De bedste speech-to-speech AI-API'er i realtid til telefonopkald (2026)

De bedste speech-to-speech AI-tjenester i realtid til telefonopkald i 2026 er Retell AI, OpenAI Realtime API, OpenAI GPT-Live-1, Google Gemini Live API, Amazon Nova 2.5 Sonic, Deepgram Voice Agent API og AssemblyAI Voice Agent API.

Retell er det rette valg, når opkaldene er rigtige telefonopkald i produktion, fordi platformen pakker en speech-to-speech-model ind i den telefoni, viderestilling og test, som en telefonlinje kræver. De øvrige seks er model- eller pipeline-API'er. De giver dig stemmeloopet og overlader det meste af telefonsystemet, overdragelsen til et menneske og QA til dig.

Retell AI udgiver denne liste og er en af de sammenlignede muligheder. Konkurrenternes priser og funktioner stammer fra hver leverandørs offentlige pris-, model- eller dokumentationsside, læst den 22. oktober 2026, og der linkes til dem, hvor de citeres.

Sådan har vi udvalgt og sammenlignet mulighederne. Vi har medtaget alle API'er, der modtager live-lyd og returnerer tale i realtid, og som et team kan sætte bag et telefonnummer: native speech-to-speech-modeller fra OpenAI, Google og Amazon, to samlede stemmeagent-API'er fra Deepgram og AssemblyAI samt Retell som platformslaget. Vi har sammenlignet dem ud fra fem kriterier (se nedenfor) udelukkende på baggrund af information, som leverandørerne selv har offentliggjort. Vi har ikke foretaget testopkald eller kørt en latenstest, så artiklen indeholder hverken scorer eller latenstal.

TL;DR

• Native speech-to-speech-modeller: OpenAI gpt-realtime-2.1, OpenAI GPT-Live-1, Gemini 3.8 Live og Amazon Nova 2.5 Sonic tager lyd ind og returnerer lyd i én og samme model.
• Samlede stemmeagent-API'er: Deepgram og AssemblyAI kører speech-to-text, en LLM og text-to-speech bag én WebSocket og én minutpris.
• Laveste offentliggjorte lydpriser pr. minut: Gemini 3.8 Live med $0,005 pr. minut ind og $0,018 pr. minut ud, som Google omregner fra $3 og $12 pr. 1 mio. lydtokens.
• Faste minutpriser: GPT-Live-1 til $0,05 pr. minut for stemmelaget (backendmodellen faktureres separat), Deepgram fra $0,075 pr. minut og AssemblyAI til $0,075 pr. minut alt inklusive.
• Direkte SIP: OpenAI modtager SIP-opkald på både sin Realtime API og sine Live-sessioner, og AssemblyAI modtager SIP via din egen Twilio-konto. For Gemini Live henviser Googles dokumentation til partnerintegrationer som LiveKit og Pipecat.
• AI-telefonagenter i produktion: Retell kører OpenAIs realtidsmodeller, Grok Voice eller en standard LLM-pipeline og tilføjer assisteret viderestilling, IVR-navigation, simuleringstest og analyse efter opkald.

Hvordan klarer de 7 API'er sig i sammenligningen?

Den afgørende forskel er, om du køber en model eller en AI-telefonagent. Tabellen viser, hvad hver mulighed er, hvordan et telefonopkald når frem til den, og dens offentliggjorte pris den 22. oktober 2026.

Sådan har vi sammenlignet hver API

Vi har set på fem ting, som et telefonopkald afslører, og som en browserdemo skjuler:

1. Telefonirute. Kan et PSTN-opkald nå modellen, uden at du skal drive en medieserver?
2. Turtagning under virkelige forhold. Dokumenterer leverandøren håndtering af afbrydelser i live-opkald?
3. Værktøjskald under tale. Kan agenten slå en ordre op, mens den bliver ved med at tale?
4. Overdragelse til et menneske. Er assisteret viderestilling indbygget, eller er det din kode?
5. Omkostninger, du kan forudsige. Faktureres der pr. minut eller pr. token, og hvad ligger uden for måleren?

Leverandørernes latenspåstande måles forskelligt og er ikke sammenlignelige, så ingen af dem optræder her.

Retell AI

Retell AI er det bedste valg, når en speech-to-speech-model skal klare rigtige telefonopkald, fordi platformen håndterer alt omkring modellen: numre, overdragelse, telefonsvarer og test.

Retells API angiver speech-to-speech-muligheder, herunder OpenAIs gpt-realtime-familie (gpt-realtime-2.1, gpt-realtime-2 m.fl.) og Grok Voice 3.0, som ét valg blandt de understøttede modeller. Du kan også køre en agent på en standardpipeline med den LLM, du foretrækker, og beholde den samme telefoni, viderestilling og test uanset hvad. Se modelmulighederne i API-referencen.

Som dokumentation for svære opkald kørte Cekura en benchmark med 414 opkald på seks stemmeplatforme (Retell, ElevenLabs, Pipecat, LiveKit, Synthflow og Vapi) på ét reguleret Medicare-workflow. Retell bestod 22 ud af 23 evalueringer og førte med 95,7 % workflownøjagtighed, hvor kun tjek, der bestod i alle tre kørsler, blev talt med. De svære tilfælde omfattede en, der ringer og afbryder oplysningsteksten for at kræve plandetaljer, et familiemedlem, der ringer på vegne af en begunstiget, og en, der beder agenten om at love, at en plan dækker vedkommendes medicin. Det er en platformsbenchmark på ét workflow, ikke en sammenligning af speech-to-speech-modeller.

Det får du oven i modellen:

• Telefoni: køb amerikanske eller canadiske numre i dashboardet, eller importér dine egne via SIP-trunking, herunder Twilio og Vonage.
• Overdragelse: uassisteret, assisteret og agentisk viderestilling af opkald til en person med en kontekstuel briefing ved assisteret viderestilling.
• Udgående telefoni: registrering af telefonsvarer og IVR-navigation gennem andre virksomheders telefonmenuer.
• Test og QA: simuleringstest før lancering og derefter analyse efter opkald og AI-kvalitetssikring af opkald i produktion.

Priser: fra $0,07 pr. minut på Retells prisside.

Vær opmærksom på: Retell er en platform, ikke et rå model-endpoint. Hvis du selv vil styre hver eneste frame i lydpipelinen, så start hellere med en model-API.

OpenAI Realtime API (gpt-realtime-2.1)

OpenAI Realtime API er valget for teams, der vil have en rå speech-to-speech-model med GPT-ræsonnering og selv vil bygge resten af telefonstacken.

gpt-realtime-2.1 tager lyd ind og returnerer lyd, understøtter konfigurerbar ræsonneringsindsats og function calling og opdaterer gpt-realtime-2 med bedre genkendelse af alfanumeriske tegn, håndtering af stilhed og støj samt bedre adfærd ved afbrydelser. OpenAI angiver de samme priser for begge modeller.

Den kan også besvare et telefonopkald uden en separat bro. Ifølge OpenAIs SIP-guide retter du en SIP-trunk mod OpenAIs SIP-endpoint, accepterer eller afviser hvert opkald med dets opkalds-ID og kan viderestille det med en SIP REFER.

Priser: $32 pr. 1 mio. lydinputtokens og $64 pr. 1 mio. lydoutputtokens plus $4 og $24 pr. 1 mio. teksttokens. Højere ræsonneringsindsats kan øge latensen og forbruget af outputtokens.

Vær opmærksom på: tokenfaktureringen vokser med samtalens længde, fordi konteksten akkumuleres. Optagelse, QA, genforsøg og logik for eskalering til et menneske skal du selv bygge.

OpenAI GPT-Live-1

GPT-Live-1 passer bedst, når naturlig turtagning betyder mere end at have ræsonnering inde i stemmemodellen. Det er en full-duplex-model, der lytter og taler på samme tid og uddelegerer ræsonnering og værktøjsbrug til en backendagent. Vores guide til GPT-Live-1 viser, hvordan den opdeling fungerer på en AI-telefonagent.

Den kører på OpenAIs Live sessions-endpoint, ikke Realtime-endpointet, så den kan ikke uden videre erstatte gpt-realtime-2.1. Ifølge OpenAIs guide til stemme og SIP kommer indgående opkald ind via SIP, og udgående SIP-opkald er tilgængelige via Live API, når det er aktiveret for din organisation. Ringetid er begrænset til 3 minutter og et forbundet opkald til 2 timer.

Priser: $0,05 pr. sessionsminut, faktureret pr. sekund, hvor forbrug af backendmodel og værktøjer faktureres separat.

Vær opmærksom på: samtidighed er begrænset efter niveau med 50 sessioner på Build, 300 på Launch og 500 på Grow, og indgående SIP kræver, at GPT-Live SIP-understøttelse er aktiveret for dit projekt.

Google Gemini Live API

Gemini Live API har de laveste lydpriser pr. minut blandt de offentliggjorte priser. Gemini 3.8 Live og Gemini 3.8 Live Extended Thinking blev generelt tilgængelige den 15. september 2026, og begge angiver $0,005 pr. minut for lyd ind og $0,018 pr. minut for lyd ud på Googles prisside. Minutpriserne står ved siden af $3 og $12 pr. 1 mio. lydtokens, så de er en omregning og ikke en separat måler.

Extended Thinking-modellen understøtter ræsonnering i baggrunden under opkaldet, og Google Search grounding understøttes på det betalte niveau med 5.000 gratis søgeforespørgsler om måneden og derefter $14 pr. 1.000.

Vær opmærksom på: Googles guide til Live API nævner partnerintegrationer som LiveKit og Pipecat og beskriver ingen SIP-trunk-rute, så planlæg med en bro foran Live API. Outputprisen omfatter thinking-tokens, så minutprisen er et minimum.

Amazon Nova 2.5 Sonic

Amazon Nova 2.5 Sonic er standardvalget for teams, der allerede bygger på AWS Bedrock. AWS gjorde den generelt tilgængelig den 5. oktober 2026 med forbedret ræsonnering, instruktionsfølgning og nøjagtighed ved værktøjskald, lavere latens, udtryksfulde stemmer på syv sprog, styrbar turtagning, asynkrone værktøjskald og et kontekstvindue på 256K.

AWS' Strands Bidi Agents-framework, der nu er generelt tilgængeligt, er AWS' vej til at bygge en stemmeagent med få linjer kode.

Priser: AWS angiver Nova 2.5 Sonic til samme pris som Nova 2 Sonic. Se Amazon Novas prisside for aktuelle priser pr. token, som indlæses dynamisk.

Vær opmærksom på: den er tilgængelig i fire Bedrock-regioner (N. Virginia, Oregon, Stockholm, Tokyo), og syv sprog er færre end hos nogle af de andre muligheder her. Annonceringen beskriver ingen telefonrute, så bekræft, hvordan opkald når modellen, før du forpligter dig.

Deepgram Voice Agent API

Deepgrams Voice Agent API er valget for teams, der vil have Deepgrams talegenkendelse med mulighed for at bruge deres egen LLM eller stemme. Den kører speech-to-text, en LLM og text-to-speech bag én WebSocket og én minutmåler, og Deepgrams dokumentation indeholder guides til indgående og udgående telefoniagenter til Twilio og Plivo.

Priser: $0,075 pr. minut på Standard-niveauet med betal efter forbrug og $0,163 på Advanced med lavere priser, hvis du bruger din egen LLM eller TTS.

Vær opmærksom på: det er en kaskaderet pipeline, ikke en native speech-to-speech-model. Konti med betal efter forbrug er begrænset til 45 samtidige Voice Agent-forbindelser (60 på Growth), hvilket får betydning første gang, en kampagne ringer ud.

AssemblyAI Voice Agent API

AssemblyAIs Voice Agent API er valget, når transskriptionsnøjagtighed afgør, om agenten virker, for eksempel ved navne, kontonumre og adresser. Den kører AssemblyAIs talemodel Universal-3.6 Pro Realtime, en LLM og TTS bag én WebSocket.

Priser: fast $4,50 pr. time ($0,075 pr. minut), der dækker speech-to-text, LLM og TTS, faktureret pr. sessionsminut ifølge AssemblyAIs prisreference. Til telefonopkald oplyser AssemblyAIs dokumentation, at Twilio sender opkald videre til AssemblyAI via SIP, så der er ingen medieserver eller webhook at drive. SIP-trunken og nummeret ligger i din egen Twilio-konto.

Vær opmærksom på: ligesom Deepgram er den kaskaderet, ikke native audio-to-audio, så du får en transskription ved hver tur, men ikke en model, der hører tonefaldet direkte.

Skal du bruge en native speech-to-speech-model eller en kaskaderet pipeline?

Brug en native speech-to-speech-model, når tonefald og hurtig turtagning betyder mere end kontrol over hvert trin, og en kaskaderet pipeline, når du har brug for at se og rette det, agenten hørte. En native model tager lyd ind og returnerer lyd uden et separat transskriptionstrin. En kaskaderet pipeline giver dig en transskription ved hver tur, hvilket gør det lettere at fejlsøge et forkert kontonummer eller håndhæve et compliance-script.

Uanset hvad tilføjer en telefonlinje arbejde, som modellen ikke udfører: håndtering af afbrydelser, gendannelse ved viderestilling og test mod opkald, der afviger fra scriptet. Hvis du vil vide mere om, hvordan de to designs adskiller sig, så læs hvordan stemme-AI i realtid fungerer. Hvis du skal vælge ræsonneringsmodellen bag en kaskaderet agent, så se de bedste LLM'er til AI-stemmeagenter og de bedste speech-to-text-modeller.

Hvordan vælger du den rigtige API til dine opkald?

Tag udgangspunkt i, hvor opkaldet lander, og hvem der ejer fejlen. Fire spørgsmål afgør det:

1. Kommer opkaldene fra telefonnettet? Hvis ja, så fravælg alt, der kræver en bro, du ikke vil drive, eller vælg en platform, der inkluderer telefoni. Vores guide til SIP-trunking og moderne telefoni dækker teleudbydersiden.
2. Hvad sker der, når agenten ikke kender svaret? Hvis en person skal overtage med kontekst, har du brug for assisteret viderestilling, ikke bare et endpoint, der lægger på.
3. Kan du forudsige regningen? Priser pr. minut (GPT-Live-1, Deepgram, AssemblyAI) er lettere at budgettere med end priser pr. token, hvor lange opkald koster mere pr. minut.
4. Hvem retter et mislykket opkald? Hvis dit driftsteam og ikke dine udviklere skal justere prompts og flows, så vælg en platform med indbygget test og versionering.

FAQ

Hvad er en speech-to-speech AI-API?

En speech-to-speech AI-API tager lyden fra den, der ringer, og returnerer talt lyd fra én model uden et separat transskriptions- og stemmetrin. OpenAI gpt-realtime-2.1, GPT-Live-1, Gemini 3.8 Live og Amazon Nova 2.5 Sonic fungerer på denne måde.

Hvilken speech-to-speech-API er billigst til telefonopkald?

Gemini 3.8 Live angiver de laveste lydpriser pr. minut med $0,005 pr. minut for lyd ind og $0,018 pr. minut for lyd ud, omregnet af Google fra $3 og $12 pr. 1 mio. lydtokens. Din reelle omkostning lægger telefoni, en eventuel bro, du driver, og thinking-tokens, der faktureres som output, oveni. AWS angiver Nova 2.5 Sonic til samme pris som Nova 2 Sonic, og OpenAI fakturerer Realtime API pr. token, så sammenlign ud fra din egen opkaldslængde.

Kan jeg forbinde OpenAI Realtime API til et telefonnummer?

Ja. Ret en SIP-trunk fra en teleudbyder som Twilio mod OpenAIs SIP-endpoint, og acceptér derefter hvert opkald med dets opkalds-ID. Viderestilling sker med en SIP REFER.

Understøtter Retell speech-to-speech-modeller?

Ja. Retells API angiver speech-to-speech-muligheder, herunder OpenAIs gpt-realtime-familie og Grok Voice 3.0, og en Retell-agent kan i stedet køre på en standardpipeline med den LLM, du vælger. Telefoni- og viderestillingsfunktionerne er de samme uanset hvad.

Hvad sker der, når AI-agenten ikke kan svare?

Med en model-API skriver du selv eskaleringslogikken. Med Retell kan agenten foretage en uassisteret, assisteret eller agentisk viderestilling af opkald til en person, og en assisteret viderestilling sender en kontekstuel briefing med, så den, der ringer, ikke skal gentage sig selv.

Kan jeg beholde mit eksisterende telefonnummer?

Med Retell, ja: Du kan importere et eksisterende nummer via SIP-trunking i stedet for at købe et nyt. Med model-API'erne afhænger det af den SIP-trunk eller bro, du driver.

Prøv det på dine egne opkald

Et demoscript kan ikke skille disse API'er fra hinanden; det kan dine egne opkald. Byg en Retell-agent gratis, vælg en speech-to-speech- eller standardmodel, og test den mod de opkald, dit team synes er sværest.