🎁 Neu Kostenlos registrieren, 10 Aufrufe gratis. Bis zu 1 $, ohne Karte.

GPT Realtime 2.1 vs nova-2-sonic

vs

Welches und wann — kuratiertes Fazit, keine Benchmark-Tabelle

Beide sind Echtzeit-Audio- und -Text-Modelle, die pro Million Token abgerechnet werden, sodass die Raten direkt vergleichbar sind: nova-2-sonic berechnet $3 Audio In und $12 Audio Out im Vergleich zu $32 und $64 bei gpt-realtime-2.1, und $0.06/$0.24 für Text gegenüber $4/$24, mit 1000000 Kontext und 64000 max Output anstelle von 128000 und 32000. Wählen Sie nova-2-sonic für lange, kostensensible Sprach-Sitzungen, wenn sein 8-minütiges Verbindungslimit und die ausschließliche In-Region-Inferenz für Sie passen; wählen Sie das neuere gpt-realtime-2.1 (veröffentlicht am 2026-07-06), wenn Sie Cached-Input-Reads für $0.4 und keine solche Sitzung oder Region wünschen

Preise

GPT Realtime 2.1 nova-2-sonic Δ
Audio-Input / 1M Token $32 $3 11×
Audio-Output / 1M Token $64 $12 5.3×
Audio-Cache-Read / 1M Token $0.4
Text-Input / 1M Token $4 $0.06 67×
Text-Output / 1M Token $24 $0.24 100×
Cache-Schreiben keine separate Gebühr keine separate Gebühr

Preise aus dem Live-Katalog zum Zeitpunkt des Builds; jede Modellseite enthält die aktuelle Übersicht.

Wo sie stehen — Preis pro 1M Audio-Tokens über alle 6 Echtzeit-Speech-to-Speech-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)

Fähigkeiten

GPT Realtime 2.1 nova-2-sonic
Prompt-Caching implizit (automatisch) nicht unterstützt
Cache-Lebensdauer 5–10m, up to 1h nicht zutreffend
Minimales gecachtes Präfix 1024 Tokens nicht zutreffend

Spezifikationen

GPT Realtime 2.1 nova-2-sonic
Input-Modalitäten Text Audio Text Audio
Ausgabemodalitäten Text Audio Text Audio
Veröffentlicht 2026-07-06 2025-12-02
Wissensgrenze 2024-09
Stimmen

Feminine- and masculine-sounding voices per locale (tiffany/matthew en-US, amy en-GB, olivia en-AU, kiara/arjun en-IN and hi-IN, ambre/florian fr-FR, beatrice/lorenzo it-IT, tina/lennart de-DE, lupe/carlos es-US, carolina/leo pt-BR)

tiffany and matthew are polyglot voices that speak every supported language.

Session-Fähigkeiten
  • Speech-to-speech over WebSocket
  • configurable reasoning effort
  • tool use
  • interruption handling
  • 128K context
  • Intelligent turn-taking with configurable endpointing sensitivity
  • graceful interruption handling without losing context
  • function calling with asynchronous tool handling (the assistant keeps speaking while tools run)
  • RAG grounding
  • mixed audio and text input in one conversation
  • 8-minute connection limit
Kontextfenster 128K 1M

Die Spezifikationen sind aus der Dokumentation der jeweiligen Anbieter übernommen; eine Zeile, die ein Anbieter nicht veröffentlicht, wird weggelassen und nicht abgeleitet. Vollständige Quellen: GPT Realtime 2.1 · nova-2-sonic

Mit einer Zeile zwischen ihnen wechseln

Beide IDs befinden sich in jedem Tab unten — das hervorgehobene Zeilenpaar ist die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiche Request-Struktur.

import asyncio, base64, json, websockets

URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1"
# URL = "wss://synthorai.io/v1/realtime?model=nova-2-sonic"  # diese Zeile einkommentieren, die darüberliegende auskommentieren
# Send ONLY the Authorization header — the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}

async def main():
    async with websockets.connect(URL, additional_headers=HEADERS) as ws:
        # 1) configure the speech-to-speech session
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "output_modalities": ["audio"],
                "audio": {"output": {"voice": "alloy"}},
            },
        }))
        # 2) send input audio (base64 PCM16), then request a spoken reply
        await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
        await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
        await ws.send(json.dumps({"type": "response.create"}))
        # 3) stream the model's audio (and text) back
        async for raw in ws:
            ev = json.loads(raw)
            if ev["type"] == "response.audio.delta":
                play(base64.b64decode(ev["delta"]))   # audio out
            elif ev["type"] == "response.done":
                break

asyncio.run(main())

API-Schlüssel holen →

FAQ

Welches ist günstiger, GPT Realtime 2.1 oder nova-2-sonic?

nova-2-sonic ist günstiger bei audio-input / 1m token ($3 vs. $32, 11× Unterschied). Andere Zeilen können in die andere Richtung deuten — die obige Tabelle enthält alle Daten, und die tatsächlichen Kosten hängen von Ihrem Mix ab.

Kann ich GPT Realtime 2.1 gegen nova-2-sonic ohne zwei Integrationen A/B-testen?

Ja. Beide werden über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel bereitgestellt — der Wechsel ist eine einzeilige Änderung des Modell-Strings, sodass Sie einen Bruchteil des Traffics an jedes Modell leiten und die Rechnungen direkt vergleichen können.

Unterstützen GPT Realtime 2.1 und nova-2-sonic Prompt-Caching?

Preise für Cache-Reads sind in unserem Feed nur für eines der beiden Modelle aufgeführt; wo ein Preis fehlt, berechnet der Anbieter Cache-Reads nicht separat.

Verwandte Vergleiche