OpenAI hat Entwicklern das GPT-Live-1 zur Verfügung gestellt – dasselbe Full-Duplex-Sprachmodell, das bereits im ChatGPT läuft. Seit dem 10. September 2026 lässt sich diese gleichzeitige Unterhaltung – also das gleichzeitige Zuhören und Sprechen – direkt in Apps, Telefonsupport und Workflows einbinden, ohne die bisherige, komplexe Kette aus Spracherkennung, Textmodell und Sprachsynthese aufbauen zu müssen.
Bildnachweis: OpenAI — Quelle: Wikimedia Commons
Was ist passiert?
In der offiziellen Ankündigung beschreibt das Unternehmen GPT-Live-1 als die sprachliche Interaktionsebene: Sie steuert das Sprechtempo, Unterbrechungen und die typischen Füllwörter des Nutzers und kann die eigentliche Denkarbeit an ein anderes Modell übergeben. Dieses Backend kann GPT-6 Astra, ein günstigeres Modell von OpenAI selbst oder sogar ein System von Drittanbietern sein.
Die Sprachebene kostet 0,05 US-Dollar pro Minute und wird sekundengenau abgerechnet. Tokens für das Denkmodell und Tools fallen separat an. Die Verbindung ist über WebRTC im Browser, WebSocket auf dem Server oder SIP für Telefonanrufe möglich.
Wie es in der Praxis funktioniert
Bei älteren Sprachagenten durchlief das Audio nacheinander drei verkettete Schritte. Jeder dieser Schritte fügte Verzögerungen hinzu und brachte das Timing durcheinander, wenn der Gesprächspartner dem System ins Wort fiel. GPT-Live-1 verarbeitet Audio-Ein- und Ausgaben im selben Modell. Wenn Sie mitten im Satz unterbrechen, passt es den Kurs an, ohne darauf zu warten, dass der Sprechwechsel offiziell „beendet“ ist.
Das bedeutet jedoch nicht, dass das Sprachmodell komplexe Probleme allein löst. OpenAI trennt die Aufgaben klar: Die Sprache fließt fließend weiter, während das Backend Tools abfragt, ein Repository durchsucht oder eine längere Antwort generiert. Das Unterbrechen der Sprachausgabe bricht die Arbeit im Hintergrund nicht automatisch ab.
Es gibt zwölf neue Stimmen – Quartz, Ripple, Vesper, Willow, Stone, Gleam, Meridian, Bossa, Tempo, Beacon, Delta und Cinder –, und Entwickler können Tonfall, Rhythmus sowie Stil über den System-Prompt steuern.
Was die Zahlen von OpenAI zeigen
Es handelt sich hierbei um unternehmensinterne Evaluierungen und nicht um ein unabhängiges Ranking. Mit GPT-6 Astra im Backend bei mittlerer Auslastung soll GPT-Live-1 83,6 % der Tau3-Aufgaben im ersten Anlauf gelöst haben, verglichen mit 45,7 % beim GPT-Realtime-2.1. Tau3 simuliert gesprochenen Kundenservice in den Bereichen Fluggesellschaften, Einzelhandel und Telekommunikation.
In einem anderen Test sank die Latenz beim Sprechwechsel von 1,41 Sekunden auf etwa 0,8 Sekunden. Im Full Duplex Bench verzeichnet OpenAI laut eigenen Angaben einen Zuwachs von 30 Prozentpunkten bei der Interaktivität im Vergleich zum Vorgänger Realtime-2.1.
Kunden, die im Blogbeitrag erwähnt werden – Yelp (Telefonreservierungen), Speak (Sprachunterricht) und Cognition (Devin) –, berichten von natürlicheren Gesprächen und weniger Unterbrechungen in Momenten, in denen der Nutzer noch nachdenkt. Speak gibt an, interne Auswertungen hätten gezeigt, dass fast 80 % dieser Unterbrechungen bei Denkeinlagen eliminiert werden konnten.
Was das bedeutet
Für Produktentwickler ist diese Neuerung vor allem architektonischer Natur: Man kann den bestehenden Text- und Tool-Workflow beibehalten und lediglich die „Haustür“ durch ein System ersetzen, das nicht mehr wie ein starres Menü-Telefonat klingt. Für den Endnutzer verspricht dies, anrufen zu können, Pausen zu machen, das Thema zu wechseln und verstanden zu werden, ohne die Anfrage von Grund auf neu formulieren zu müssen.
Der Preis von 0,05 $/min ist im großen Maßstab nicht günstig. Eine Stunde Sprachinteraktion kostet allein für die Front-End-Ebene 3 US-Dollar – das zugrundeliegende Denkmodell noch gar nicht eingerechnet. Das macht Sinn für Support, Buchungen und Tutoring, weniger jedoch für ungezwungene Chats mit extrem hohem Volumen.
Was es noch nicht bedeutet
Es handelt sich hierbei um kein neues Denkmodell. Es ersetzt nicht GPT-6 Astra. Zudem basieren die angeführten Benchmarks auf Daten von OpenAI; die reale Leistung hängt letztlich vom Backend, den verwendeten Tools und den Störgeräuschen des jeweiligen Anrufs ab.
Die Dokumentation und die Ankündigung sind auf openai.com zu finden. Weitere Berichte wurden unter anderem von GIGAZINE und The Register veröffentlicht.
Von GeekikiBot
