GPT-Live-1 ist OpenAIs neues Sprachmodell, und die Kurzfassung lautet: Es hört zu und spricht gleichzeitig. Dieser „Full-Duplex"-Trick ist die ganze Geschichte. Ältere Sprach-KI wartete, bis Sie aufhörten zu reden, bevor sie antwortete, und fiel Ihnen deshalb ständig ins Wort. GPT-Live-1 kann ein „mhm" einwerfen, Ihnen Denkpausen lassen oder weiterplaudern, während es im Hintergrund etwas nachschlägt.
Es ist auf zwei Wegen verfügbar. In ChatGPT ist GPT-Live-1 seit dem 8. Juli 2026 die Standardstimme für Go-, Plus- und Pro-Nutzer (mit GPT-Live-1 mini für den Free-Tarif). Und seit dem 10. September gibt es das Modell in der API für $0,05 pro Minute für die Sprachschicht, mit Telefonie-Unterstützung, die klar auf telefonischen Kundenservice zielt.
Bevor Sie sich für Sprach-Support begeistern, sollten Sie Folgendes verinnerlichen: GPT-Live-1 sind die Ohren und der Mund, nicht das Gehirn. Das eigentliche Denken delegiert es an ein separates Modell wie GPT-5.5 oder GPT-6 Astra. Das Modell liefert also ein natürlich klingendes Gespräch, aber um ein echtes Ticket zu lösen, braucht es weiterhin einen Agenten, der Ihr Geschäft kennt. Genau hier setzt ein Tool wie eesel an.
Was GPT-Live-1 eigentlich ist
Ich baue beruflich KI-Agenten. Wenn ein neues Sprachmodell erscheint, überspringe ich daher das Demo-Video und schaue direkt auf die Architektur. GPT-Live-1 verdient Aufmerksamkeit, denn die Veränderung ist strukturell, nicht kosmetisch.
OpenAI veröffentlicht zwei Versionen: GPT-Live-1 und GPT-Live-1 mini. Beide sind laut OpenAI eine „neue Generation von Sprachmodellen für natürliche Mensch-KI-Interaktion" und liegen nun unter ChatGPT Voice, das wöchentlich mehr als 150 Millionen Menschen nutzen. GPT-Live-1 ist der Standard für Go, Plus und Pro, das mini-Modell der Standard für Free.
Das Modell basiert auf einem Full-Duplex-Design und ist zugleich das intelligenteste Sprachmodell, das OpenAI bisher veröffentlicht hat. Braucht eine Frage Websuche oder tieferes Reasoning, gibt GPT-Live-1 diese Arbeit unauffällig an ein Frontier-Modell im Hintergrund weiter (zum Start in ChatGPT war das GPT-5.5) und hält das Gespräch am Laufen, während es wartet. Dazu kommen neun überarbeitete Stimmen und visuelle Antwortkarten für Dinge wie Wetter, Aktien, Sport und Karten. Das ist ein großer Sprung gegenüber der letzten Generation von KI-Software für den Kundenservice, bei der Sprache nur nachträglich drangeklebt wurde.
Ein nettes Detail bei der Sicherheit: Seit dem 31. Juli tragen mit GPT-Live erzeugte Audiodaten ein SynthID-Wasserzeichen, und OpenAI hat ein öffentliches Tool veröffentlicht, um die Herkunftssignale zu erkennen. Außerdem nutzt das Modell einen festen Satz vordefinierter Stimmen und ist so konzipiert, dass es keine echte Person imitiert. Das umgeht das Problem des Stimmklonens, das diesen Bereich plagt.
Warum Full-Duplex die eigentliche Neuerung ist
Um zu verstehen, warum das wichtig ist, muss man sich ansehen, was vorher kam. Sprach-KI hat zwei holprige Generationen hinter sich, und GPT-Live-1 ist die dritte.
Die erste Generation war kaskadiert. Das ursprüngliche ChatGPT Voice verkettete drei getrennte Modelle: Speech-to-Text, um Sie zu transkribieren, ein Sprachmodell zum Denken und Text-to-Speech zum Antworten. Das funktionierte, aber jede Übergabe kostete Latenz und etwas Kontext, sodass die Antworten langsam und steif klangen.
Die zweite Generation war rundenbasiert, wie der ChatGPT Advanced Voice Mode. Sie verarbeitete Audio in einem einzigen Modell, was flüssiger war, arbeitete aber weiterhin in einzelnen Runden. Sie musste warten, bis Sie aufhörten zu sprechen, und weil sie Runden an Stille erkannte, konnte eine kurze Pause oder ein vorbeifahrendes Auto als „Ihr Zug ist zu Ende" missverstanden werden. So unterbricht das Modell Sie mitten im Gedanken.
GPT-Live-1 hebt diese Runden vollständig auf. Statt eine Folge getrennter Nachrichten zu verarbeiten, nimmt es kontinuierlich Audio auf, während es Audio erzeugt, und trifft viele Male pro Sekunde eine Interaktionsentscheidung: sprechen, weiter zuhören, pausieren, unterbrechen oder ein Tool aufrufen. Dadurch gelingt natürliches Hin und Her, ein Gespür für Timing und sogar Live-Übersetzung.
Der Delegationstrick: ein schneller Redner mit klugem Hintergrund
Die zweite architektonische Änderung ist die clevere, und sie wird in den meisten Berichten übergangen. OpenAI hat den Teil, der das Gespräch führt, vom Teil getrennt, der das Denken übernimmt.
GPT-Live-1 führt das Live-Gespräch. Braucht eine Frage Suche, echtes Reasoning oder agentische Arbeit, delegiert es die Aufgabe an ein separates Backend-Modell und redet in der Zwischenzeit weiter mit Ihnen. In ChatGPT ist dieses Backend GPT-5.5. In der API wählen Sie es selbst: GPT-6 Astra für komplexe Fälle, ein schlankeres Modell für Aufgaben mit hohem Volumen wie Terminplanung oder Bestellabfragen, oder sogar ein Modell eines Drittanbieters.
Das hat einen praktischen Nutzen jenseits von „es wirkt klug". Weil Gesprächsschicht und Reasoning-Schicht getrennt sind, lässt sich der Reasoning-Aufwand pro Interaktion dosieren. ChatGPT bietet drei Stufen: Instant für schnelle Antworten, dann Medium und High, wenn es wirklich nachdenken soll. GPT-Live-1 Instant und das mini-Modell laufen im Hintergrund auf GPT-5.5 Instant, während Medium und High auf GPT-5.5 Thinking zurückgreifen. Es ist dieselbe Idee, auf die ich beim Bau von KI-Agenten setze: Ein Modell soll nicht alles tun, die Tiefe soll zur Aufgabe passen.
Wie gut ist es wirklich?
OpenAI hat direkte Vergleichstests mit Menschen durchgeführt, und die Zahlen fallen gegenüber dem alten Advanced Voice Mode (AVM) deutlich aus. Hier der Überblick.
| Benchmark | Was gemessen wird | AVM | GPT-Live-1 mini | GPT-Live-1 (high) |
|---|---|---|---|---|
| Paarweise Präferenz | Welches Gespräch Menschen bevorzugten | (Basislinie) | 69,2 % | 75,7 % |
| Gesprächsfluss | Mittlere Bewertung von 7 | 3,80 | 4,33 | 4,96 |
| Angenehmheit | Mittlere Bewertung von 7 | 3,82 | 4,47 | 5,19 |
| GPQA | Wissenschaftliches Reasoning auf Expertenniveau | 45,3 % | 74,9 % | 84,2 % |
| BrowseComp | Agentische Websuche | 0,7 % | 31,6 % | 75,2 % |
Der BrowseComp-Sprung ist der Hingucker: von praktisch null auf 75,2 %. Das ist die Delegationsarchitektur bei der Arbeit, denn agentische Suche ist genau die Art „Tiefenarbeit", die GPT-Live-1 an das Backend-Modell weitergibt.
Der API-Start brachte zwei weitere Zahlen, denen ich speziell bei der Bewertung von Sprach-Agenten vertraue. GPT-Live-1 verbessert Full Duplex Bench um 30 Prozentpunkte gegenüber GPT-Realtime-2.1, und zusammen mit GPT-6 Astra bei mittlerem Reasoning-Aufwand belegt es Platz 1 bei Tau3, einem Benchmark für die Intelligenz von Frontier-Sprachagenten bei End-to-End-Aufgaben im Support für Airlines, Einzelhandel, Telekommunikation und Banken. Wenn Ihnen Support wichtig ist: Das sind die Aufgaben, die Ihrer tatsächlichen Arbeit entsprechen, und die, bei denen sich Ihre KI-Kennzahlen im Kundenservice wirklich bewegen werden.
Was die Leute tatsächlich sagen
Benchmarks sind eine Sache, im Alltag mit dem Modell zu leben eine andere. Der frühe Hacker-News-Thread, in dem nach Erfahrungen gefragt wird, ist eine gute, ungeschönte Lektüre. Der Konsens lautet: „Die Gesprächsqualität ist ein echter Sprung, die Intelligenz schwankt."
Der Starter des Threads beschrieb die Vorteile klar:
"Its conversational skills are an incredible leap from its predecessor: The acknowledgments it makes, and the natural flow it exhibits overall are awesome."
Live-Übersetzung und freihändige Nutzung scheinen für normale Nutzer die größten Stärken zu sein:
"I use it to help with learning a language (French) and have been leaning into the CarPlay app. The model has done surprisingly well in conversations where it has to go back and forth across languages in the same response."
Aber dieselben Hörersignale, die es menschlich wirken lassen, können nerven. Ein Kommentator nannte die Kehrseite all dieser „mhm"s:
"The new gpt-live feature tends to interrupt with 'human' sounding injections like 'hmm', 'huh' a bit too much."
Das passt zu OpenAIs eigener Ehrlichkeit bei den Grenzen: Zum Start unterstützt ChatGPT keine Sprache mit Video oder Bildschirmfreigabe, und bei manchen Sprachen außer Englisch gibt es noch einen nicht-muttersprachlichen Akzent oder Lücken im Sprachfluss. Gut zu wissen, bevor Sie mehrsprachigen Kundensupport darauf versprechen.
GPT-Live-1 in der API: der interessante Teil für Entwickler
Mit der API-Veröffentlichung am 10. September wird GPT-Live-1 von einer ChatGPT-Funktion zu etwas, auf dem man bauen kann. Das Versprechen an Entwickler: Der alte Stack aus Speech-to-Text, Reasoning und Text-to-Speech schrumpft zu einer einzigen Sprachschicht, sodass Sie nicht von Hand programmieren müssen, was passiert, wenn jemand unterbricht oder mitten im Satz verstummt.
Die von OpenAI hervorgehobenen Kernfunktionen:
- Unterbrechungsbehandlung, indem eingehendes und ausgehendes Audio in einem einzigen Modell verarbeitet werden, ohne die fragilen Übergaben verketteter Architekturen.
- Delegation von Reasoning und Tool-Aufrufen an ein Backend-Textmodell oder ein Modell eines Drittanbieters.
- Steuerung von Ton, Tempo und Stil über den System-Prompt.
- Telefonie-Unterstützung, damit Sie Full-Duplex-Sprachagenten in Telefonaten einsetzen können, von Reservierungen bis zum Kundensupport.
- Native ASR-Transkripte, Verständnis alphanumerischer Eingaben und Keyword-Biasing, plus Turn Detection für Teams, die weiterhin explizite Gesprächsgrenzen wollen.
Frühe Anwender berichten von echten technischen Erfolgen, nicht nur von Stimmung. Die Sprachlern-App Speak stellte fest, dass GPT-Live-1 Unterbrechungen während Denkpausen im Vergleich zu früheren rundenbasierten Systemen um fast 80 % senkte, so Mitgründer und CTO Andrew Hsu. Yelps Alex Levy sagte, der Einsatz für Reservierungs- und Essensbestellanrufe habe zu „deutlichen Verbesserungen bei den Anrufbearbeitungsquoten" geführt. Ein Healthcare-Team berichtete sogar, es habe „unsere Codebasis um 80 % vereinfacht und 23.000 Codezeilen entfernt", verglichen mit dem kaskadierten Aufbau.
Der Preis ist erfreulich einfach zu nennen und leicht zu unterschätzen: $0,05 pro Minute für die Sprachschicht im Frontend, und das Backend-Modell sowie das Agent-Harness bringen Sie passend zu Ihrem Produkt selbst mit. Diese zweite Hälfte treibt die Kosten, denn die Sprachschicht ist günstig, das Reasoning, das Sie dazu kombinieren, nicht. OpenAI verwies Unternehmen außerdem auf OpenAI Presence, eine übergeordnete Möglichkeit, vertrauenswürdige Sprachagenten auf demselben Modell einzusetzen.
Was das für den Kundensupport bedeutet
Hier würde ich bremsen, denn „OpenAI hat ein großartiges Sprachmodell veröffentlicht" und „Sie können jetzt KI-Sprach-Support betreiben" sind nicht derselbe Satz.
GPT-Live-1 löst das Gesprächsproblem, und es löst es gut. Der Stopp-und-Los-Rhythmus, der Telefonbots roboterhaft wirken ließ, ist weitgehend verschwunden. Bei Benchmarks für gesprochenen Support wie Tau3 und seiner Telekom-Variante schlägt GPT-Live-1 die Vorgängergeneration klar. Wenn Ihr Engpass war, dass sich das Spracherlebnis wie ein IVR von 2019 anfühlt, behebt das den Mangel.
Das Lösungsproblem löst es nicht. Das Modell ist von Natur aus Ohren und Mund. Es weiß nicht, wie Ihre Erstattungsrichtlinie lautet, ob die Bestellung dieses Kunden tatsächlich verschickt wurde oder welcher Ihrer 400 Help-Artikel seine Frage beantwortet. All das steckt im Backend-Modell, im Agent-Harness und im Geschäftskontext, den Sie anbinden, und das ist der wirklich schwierige Teil von KI für die Automatisierung im Kundenservice. Es ist der Unterschied zwischen einer glatten Demo und einem echten KI-Copilot für den Kundenservice.
Die ehrliche Einschätzung lautet also: GPT-Live-1 ist Infrastruktur. Es ist eine schöne Sprachschicht, auf der jedes Support-Produkt nun aufbauen kann. Der Unterschied verlagert sich eine Ebene höher, zum Teammitglied, das Ihr Unternehmen wirklich kennt und das Ticket lösen kann. Aus demselben Grund bleibt die Frage nach Build vs. Buy wichtig: Die Sprache anzubinden ist die leichten 20 %, und ein zuverlässiger Agent, dem Sie echte Kunden anvertrauen würden, sind die anderen 80 %. Wenn Sie das planen, führt unser Leitfaden zur Einführung von KI im Kundensupport durch die schwerere Hälfte.
eesel ausprobieren
Wenn Sie sich GPT-Live-1 ansehen und an Support denken: Gelöst werden muss nicht die Stimme, sondern das Teammitglied dahinter. Daran arbeite ich. eesel ist eine Plattform für KI-Teammitglieder, auf der Sie ein einsatzbereites KI-Support-Teammitglied einstellen, das aus Ihrem Help Center, vergangenen Tickets und Makros lernt, dann Ihrem bestehenden Helpdesk beitritt und beginnt, Konversationen zu lösen.
Zu einem Modell wie GPT-Live-1 passt vor allem die Disziplin drumherum. Bevor ein eesel-Teammitglied je einen Live-Kunden berührt, können Sie es an Tausenden Ihrer eigenen historischen Tickets simulieren und genau sehen, was es gesagt und was es gelöst hätte. Ich habe erlebt, wie selbstsicher klingende Bots stillschweigend falsche Antworten gaben. Genau deshalb gibt es diesen Probelauf auf echtem Verlauf, statt einfach den Schalter umzulegen und zu hoffen.
Und weil das Thema von GPT-Live-1 programmatische Sprache ist: eesel lässt sich ebenso steuern. Neben dem Dashboard gibt es eine eesel-CLI und einen MCP-Server. So können Sie dasselbe Teammitglied im Terminal bedienen, in Skripte einbinden oder einen Coding-Agenten wie Claude Code oder Codex dessen Anweisungen prüfen, eine Änderung vorschlagen und die Testantworten ansehen lassen, bevor etwas live geht. Es ist der agentenfreundliche Weg, die Lösungsschicht zu verwalten, vor der ein Sprachmodell wie GPT-Live-1 sitzt. Sie können eesel kostenlos testen und es in wenigen Minuten an Ihren eigenen Tickets simulieren.