Was ist GPT-Live? OpenAIs Echtzeit-Sprach-KI erklärt

Was GPT-Live eigentlich ist

GPT-Live ist eine neue Generation von Sprachmodellen von OpenAI, angekündigt am 8. Juli 2026, die dafür sorgen sollen, dass „sich das Sprechen mit KI viel mehr wie ein echtes Gespräch anfühlt". Es treibt jetzt das Standard-Spracherlebnis von ChatGPT an und wird als OpenAIs „bisher smartestes Sprachmodell" positioniert.

Wenn Sie ChatGPT schon einmal per Sprache genutzt haben, kennen Sie einen von zwei älteren Ansätzen. GPT-Live ersetzt beide als Standard:

• Kaskadierte Sprache war das ursprüngliche ChatGPT Voice: drei aneinandergereihte Modelle (Sprache-zu-Text → LLM → Text-zu-Sprache). Zwischen den Modellen gingen Informationen verloren, und Antworten waren langsam und hölzern.
• Rundenbasierte Sprache war Advanced Voice Mode: Ein Modell verarbeitete Audio, arbeitete aber trotzdem in diskreten Runden und wartete auf Stille, um zu entscheiden, dass Sie fertig waren. Eine Pause oder ein vorbeifahrender Bus konnte als „Sie sind fertig" gelesen werden, und es unterbrach.

GPT-Live wirft das Rundenprinzip über Bord. Es ist derselbe Wandel, den der Rest der Conversational AI bereits verfolgt, und OpenAI ist derjenige, der ihn in ein Produkt gebracht hat, das über 150 Millionen Menschen bereits wöchentlich per Sprache nutzen. Es ist auch die bisher klarste Antwort auf das „ChatGPT hat endlich zu Gemini Live aufgeschlossen"-Framing, das Sie in jedem ChatGPT vs. Gemini-Thread finden.

Wie Vollduplex funktioniert (der Mechanismus)

Ich finde, die Architektur ist der einzige Teil, den man hier wirklich verstehen muss, denn sie erklärt alles andere, was GPT-Live tut.

Eine Vollduplex-Architektur bedeutet, dass das Modell kontinuierlich Eingaben verarbeitet, während es Ausgaben generiert, statt eine Nachricht nach der anderen abzuarbeiten. Mehrmals pro Sekunde trifft es eine Entscheidung: sprechen, weiter zuhören, pausieren, unterbrechen oder ein Tool aufrufen. Deshalb kann es mitten im Satz ein „mhmm" einwerfen, schnellen Schlagabtausch führen oder still bleiben, wenn Sie eindeutig einen Moment zum Nachdenken brauchen.

Diese ständige Zuhör-und-Sprech-Schleife ist der ganze Trick. Rundenbasierte Sprache musste raten, wann Sie fertig waren, mit Stille als Signal. Vollduplex rät nicht, weil es nie aufhört zuzuhören. Das ist auch, was Live-Übersetzung ermöglicht und ein besseres Timing-Gefühl gibt.

Die GPT-5.5-Delegationsaufteilung

Hier ist die zweite Design-Entscheidung, und sie ist die wichtigste für jeden, der an echte Arbeit denkt.

OpenAI hat GPT-Live entkoppelt (das die kontinuierliche Interaktion übernimmt) vom tiefen Denken. Wenn eine Frage Websuche, schwierigeres Denken oder etwas Agentenhaftes erfordert, gibt GPT-Live sie im Hintergrund an ein anderes Modell weiter und bringt die Antwort zurück, sobald sie fertig ist. Während das läuft, spricht GPT-Live weiter, damit das Gespräch nie ins Stocken gerät.

Zum Start ist das Hintergrundmodell GPT-5.5, und OpenAI sagt, man werde im Laufe der Zeit weiterhin neuere Frontier-Modelle einsetzen. Das ist der Punkt, den die schärfsten Beobachter aufgegriffen haben: nicht die Intelligenz ist neu, die Interaktion ist es.

„GPT-Live ist nicht nur ein besserer Sprachmodus. Es ist OpenAI, das zwei Aufgaben trennt: Ein Modell übernimmt das menschliche Gespräch. Ein anderes Modell übernimmt tiefes Denken im Hintergrund... Sprache war die Schnittstelle. Jetzt wird sie zum Workflow."

Vaibhav Sisinty, X

Sie können auch die Denkstufe wählen, die zum Moment passt. Laut OpenAIs Fußnote laufen Instant und mini auf GPT-5.5 Instant, während Medium und High auf GPT-5.5 Thinking mit mittlerem beziehungsweise hohem Aufwand laufen:

• Instant — schnellste Antworten, am wenigsten Nachdenken.
• Medium — mehr Denkzeit.
• High — meiste Denkzeit (und langsamer, besonders bei Websuchen).

Welcher Plan bekommt GPT-Live?

OpenAI rollt zwei Modelle weltweit aus: GPT-Live-1 wird der Standard für Go, Plus und Pro, und GPT-Live-1 mini wird der Standard für Free-Nutzer. Aber die aktuelle Preisseite verkauft „GPT-Live" nicht als eigenes Produkt; sie zeigt Voice als abgestuftes Feature je nach Plan. So passen die beiden Ansichten zusammen. Wählen Sie Ihren Plan:

Zwei Vorbehalte, die es zu erwähnen gilt: Business-, Enterprise- und Edu-Workspaces erhalten Live zum Start nicht (sie behalten ihre bestehenden Voice-Optionen), und die Preise pro Sitzplatz für Business/Enterprise stecken hinter einem Vertriebskontakt-Tab. Wenn Sie Pläne vergleichen, hat meine vollständige ChatGPT-Preise-Übersicht die Modell-nach-Stufe-Matrix.

Die Benchmarks

OpenAI hat neue menschliche Bewertungen erstellt, die die Angenehmheit und den Gesprächsfluss messen statt nur die reine Genauigkeit. In 5- bis 10-minütigen direkten Vergleichsgesprächen wurden beide neuen Modelle „stark bevorzugt" gegenüber Advanced Voice Mode (AVM):

Der Sprung beim Denkvermögen gegenüber AVM ist die auffälligere Zahl, und er kommt direkt aus dieser GPT-5.5-Delegation. Bei GPQA (wissenschaftliches Experten-Denken) und BrowseComp (agentische Websuche):

Der Sprung von BrowseComp von 0,7 % auf 75,2 % zeigt die Delegationsaufteilung bei der Arbeit: Die Sprachschicht bleibt leichtgewichtig, das schwere Modell übernimmt die Suche. OpenAI hat auch eine interne Telekom-Support-Bewertung (τ³-Voice) durchgeführt, bei der GPT-Live-1 (High und Medium) AVM bei der Aufgabenerfüllung übertraf. Das ist die Zahl, die Support-Teams im Auge behalten sollten, auch wenn es ein herstellergeführter Test ist, denn ein Vollduplex-Sprach-KI-Agent, der tatsächlich ein Telekom-Ticket abschließen kann, ist ein ganz anderes Produkt als eine gesprächige Demo.

Die neun Stimmen und die Sicherheits-Leitplanken

OpenAI hat neun Stimmen überarbeitet für GPT-Live — Arbor, Breeze, Cove, Ember, Juniper, Maple, Sol, Spruce und Vale. Bemerkenswert ist, dass es „für Gespräche konzipiert ist, nicht für Stimmenimitation": Die Stimmen sind vordefiniert, mit Sicherheitsvorkehrungen, die verhindern, dass eine echte Person nachgeahmt wird.

Bei der Sicherheit hat GPT-Live stimmspezifisches Training und Echtzeit-Sicherheitsvorkehrungen hinzugefügt, die während das Modell spricht eingreifen können — hin zu einer sichereren Antwort steuern, Krisenressourcen anzeigen oder das Gespräch in Fällen mit höherem Risiko beenden. Es gibt Jugendschutzmaßnahmen, die an die elterliche Kontrolle gekoppelt sind, sowie ein Monitoring nach dem Launch, das sich auf emotionale Abhängigkeit konzentriert. Die vollständigen Details finden Sie in der System Card.

Was es noch nicht kann

Hier braucht der Launch-Day-Glanz einen nüchternen Blick. GPT-Live hat echte Grenzen:

• Kein Video oder Bildschirmfreigabe zum Start. Das ist die am häufigsten wiederholte Beschwerde. Wenn Sie das brauchen, behält ChatGPT den bisherigen Advanced Voice Mode speziell für diese Funktionen.
• Sprachlücken. Es ist für die beliebtesten ChatGPT-Sprachen optimiert; bei anderen kann es einen nicht-muttersprachlichen Akzent oder Fließend-Lücken haben.
• Nicht in Business-/Enterprise-/Edu-Workspaces, Temporary Chats, der Desktop-App, Work, Codex oder benutzerdefinierten GPTs zum Start.
• Noch keine API. GPT-Live-1 und mini sind „demnächst" für die API verfügbar, ohne veröffentlichte Preise — genau das Stück, das Telefon- und Agenten-Anwendungsfälle freischalten würde. Vorerst bauen Entwickler Sprache auf der bestehenden Audio- und Sprach-API und verdrahten sie mit der Assistants API.

Was Menschen tatsächlich sagen

Die frühen Reaktionen waren überwiegend positiv, und das Interessante ist, was gelobt wird: das Gefühl, nicht der IQ. Eine Auswertung von Digg am Launch-Tag ergab 78 % positive Reaktionen bei 482 Rückmeldungen, wobei Kritiker Latenz und gelegentlich falsche Antworten bemängelten. Wenn Sie das breitere Feld kartieren, ordnen meine Übersichten zu Conversational-AI-Plattformen und den besten Sprachassistenten GPT-Live in den Kontext ein.

Das „Walkie-Talkie ist tot"-Framing tauchte überall auf:

„Alte Sprach-KI funktionierte wie ein Walkie-Talkie. GPT-Live funktioniert eher wie ein echtes Gespräch. Es kann gleichzeitig zuhören und sprechen. So können Sie pausieren, unterbrechen, laut nachdenken oder die Richtung ändern, ohne dass sich das Ganze unangenehm anfühlt."

Vaibhav Sisinty, X

Und die Entwickler-Perspektive landete bei dem Teil, der noch nicht ausgeliefert ist — der API für Sprach-Agenten und Telefonanrufe:

„Dieses Modell und eine kleinere Version — GPT-Live-Mini — werden bald in der API verfügbar sein, was bedeutet, dass jeder Apps oder Agenten mit diesem Konversationssystem bauen kann, auch um Anrufe zu beantworten oder zu tätigen. Vorerst gibt es keine Preise."

Maximiliano Firtman, X

Was GPT-Live für den Kundensupport bedeutet

Hier ist meine tatsächliche Einschätzung, nachdem ich die letzten drei-plus Jahre damit verbracht habe, KI-Agenten zu bauen, die auf Live-Support-Warteschlangen sitzen.

GPT-Live ist ein echter Schritt für die Schnittstelle. Sobald die API verfügbar ist, wird „eine Support-Hotline anrufen und mit einer KI sprechen, die sich nicht wie eine IVR anfühlt" viel realer, und das ist eine gute Sache. Die Sprach-KI-Kategorie hat genau darauf gewartet, und man sieht die Form davon bereits in Tools wie Zendesk-Sprach-KI-Agenten und Freshcaller-Sprach-Agenten.

Aber die Demo verbirgt den schwierigen Teil. Was Support-KI in der Produktion zum Scheitern bringt, ist nicht holpriges Rundenverhalten, sondern Selbstvertrauen. Ich habe erlebt, wie ein flüssig klingender Bot einem Kunden falsch geantwortet hat, und genau deshalb wird jedes eesel-Rollout an den historischen Tickets eines Kunden simuliert, bevor es live antworten darf. Eine natürlichere Stimme lässt eine falsche Antwort überzeugender klingen, nicht weniger. Aus demselben Grund funktioniert die Kostenrechnung bei KI-Support nur, wenn die KI ihre eigenen Grenzen kennt. Eine CX-Verantwortliche brachte die gesamte These in einem einzigen Satz bei einem Verkaufsgespräch mit dem Team auf den Punkt:

„Die KI wird nie in der Lage sein, 100 % der Fragen zu beantworten, aber wenn sie es versucht und einfach antwortet ‚Tut mir leid, das weiß ich nicht', kann ich nicht hingehen und alle meine 7.000 Tickets überprüfen, um zu sehen, ob die KI tatsächlich eine gute Antwort gegeben hat — dann ist der Sinn ein Stück weit verloren. Ich brauche eine KI, die nur die Tickets bearbeitet, bei denen sie zuversichtlich ist, und alle anderen in Ruhe lässt."

eine CX-Verantwortliche einer DTC-Marke mit rund 7.000 Tickets pro Monat

Das ist die Messlatte. Und deshalb ist der praktische Gewinn für ein Support-Team heute nicht das Warten auf eine Sprach-API, sondern die Automatisierung der E-Mail- und Chat-Tickets, die den Großteil Ihres Volumens ausmachen, innerhalb des Helpdesks, den Sie bereits nutzen. Das ist die Aufgabe, die ein KI-Helpdesk-Agent heute übernimmt, und so verdienen sich die besten KI-Tools für den Kundenservice bereits ihren Nutzen, lange bevor jemand zum Telefon greift.

Das ist, woran ich arbeite. eesel ist eine KI für den Kundenservice, die sich in Ihren bestehenden Stack einklinkt (Zendesk, Freshdesk, Gorgias, Help Scout und mehr), auf Ihren vergangenen Tickets und Ihrem Hilfe-Center trainiert und dann nur antwortet, wenn sie sich sicher ist, und den Rest still Ihrem Team überlässt. Bevor sie live geht, können Sie sie an Tausenden Ihrer echten vergangenen Tickets simulieren, um genau zu sehen, was sie geantwortet hätte. Wenn GPT-Lives API dann verfügbar ist, ist ein modellagnostischer KI-Agent für den Kundenservice das, was Ihnen erlaubt, ihn auf Basis von Belegen statt Hype einzubinden. Testen Sie eesel kostenlos, ohne Verkaufsgespräch.