Einordnung
GPT-Realtime-Whisper ist ein Streaming-Spracherkennungsmodell für die Echtzeittranskription. Es wandelt gesprochene Sprache bereits während des Sprechens in Text um und ist über die Realtime API verfügbar. OpenAI veröffentlichte es am 7. Mai 2026. (openai.com)
Fähigkeiten und Einsatz
- Gibt laufend Textfragmente mit geringer Latenz aus; die Verzögerung lässt sich gegen die Transkriptionsgenauigkeit abwägen.
- Geeignet beispielsweise für Live-Untertitel und Besprechungsnotizen, die dem Gespräch folgen.
- In allgemein verfügbaren Realtime-Sitzungen kann
delayaufminimal,low,medium,highoderxhighgesetzt werden. (openai.com)
Grenzen
- Audio wird nur als Eingabe unterstützt, nicht als Audioausgabe. Bilder und Video werden nicht unterstützt.
- Funktionsaufrufe, strukturierte Ausgaben und Fine-Tuning werden nicht unterstützt. In allgemein verfügbaren Realtime-Sitzungen wird
promptfür dieses Modell nicht unterstützt. - Das dokumentierte Kontextfenster beträgt 16.000 Token, die maximale Ausgabe 2.000 Token. (developers.openai.com)
Preis
Für die Echtzeittranskription berechnet OpenAI 0,017 USD pro Minute Audiodauer. Die Abrechnung richtet sich nach der Dauer des Eingabeaudios, nicht nach Text-Token; separate Tokenpreise für Eingabe und Ausgabe sind für dieses Modell nicht ausgewiesen. Abgerufen am 16. November 2026. (developers.openai.com)