ändern sich; vor einer Architekturentscheidung sollten die Werte erneut gemessen werden.

Weitere Beiträge aus derselben Reihe: Speech-to-Text-Preise für 14 Modelle, Abrechnungsmechanik von GPT Realtime, Token-Kosten für Bild-Input, Preise für Videogenerierung.

← Zurück zum Blog