ElevenLabs oder GPT Realtime? Warum wir am Telefon die Kette wählen
Am Telefon soll Ihr Assistent keinen falschen Preis nennen. GPT Realtime klingt flüssiger, ist vor dem Sprechen aber nicht prüfbar, deshalb die Kette mit ElevenLabs.
Stand: 11.11.2026. Ranglisten von Artificial Analysis und Coval, Preise von den Seiten der Anbieter, alles am 11.11.2026 gelesen. Die Zeiten unseres Aufbaus sind auf der Tonspur von Messanrufen über eine echte Telefonleitung gemessen.
Damit Ihr Telefonassistent keinen falschen Preis nennt, raten wir zur Kette aus Spracherkennung, Sprachmodell und einer Stimme von ElevenLabs. Modelle, die in einem Schritt hören und sprechen, etwa GPT Realtime von OpenAI, klingen im Gespräch flüssiger. Was so ein Modell sagt, lässt sich aber vor dem Sprechen nicht prüfen. Am Telefon wiegt das schwerer als der Klang. In unabhängigen Ranglisten liegen die Sprachmodelle von OpenAI zudem weder bei der Stimme noch beim Befolgen von Anweisungen vorn.
Zwei Bauweisen für einen Telefonassistenten
Die Kette. Eine Spracherkennung schreibt mit, was der Anrufer sagt. Ein Sprachmodell liest den Text und schreibt die Antwort. Eine Stimme spricht sie. Jedes Glied ist austauschbar, und zwischen Modell und Stimme liegt Text, den der Code prüfen kann.
Das Modell in einem. Ein Modell nimmt Ton entgegen und gibt Ton aus. Dazu gehören gpt-realtime-2.1 und GPT-Live-1 von OpenAI, die Live-Modelle von Google Gemini und Grok Voice. Laut OpenAI hört GPT-Live-1 zu und spricht zugleich, sagt „mhm“, während der andere redet, und lässt sich unterbrechen wie ein Mensch. Was so ein Modell sagt, entsteht im selben Schritt, in dem es gesprochen wird.
Was die Ranglisten zeigen
Drei unabhängige Messungen helfen bei der Wahl. Nur eine davon misst Deutsch getrennt.
- Die Stimme allein. In der Blindvergleich-Rangliste für Stimmen von Artificial Analysis stimmen Hörer ab, welche von zwei Aufnahmen natürlicher klingt. In der allgemeinen Rangliste mit englischen Stimmen steht Eleven v4 Turbo auf Platz zwei, statistisch gleichauf mit Eleven v4. Die Stimme von GPT Realtime steht dort auf Platz 58. In der deutschen Rangliste, in der nur Muttersprachler abstimmen, liegt Eleven v4 Turbo auf Platz eins. GPT Realtime ist dort nicht gelistet.
- Das ganze Gespräch. In der Arena für Sprachagenten bewerten Hörer ganze Gespräche, etwa eine Terminbuchung. Dort liegt gpt-realtime-2.1 auf Platz 17 bis 18 von 30, hinter seinem Vorgänger und hinter der Standard-Kette von ElevenLabs Agents.
- Anweisungen befolgen. Coval lässt Modelle einen Bankanruf mit fester Prüfreihenfolge führen. GPT-Live-1 hielt die Reihenfolge in 75 Prozent der Gespräche ein und teilt sich damit den letzten Platz. Gemini 3.8 Live kam auf 99 Prozent.
Für Ihren Betrieb zählt die dritte Zahl am meisten. Ein Telefonassistent muss erst das Anliegen klären, dann den Termin, und darf keinen Preis ohne Freigabe nennen. Einen Assistenten, der jedes vierte Gespräch anders führt als vorgegeben, können Sie am Telefon kaum verantworten.
Die Prüfung vor dem Sprechen: keine falsche Zahl am Telefon
In den Assistenten, die wir bauen, läuft jeder Satz durch eine Prüfung, bevor die Stimme ihn spricht. Nennt das Modell einen Preis, eine Frist oder eine Zahl, die nicht in den freigegebenen Angaben des Betriebs steht, wird der Satz ersetzt. Begriffe aus dem Innenleben des Systems werden gestrichen. Ziffern schreibt der Code in gesprochenes Deutsch um, damit die Stimme „vierzehn Uhr dreißig“ sagt und keine Zahlen buchstabiert.
In einer Kette ist das ein Stück Code zwischen zwei Systemen. Bei einem Modell in einem gibt es diese Stelle nicht. OpenAI bietet für GPT-Live-1 einen Weg, bei dem das eigene System die Entscheidungen trifft und das Sprachmodell das Gespräch führt. Die Füllsätze und die Formulierung bleiben aber beim Modell. Dürfen Sie im Gespräch keine falsche Zahl riskieren, etwa als Kanzlei oder mit festen Preisen, brauchen Sie die Prüfung.
Wie schnell beide Wege antworten
Die Kette braucht mehr Schritte und ist dadurch langsamer. In unseren Messungen liegt die Lücke zwischen dem Ende einer Frage und dem ersten Ton der Antwort ohne Optimierung im Schnitt bei 1,65 Sekunden. Mit einem kurzen „Mhm“ sofort nach der Frage kommt der erste Ton nach 0,62 bis 0,66 Sekunden. Die Antwort folgt nach 1,1 bis 1,9 Sekunden. Wie wir messen, steht im Beitrag Erfahrungen aus dem Bau von KI-Telefonassistenten.
Laut Artificial Analysis setzt gpt-realtime-2.1 nach 1,21 Sekunden ein. Coval misst für GPT-Live-1 bei 95 Prozent der Antworten höchstens 1,7 Sekunden. Der Abstand ist kleiner, als die Bauweise vermuten lässt.
Was beide Wege je Minute kosten
| Bauweise | Preis | Was dazukommt |
|---|---|---|
| Kette über Twilio ConversationRelay mit Stimme von ElevenLabs | 0,07 $ je Minute laut Preisliste | Sprachmodell, eingehender Anruf 0,01 $ je Minute |
| ElevenLabs Agents | 0,08 $ je Minute über dem Kontingent | Sprachmodell, Telefonleitung |
| gpt-realtime-2.1 | 32 $ je Million Token Ton rein, 64 $ raus | Telefonleitung |
| GPT-Live-1 | 0,05 $ je Minute | Modell und Werkzeuge dahinter, Telefonleitung |
Bei gpt-realtime-2.1 zählt OpenAI einen Token je 100 Millisekunden Anrufer-Ton und einen je 50 Millisekunden Antwort. Eine Minute, in der nur der Anrufer spricht, kostet damit rund 2 US-Cent, eine Minute Antwort rund 8 US-Cent. Weil das Modell bei jeder Antwort den bisherigen Verlauf neu liest, liegt der echte Preis darüber. Für gpt-realtime-2.1 nennt Artificial Analysis 10,75 bis 11,31 US-Dollar je Stunde Eingangston. Die Realtime-Modelle von OpenAI sind die teuersten seiner Liste, Gemini 3.8 Live kostet dort 0,84 US-Dollar je Stunde. Was ein ganzer Assistent im Monat kostet, steht im Beitrag Was kostet ein KI-Telefonassistent?
Wann ein Modell in einem die bessere Wahl ist
- Wenn der Klang wichtiger ist als jede einzelne Zahl. Etwa bei einer Hotline, die Fragen beantwortet, aber nichts zusagt.
- Wenn Anrufer oft unterbrechen. Ein Modell in einem reagiert darauf schneller.
- Wenn Sie ohnehin mit OpenAI oder Google arbeiten und Daten, Verträge und Abrechnung dort liegen.
Für Kanzleien, Werkstätten, Makler und Handwerk gilt das selten. Dort zählt, dass der Assistent keine falsche Frist und keinen falschen Preis nennt. Gemini 3.8 Live befolgt Anweisungen bei Coval in 99 Prozent der Gespräche. Für Deutsch und die Datenhaltung in der EU haben wir es nicht geprüft, und die Prüfung vor dem Sprechen fehlt auch dort. Sobald ein Modell in einem diese Prüfung zulässt, testen wir es an einer Testnummer neben dem bestehenden Aufbau.
Welche Stimme auf Deutsch trägt
Für ganze Gespräche auf Deutsch haben wir keine Rangliste gefunden. Für die Stimme allein gibt es eine, und dort liegt Eleven v4 Turbo vorn. Über eine Telefonleitung klingt eine Stimme aber anders als im Browser. Wir haben deshalb am Telefon selbst gehört. Mehrere deutsche Stimmen von ElevenLabs liefen im Vergleich gegeneinander, eine davon spielte über die Telefonleitung nicht. Am Ende hat sich eine Stimme im Direktvergleich durchgesetzt. Eine deutsche Stimme von OpenAI haben wir am Telefon nicht gehört. Hören Sie vor der Wahl beide Wege mit denselben drei Sätzen über eine echte Telefonleitung.
Einen Assistenten, der Anrufe annimmt und nur freigegebene Angaben nennt, beschreibt die Seite zum KI-Telefonassistenten.
Häufige Fragen
Was ist der Unterschied zwischen ElevenLabs und GPT Realtime?
ElevenLabs liefert vor allem Stimmen und eine Plattform, auf der Spracherkennung, Sprachmodell und Stimme als Kette zusammenarbeiten. GPT Realtime von OpenAI ist ein Modell, das Ton hört und Ton spricht, ohne Text dazwischen. Die Kette lässt sich vor dem Sprechen prüfen, das Modell in einem klingt im Gespräch flüssiger.
Wie gut ist GPT Realtime auf Deutsch?
Für ganze Gespräche auf Deutsch haben wir keine unabhängige Messung gefunden. In der deutschen Stimmen-Rangliste von Artificial Analysis ist GPT Realtime nicht gelistet, in der allgemeinen mit englischen Stimmen steht es auf Platz 58. In der Arena für ganze Gespräche liegt gpt-realtime-2.1 auf Platz 17 bis 18 von 30.
Was kostet GPT Realtime je Minute?
OpenAI rechnet gpt-realtime-2.1 in Token ab: 32 US-Dollar je Million Token Eingangston und 64 US-Dollar Ausgabe. Das sind rund 2 US-Cent je Minute Anrufer-Ton und 8 US-Cent je Minute Antwort. Im Gespräch wird es mehr, weil das Modell den Verlauf bei jeder Antwort neu liest.
Welche Stimme nutzt Blacklyne für Telefonassistenten?
Deutsche Stimmen von ElevenLabs mit dem Modell v4 Turbo, über Twilio ConversationRelay. Der Betrieb wählt seine Stimme aus Proben, gehört über eine echte Telefonleitung.
Hier geht es mit dem Thema weiter.
Alle Artikel im Ratgeber- KI-Telefonassistent und DSGVO: Vier Pflichten vor dem ersten Anruf Mit vier Pflichten nimmt Ihr KI-Telefonassistent Anrufe DSGVO-konform an: KI-Hinweis, kein Ton ohne Einwilligung, Vertrag je Dienst, Information des Anrufers.
- KI-Chatbot auf der Website: Für viele Betriebe kommt zuerst das Telefon Neue Kunden bringt ein Chatbot kaum, er bedient die Besucher, die schon da sind.
- Wird Google durch KI ersetzt? Was das für Ihre Kunden heißt Nein. Kunden finden Sie, wenn Sie bei Google und in der KI stehen.
Drei Betriebe stehen vor Ihnen. Die bekommen Ihre Anfragen.
Wer in Ihrem Ort sucht, sieht eine Handvoll Namen. Steht Ihrer nicht darunter, ist der Auftrag vergeben, bevor Sie davon erfahren. Im Gespräch erfahren Sie, woran es liegt.
Ablauf des Gesprächs
- Vorab prüfen wir, wo Sie bei Google und auf der Karte stehen, welche Betriebe in Ihrem Ort an Ihrer Stelle genannt werden und welche Fragen Ihre Seite einem Suchenden beantwortet.
- Im Termin gehen wir die Befunde an Ihrer eigenen Seite durch. Sie sehen, welche Anfragen Ihnen heute verloren gehen und warum.
- Am Ende stehen die Maßnahmen, ihre Reihenfolge und der Preis. Rechnet es sich für Ihren Betrieb nicht, sagen wir ab. Das kommt vor.