OpenAI hat das Sprachmodell GPT-Live-1 am 10. September für API-Entwickler geöffnet. Das Modell war zwei Monate zuvor zunächst in der Sprachfunktion von ChatGPT gestartet, wobei OpenAI damals nur ankündigte, die API-Version werde „später“ folgen. Entwickler können das Modell nun direkt für Produkte wie Telefon-Support, Sprachassistenten oder Sprech-Trainer einsetzen.
GPT-Live-1 ist ein Vollduplex-Modell: Während der Nutzer spricht, hört es zu, und während es selbst spricht, hört es ebenfalls zu – es kann jederzeit unterbrochen werden und kommt mit Hintergrundgeräuschen sowie langen Gesprächen zurecht. Anders als die vorherige Realtime-Reihe muss es nicht mehr alles selbst durchdenken. Bei Anfragen, die Schlussfolgerungen oder Tool-Aufrufe erfordern, übergibt es die Aufgabe an ein vom Entwickler konfiguriertes Backend-Modell und hält selbst nur den Gesprächsrhythmus aufrecht.
Frontend und Backend werden getrennt abgerechnet
Auch die Preisstruktur folgt dieser Aufteilung in zwei Teile. Das Sprach-Frontend kostet 0,05 US-Dollar pro Minute, abgerechnet sekundengenau – angefangene Minuten werden nicht aufgerundet; die im Backend aufgerufenen Modelle und Tools werden separat zu ihren jeweils üblichen Preisen berechnet.
OpenAI nennt drei Kombinationsempfehlungen: Für häufige, einfache Aufgaben wie Terminplanung oder Bestellungen empfiehlt sich Luna; für komplexe Support-Anfragen, die Schlussfolgerungen erfordern, GPT-6 Astra; für Gespräche rund um Code die Anbindung an Codex. Auch Modelle von Drittanbietern lassen sich im Backend einbinden.
Laut Entwicklerdokumentation lautet der Modellname gpt-live-1, er läuft über die neue Live-Schnittstelle (v1/live/sessions) statt über die bisherige Realtime API; Ein- und Ausgabe unterstützen Audio und Text, jedoch keine Bilder oder Videos; der Wissensstand reicht bis zum 31. Juli 2025. Die Obergrenze für gleichzeitige Sitzungen liegt je nach Konto-Stufe zwischen 25 und 500.
Im direkten Vergleich mit GPT-Realtime-2.1
In den von OpenAI veröffentlichten Testwerten zeigt sich der größte Abstand bei Kennzahlen zur Aufgabenerledigung:
| Kennzahl | GPT-Live-1 | GPT-Realtime-2.1 |
|---|---|---|
| Tau3-Sprachintelligenz (Erstversuchs-Erfolgsquote) | 86,2% | 45,7% |
| Vollduplex-Interaktivität | 80,1% | 45,4% |
| Erstversuchs-Erfolgsquote bei Tool-Aufrufen | 87,0% | 60,0% |
| Latenz beim Sprecherwechsel | 0,798 Sekunden | 1,41 Sekunden |
| Artificial-Analysis-Gesprächsdynamik | 97,3% | 95,7% |
Bei der Natürlichkeit des Gesprächs liegen die beiden Generationen nur 1,6 Prozentpunkte auseinander – die Vorgängergeneration war hier bereits nahezu am Maximum. Den Abstand schafft vor allem die Fähigkeit, „im Gespräch tatsächlich etwas zu erledigen“: Sowohl Tau3 als auch die Tool-Aufrufe verlangen, dass das Modell während eines Sprachgesprächs einen realen Geschäftsvorgang vollständig durchläuft. Architektonisch betrachtet stammt der Großteil der Verbesserung daher, dass Schlussfolgerungen an das Backend abgegeben werden – das Frontend kümmert sich nur noch ums Zuhören und Sprechen. Der Tau3-Wert wurde mit einem angebundenen Backend-Modell gemessen; laut offiziellem Material war das die Kombination mit GPT-6 Astra. Wie viele Punkte ein günstigeres Backend wie Luna erzielen würde, hat OpenAI nicht gesondert angegeben.
Rückmeldungen früher Kunden
Als frühe Kunden nennt OpenAI Yelp, Speak, Fin und Cognition. Yelps CTO Alex Levy bemerkte, dass Anrufer vollständigere Sätze zu sprechen begannen:
"Callers are also speaking fuller, more natural sentences, which tells us the experience on the other end of the phone feels genuinely different."
Anrufer sprechen vollständigere, natürlichere Sätze – ein Zeichen dafür, dass sich die Erfahrung am anderen Ende der Leitung wirklich verändert hat.
Andrew Hsu, CTO der Sprachlern-App Speak, nannte eine Zahl: Wenn Nutzer innehalten, um nach einem Wort zu suchen, unterbricht das Modell rund 80 Prozent seltener als klassische Systeme mit striktem Rederecht-Wechsel. Jordan Neil, COO des Support-Unternehmens Fin, beschreibt, wie sich der Sprach-Support von einem „Frage-dann-Pause“-Muster hin zu einem Rhythmus entwickelt hat, der einem normalen Telefonat nahekommt. Cognition wiederum hat das Modell mit Devin verknüpft, sodass Ingenieure im Gespräch gemeinsam mit dem Coding-Agenten Lösungen durchdenken können.
Die erzeugten Audiodateien tragen ein SynthID-Wasserzeichen. Aktuell steht nur eine kleine Auswahl an Stimmen zur Verfügung; für individuelle Stimmen muss der Vertrieb kontaktiert werden.
Wie gut das Modell mit Chinesisch funktioniert, ist diesmal nicht offengelegt. OpenAI teilte lediglich mit, dass die Unterstützung für Sprachen und Akzente in den kommenden Monaten schrittweise erweitert werde, ohne eine Sprachliste zu nennen. Teams, die chinesischsprachigen Telefon-Support aufbauen, sollten vor einem Wechsel zunächst eigene Tests durchführen.
Quellen: Offizielle Ankündigung und Entwicklerdokumentation von OpenAI (geprüft für Preise, Schnittstelle und Parallelitätsgrenzen), Unite.AI, CocoLoop, öffentliche Aussagen von Kunden wie Yelp und Speak; alle Testwerte gemäß den von OpenAI veröffentlichten Angaben.