Sprachassistenten wirken oft dann unnatürlich, wenn sie auf klare Gesprächspausen angewiesen sind. Genau an dieser Stelle setzt OpenAI mit GPT-Live an: Die neue Modellgeneration für ChatGPT Voice soll gleichzeitig zuhören und sprechen können.
Bisher war ChatGPT Voice im Kern rundenbasiert. Nutzer sprachen, das System wartete, verarbeitete die Eingabe und antwortete anschließend. Mit GPT-Live ändert OpenAI diese Architektur. Das Modell verarbeitet den Audiostrom kontinuierlich im Full-Duplex-Verfahren und entscheidet laufend, ob es weiter zuhört, reagiert oder selbst spricht. Dadurch sollen kurze Rückmeldungen wie „Mhmm“ möglich werden, aber auch echte Unterbrechungen während einer laufenden Antwort.
Technisch ist das ein weiterer Schritt weg von der ursprünglichen ChatGPT-Voice-Funktion aus dem Jahr 2023. Damals arbeitete das System noch mit einer dreistufigen Kette: Sprache wurde zuerst per Speech-to-Text transkribiert, anschließend von einem Sprachmodell verarbeitet und am Ende per Text-to-Speech wieder ausgegeben. Der Advanced Voice Mode ersetzte diese Kaskade 2024 durch ein einzelnes Audiomodell. Das verbesserte Latenz und Natürlichkeit spürbar, blieb aber weiterhin beim Prinzip abwechselnder Gesprächsrunden.
GPT-Live soll Gespräche nicht nur direkter, sondern auch belastbarer machen. Rechenintensive Aufgaben kann das System im Hintergrund an GPT-5.5 delegieren. Fragt ein Nutzer während eines Gesprächs nach etwas, das eine Websuche oder tieferes Reasoning erfordert, soll der Dialog nicht einfach stocken. Stattdessen läuft das Gespräch weiter, bis das Ergebnis verfügbar ist. Dafür nennt OpenAI drei Stufen: Instant für schnelle Antworten sowie Medium und High für komplexere Reasoning-Fragen.
In OpenAIs eigenen Messungen schneidet GPT-Live deutlich besser ab als der bisherige Advanced Voice Mode. Tester bevorzugten GPT-Live-1 in 75,7 Prozent der Fälle, GPT-Live-1 mini in 69,2 Prozent. Beim wissenschaftlichen Reasoning-Benchmark GPQA steigt die Trefferquote laut OpenAI von 45,3 auf 84,2 Prozent. Beim Search-Benchmark BrowseComp springt sie von 0,7 auf bis zu 75,2 Prozent. Diese Verbesserung erklärt OpenAI nahezu vollständig mit der Hintergrund-Delegation.
Auch Sicherheitsmechanismen müssen bei einem Echtzeit-Sprachsystem anders funktionieren als bei klassischen Text-Chats. Nachgelagerte Moderation reicht hier nicht aus, weil das Gespräch bereits läuft. GPT-Live kann deshalb während der Unterhaltung eingreifen, eigene Ausgaben umlenken, Ressourcen anbieten oder ein Gespräch in Hochrisiko-Situationen beenden. Für Jugendliche soll altersgerechtes Verhalten direkt in das Modell trainiert worden sein. Eltern sollen die Funktion über Kindersicherungseinstellungen steuern können. Bei Anzeichen von Selbstverletzung greift ein angepasster Unterstützungsablauf inklusive Verweis auf ein Krisentelefon. Stimmimitation ist nicht vorgesehen; GPT-Live nutzt ausschließlich vordefinierte Stimmen.
Wichtig ist die Abgrenzung zur OpenAI Realtime API. Diese bleibt eine konfigurierbare Entwicklerschnittstelle für eigene Anwendungen wie Callcenter, Sprachassistenten oder Übersetzungsdienste. Sie arbeitet weiterhin turn-basiert, auch wenn die Latenz gegenüber der alten Kaskade gesunken ist. Das im Mai vorgestellte GPT-Realtime-2 brachte unter anderem ein auf 128.000 Token erweitertes Kontextfenster, parallele Tool-Aufrufe und einstellbare Reasoning-Stufen.
Zum Start fehlen bei GPT-Live noch Video- und Bildschirmfreigabe während Sprachgesprächen, die bislang zum Advanced Voice Mode gehörten. OpenAI weist außerdem darauf hin, dass es bei weniger verbreiteten Sprachen zu ausländischem Akzent oder Lücken kommen kann.
GPT-Live-1 wird Standard für Go-, Plus- und Pro-Nutzer. Die kleinere Variante GPT-Live-1 mini steht im kostenfreien Zugang bereit. Verfügbar ist die neue Sprachfunktion auf iOS, Android und ChatGPT.com.