GPT-Live-1 ist das natürlichste Sprachmodell, das ich bisher genutzt habe, ohne Wenn und Aber. Es hört und spricht gleichzeitig, geht souverän mit Unterbrechungen um und verabschiedet das roboterhafte Abwechseln, das ältere Sprach-KI wie ein Walkie-Talkie wirken ließ.
Der Haken ist, was es nicht ist. GPT-Live-1 ist eine Sprachschicht, keine Reasoning-Engine. Es delegiert das schwere Denken an ein separates Backend-Modell und berechnet in der API pauschal $0.05 pro Minute allein für die Sprachschicht. Das Modell ist also hervorragend in seiner einen Aufgabe, und die Intelligenz dahinter musst du weiterhin selbst bauen (und bezahlen).
Für alltägliche ChatGPT-Nutzer ist das Urteil einfach: In bezahlten Tarifen ist es kostenlos und ein klares Upgrade. Für Entwickler, vor allem für alle, die es für den Kundensupport in Betracht ziehen, ist das Bild differenzierter, denn die Abrechnung pro Minute berechnet dir Gesprächszeit, nicht gelöste Probleme.
Warum ich das teste und woher ich komme
Ich baue bei eesel Produktfunktionen und KI-Agenten, und mein Team setzt seit über drei Jahren KI-Agenten in laufenden Support-Warteschlangen ein. Diese Perspektive prägt, wie ich ein Sprachmodell bewerte. Ich habe erlebt, wie ein selbstsicher klingender Bot einem Kunden stillschweigend die falsche Antwort gab. Deshalb simulieren wir jeden Rollout gegen die historischen Tickets eines Unternehmens, bevor er je mit einem echten Menschen spricht. Wenn ich also etwas wie GPT-Live-1 teste, frage ich nicht nur „klingt es gut?“, sondern „was passiert, wenn es falsch liegt, und wer bezahlt für die Teile, die es richtig machen?“
Dies ist ein praxisnaher Test des Modells selbst: wie es sich anfühlt, wie es unter der Haube funktioniert, wo es glänzt, wo es stolpert und was es bedeutet, wenn du über Sprache für den Conversational Support nachdenkst. Für den Mechanismus stütze ich mich auf OpenAIs eigene Launch-Materialien, für die Aufnahme auf echte Nutzerberichte.
Was GPT-Live-1 eigentlich ist
GPT-Live-1 ist OpenAIs Sprachmodell der dritten Generation, im Juli 2026 zuerst in ChatGPT Voice ausgeliefert und am 10. September 2026 in der API veröffentlicht. Das Kernmerkmal ist eine Full-Duplex-Architektur: Das Modell kann gleichzeitig zuhören und sprechen, statt zu warten, bis du fertig bist, zu raten, dass du fertig bist, und erst dann mit dem Denken zu beginnen.
Das klingt nach einer Kleinigkeit. Ist es nicht. Ältere Sprachsysteme verließen sich auf ein winziges „Turn-Detector“-Modell, das entschied, wann du aufgehört hast zu sprechen. Rät es zu früh, unterbricht es dich; rät es zu spät, wirkt es träge. GPT-Live entfernt diesen Detektor komplett aus dem Audiopfad, sodass das Hin und Her näher am menschlichen Timing liegt. In der Praxis wirft es ein „mhmm“ ein, während du noch sprichst, schweigt, wenn du zum Nachdenken pausierst, und lässt sich mitten im Satz unterbrechen, ohne den Faden zu verlieren.
Es ersetzt die alte kaskadierte Pipeline, die Speech-to-Text, dann ein Modell, dann Text-to-Speech als verkettete Voice-Stack hintereinander ausführte. Wenn du je einen Voice-Stack kalkuliert hast, indem du etwa ElevenLabs oder Cartesia Sonic mit einem separaten Reasoning-Modell kombiniert hast, fasst GPT-Live-1 das meiste davon in einem Modell zusammen. Ein Entwickler aus dem Gesundheitswesen, Tony Stoyanov, sagte, der Umstieg habe seinem Team ermöglicht, 23.000 Codezeilen zu streichen und die Codebasis um etwa 80 % zu vereinfachen.
Wie es unter der Haube funktioniert
Das ist der Teil, den ich wirklich clever finde, und er ist zugleich der Schlüssel zum Verständnis von Preis und Grenzen. GPT-Live-1 übergibt dem Sprachmodell die Führung des Gesprächs und schiebt alles andere vom Live-Pfad weg.
Braucht eine Frage Websuche, echtes Reasoning oder einen Tool-Aufruf, delegiert das Sprachmodell an ein Frontier-Modell im Backend (zum Start GPT-5.5) auf einem separaten asynchronen Pfad und spricht weiter mit dir, während die Arbeit im Hintergrund läuft. OpenAI hat das Media-Frontend in Go neu geschrieben, um eine ältere Python-Implementierung zu ersetzen, nutzt WebRTC für den Transport und berichtet, dass die p95-Latenz des neuen Systems der p50-Latenz des alten entspricht. Das Ergebnis ist eine saubere Trennung: eine kleine, schnelle Sprach-Schleife, die nie stocken darf, und ein langsameres „Gehirn“, das sich Zeit lassen kann, ohne das Gespräch einzufrieren.
Diese Architektur ist der Grund, warum deine echten Kosten ein Stack sind und keine einzelne Zahl. In der API zahlst du für drei Schichten.
- Die Sprachschicht: die pauschalen $0.05/Min. für GPT-Live-1 selbst.
- Die Backend-Modell-Tokens: welches Reasoning-Modell du auch anbindest, separat abgerechnet und abhängig davon, wie intensiv es denkt.
- Agent-Harness und Tools: dein Framework, Retrieval und alle Schreibzugriffe auf das Ticketsystem.
Die ehrliche Lesart ist also: $0.05/Min. ist die Untergrenze, nicht die Rechnung. Die ganze Rechnung dazu haben wir im begleitenden Kostenartikel zur OpenAI API aufgeschlüsselt.
Was wirklich gut ist
Ehre, wem Ehre gebührt, denn die Fortschritte sind real.
Die Natürlichkeit ist ein Quantensprung. OpenAI berichtet, dass GPT-Live im Full Duplex Bench etwa 30 Punkte höher abschneidet als das Vorgängermodell GPT-Realtime-2.1, und in Blindtests zogen Menschen es in rund 75,7 % der Fälle dem älteren Advanced Voice Mode vor. Partner, die darauf aufbauen, etwa die Sprach-App Speak, berichteten von rund 80 % weniger unerwünschten Unterbrechungen. Diese Zahlen decken sich mit meinem Eindruck: Es ist das erste Sprachmodell, bei dem ich aufgehört habe, bewusst meine Redezüge zu steuern.
Es ist klug genug, wenn es gut kombiniert wird. Mit einem Backend-Modell mittlerer Reasoning-Stufe sieht OpenAI GPT-Live an der Spitze seines agentischen Tau3-Benchmarks. Der Delegationstrick liefert dir Low-Latency-Chat und Reasoning auf Frontier-Niveau, solange du das Backend anbindest.
Auf der Verbraucherseite ist es mühelos. In ChatGPT gibt es überhaupt keinen Minutenzähler. GPT-Live-1 ist das Standard-Sprachmodell in Go, Plus und Pro, GPT-Live-1 mini ist der Standard in Free, und es wurde am ersten Tag weltweit auf iOS, Android und im Web ausgerollt.
Das Modell kann während eines gesprochenen Gesprächs auch visuelle Antworten einblenden, etwa eine Karte oder einen Zeitplan. Das macht den Anwendungsfall „mit ihm reden beim Autofahren oder Kochen“ besser als frühere Sprachassistenten.
Wo es stolpert
Ein fairer Test benennt die Grenzen klar, und ein paar davon solltest du kennen, bevor du dich festlegst.
Es ist nicht das Frontier-Modell, und das merkt man. Weil GPT-Live-1 eine Sprachschicht ist, die das Denken weiterreicht, können die eigenen Antworten flach oder gelegentlich seltsam sein, wenn es nicht delegiert. Ein Nutzer auf Hacker News brachte es unverblümt auf den Punkt:
"GPT-Live isn't a particularly intelligent model. It needs to handoff for reasoning and more complex tasks. You shouldn't expect its responses to be as reliable as a frontier model. It will sometimes say odd things."
Die Gesprächsgewohnheiten können nerven. Dieselben Reflexe, die es menschlich wirken lassen, können ins Übereifrige kippen. Eine häufige Beschwerde ist, dass es Denkpausen unterbricht und dich zu viel paraphrasiert:
"The new gpt-live feature tends to interrupt with 'human' sounding injections like 'hmm', 'huh' a bit too much for my liking. Also its crutch is to start by paraphrasing what I just said to it... after every single thing I say it starts to feel a bit much."
Dennoch ist die Nutzung in der Praxis oft positiv. Ein Tester beschrieb, wie er es über CarPlay zum Französischüben nutzte, und stellte fest, dass es den Sprachwechsel mitten in der Antwort „überraschend gut“ meisterte. Die Resonanz ist gemischt, wie bei brandneuen Schnittstellen üblich, nicht durchweg negativ.
Eigene Stimmen und Enterprise-Funktionen sind gesperrt. Wer eine eigene Markenstimme will, muss durch einen „Contact Sales“-Prozess, und OpenAIs Enterprise-Sprachprodukt Presence liegt als separate Schicht obendrauf. Die Self-Serve-API gibt dir das Modell, nicht das ganze Produkt.
Mein Urteil in Zahlen
So würde ich GPT-Live-1 in den Dimensionen bewerten, die mir bei der Bewertung eines Sprachmodells für echte Arbeit wirklich wichtig sind.
Was GPT-Live-1 für den Kundensupport bedeutet
Hier setze ich meinen Support-Hut wieder auf, denn Sprache für den Support ist der Punkt, an dem das Minutenmodell interessant und ein wenig riskant wird.
Die Abrechnung pro Minute berechnet Gesprächszeit, nicht Ergebnisse. Für einen Sprachtutor oder einen Reservierungsbot ist das in Ordnung. Im Support kehrt es den gewünschten Anreiz um. Ein frustrierter Kunde in einem zehnminütigen Anruf, der in einer Eskalation endet, kostet dich mehr als ein ruhiger, der in neunzig Sekunden gelöst wird, obwohl die zweite Interaktion der eigentliche Erfolg ist. Wenn du über die Erstlösungsquote berichtest, misst ein Zähler, der nach Minuten läuft, das Falsche und verzerrt stillschweigend deine Support-Kennzahlen.
Hinzu kommt die Intelligenzlücke. GPT-Live-1 lässt die Unterhaltung menschlich wirken. Es kennt von sich aus weder deine Erstattungsrichtlinie, noch löst es ein Ticket oder übernimmt die Tier-1-Entlastung anhand deiner eigenen Dokumente. Das ist kein Vorwurf an OpenAI, es ist Absicht: Sie haben eine Sprachschicht gebaut und auch so bepreist. Den Geschäftskontext und die automatisierte Ticketlösung soll das liefern, was du darauf aufbaust. Dieselbe Lektion sehe ich bei jedem rohen KI-Callcenter-Aufbau: Die Stimme ist der leichte, beeindruckende Teil, und Wissen, Retrieval und Eskalationsbehandlung sind die Teile, die den Kreis tatsächlich schließen.
Wo eesel passt: Infrastruktur versus Teammitglied
Die klarste Einordnung: GPT-Live-1 ist Infrastruktur, und eesel ist der Mitarbeiter. GPT-Live-1 ist ein Modell, das du in dein eigenes Produkt einbaust. eesel ist eine Plattform, auf der du ein einsatzbereites KI-Teammitglied für eine bestimmte Aufgabe einstellst, das bereits die Fähigkeiten, Integrationen und den Unternehmenskontext für diese Rolle mitbringt.
Für den Support ist dieses Teammitglied der KI-Helpdesk-Kollege. Er steigt in deine bestehende Warteschlange ein, lernt aus deinen bisherigen Tickets und deinem Help Center und wird, anders als ein rohes Sprachmodell, pro Lösung statt pro Gesprächsminute abgerechnet, sodass deine Kosten den tatsächlich geschlossenen Tickets folgen. Du kannst ihn weiterhin mit einem Sprach-Frontend wie GPT-Live-1 verbinden, wenn du natürliche Telefongespräche willst, und die Kosten-pro-Lösung-Rechnung im Rahmen halten. Und weil wir vor dem Go-live auf deinen historischen Tickets simulieren, siehst du das wahrscheinliche Ergebnis, bevor es je ein Kunde sieht, genau die Frage „was passiert, wenn es falsch liegt“, mit der ich eingestiegen bin.
Weil viele Teams, die zu einer Sprach-API greifen, eigentlich programmatische, headless Kontrolle wollen, lohnt der Hinweis, dass eesel neben dem Dashboard eine echte CLI bereitstellt. Es ist derselbe KI-Kollege und derselbe Workspace, nur aus einem Terminal statt einem Browser gesteuert: Ein Mensch kann ihn von Hand bedienen, Skripte können ihn automatisieren, und Coding-Agenten wie Claude Code, Codex und Cursor können ihn direkt bedienen, so wie du jeden anderen ChatGPT-Agenten-Workflow steuern würdest. Wenn du also wegen der skriptbaren Steuerung auf die API geschielt hast, musst du nicht „programmierbar“ gegen „kennt schon meinen Support-Kontext“ eintauschen.
Wenn du den ehrlichen Vergleich für dein eigenes Volumen willst, führen die Aufschlüsselung der Kosteneinsparungen und unser Build-vs-Buy-Leitfaden beide durch die Entscheidung zwischen Minuten- und Lösungsabrechnung, und der weitere Blick auf KI vs. menschlichen Support ergänzt sie.
GPT-Live-1 im Test, in einer Zeile
GPT-Live-1 ist die beste Sprachschicht, die OpenAI bisher ausgeliefert hat, und genau das ist es: eine Schicht. Als Conversational-AI-Schnittstelle ist es ein klarer Kauf, kostenlos in bezahltem ChatGPT und ein echter Sprung an Natürlichkeit. Als Fundament für ein Sprachprodukt musst du bedenken, dass es nur die Hälfte des Stacks ist, mit einem Backend-Modell und Harness obendrauf in Rechnung gestellt. Und wenn es um Support geht, stell die einzige Frage, die zählt: Zahlst du für Minuten oder für gelöste Tickets?
Du willst einen Support-Kollegen, der dein Help Center schon kennt und pro Lösung statt pro Minute abrechnet? eesel verbindet sich in Minuten mit deinem bestehenden Helpdesk, simuliert vor dem Livegang auf deinen eigenen vergangenen Tickets und ist kostenlos testbar. eesel testen oder Demo buchen, um es zuerst mit deinen eigenen Daten zu sehen.