EcomTask
Termin vereinbaren
KI-News

GPT-Live-1: OpenAIs Sprachmodell hört zu, während es spricht

OpenAI gibt GPT-Live-1 für Entwickler frei. Was das Modell für Agenten am Telefon verbessert und was es nicht löst.

4 Min. Lesezeit

Am 10. September 2026 hat OpenAI sein Sprachmodell GPT-Live-1 für Entwickler freigegeben. Es ist das Modell hinter der Sprachfunktion von ChatGPT und steht jetzt über die API auch Unternehmen zur Verfügung, die eigene Sprach-Agenten bauen, etwa für die Telefonannahme. Der Kern der Neuerung: Das Modell hört zu, während es spricht. OpenAI nennt das „full-duplex“. Abgerechnet wird die Sprachschicht mit 0,05 US-Dollar pro Minute, sekundengenau.

Für alle, die über Agenten am Telefon nachdenken, ist das eine der praktisch wichtigeren Meldungen der letzten Wochen. Nicht, weil damit plötzlich alles geht, sondern weil sie ein konkretes, bekanntes Problem angeht.

Was GPT-Live-1 anders macht

Bisherige Sprach-Agenten arbeiten meist abwechselnd: Der Anrufer spricht, das System wartet auf eine Pause, dann antwortet es. Fällt der Anrufer ins Wort, sagt er „ähm“ oder denkt kurz nach, gerät dieser Wechsel leicht durcheinander. Der Agent unterbricht, wo er warten sollte, oder redet weiter, wo er aufhören sollte. Genau das macht Telefonate mit KI-Agenten bislang oft hölzern.

GPT-Live-1 verarbeitet Hören und Sprechen gleichzeitig in einem Modell. Laut OpenAI erkennt es Pausen, Unterbrechungen und kurze Rückmeldungen wie „mhm“ und passt sich an, wenn ein Gespräch die Richtung wechselt. Die wichtigsten Angaben aus der Ankündigung, alle aus OpenAIs eigenen Messungen:

  • Reaktionszeit: rund 0,8 Sekunden bis zur Antwort, gegenüber rund 1,4 Sekunden beim Vorgänger GPT-Realtime-2.1.
  • Werkzeugaufrufe: 87 Prozent korrekt ausgeführt, gegenüber 60 Prozent beim Vorgänger.
  • Anbindung: WebRTC für den Browser, WebSockets für Server und SIP für Telefonanrufe.
  • Stimmen: zwölf vorgegebene Stimmen; eigene Stimmen nur über den Vertrieb von OpenAI.

Als frühen Anwender nennt OpenAI unter anderem Yelp, das Reservierungs- und Bestellanrufe damit beantwortet und nach eigener Aussage mehr Anrufe erfolgreich abwickelt.

Gespräch und Logik sind getrennt

Wichtiger als die Benchmarks ist der Aufbau. GPT-Live-1 führt nur das Gespräch. Laut Dokumentation hört es zu, spricht und entscheidet, wann es ein Hintergrundsystem um Hilfe bittet. Dieses Hintergrundsystem denkt nach, ruft Werkzeuge auf und liefert Ergebnisse zurück, die der Sprach-Agent dann ausspricht. Während dort gearbeitet wird, läuft das Gespräch weiter.

Für das Hintergrundsystem gibt es zwei Wege. Entweder betreibt OpenAI ein Sprachmodell dafür, das du frei wählst. Oder du hängst einen eigenen Agenten an, der die Aufgabe in deiner Umgebung erledigt und das Ergebnis zurückschickt. OpenAI nennt das „client delegation“. Damit lässt sich eine bestehende Logik, etwa für Terminbuchung oder Auftragsstatus, hinter eine neue Sprachschicht setzen, ohne sie neu zu bauen.

Die Kehrseite steht ebenfalls in der Dokumentation: Die Sprachschicht kennt von sich aus weder Kundendaten noch Aufträge. Rechte, Bestätigungen, Geschäftsdaten und den Stand einer Aufgabe verwaltet deine Anwendung. OpenAI weist zudem darauf hin, dass eine Unterbrechung im Gespräch eine laufende Aufgabe im Hintergrund nicht abbricht und dass ein Agent eine Buchung erst bestätigen soll, wenn sie tatsächlich ausgeführt ist.

Was das für die Praxis heißt

Für Unternehmen, die Anrufe mit einem KI-Agenten annehmen wollen, ändert sich vor allem die Gesprächsqualität. Ein Agent, der nicht ins Wort fällt und auf Einwürfe reagiert, wird von Anrufern eher akzeptiert. Der Preis von 0,05 Dollar pro Minute macht die Sprachschicht zudem gut kalkulierbar: Ein Anruf von drei Minuten kostet dort 15 Cent. Hinzu kommen allerdings die Kosten für das Hintergrundmodell, die Werkzeuge und die Telefonie. Die Gesamtkosten pro Anruf hängen also davon ab, wie viel der Agent im Gespräch tatsächlich erledigt.

Was sich nicht ändert: Ob ein Telefon-Agent im Alltag funktioniert, entscheidet sich weiterhin nicht an der Stimme, sondern an den Systemen dahinter. Ein Agent, der einen Termin verbindlich zusagen oder einen Lieferstatus nennen soll, braucht Zugriff auf Kalender, Shop oder Warenwirtschaft, saubere Regeln und eine klare Übergabe an Menschen. Diese Anbindung an die bestehenden Systeme bleibt der eigentliche Aufwand. Die getrennte Architektur von GPT-Live-1 macht das sogar deutlicher als bisher, weil die Gesprächsschicht ausdrücklich keine Geschäftslogik übernimmt.

Einige Punkte solltest du vor einem Einsatz nüchtern prüfen:

  • Deutsch im echten Gespräch: Die veröffentlichten Werte sind Messungen von OpenAI, in erster Linie auf englischen Testszenarien. Erste Erfahrungsberichte von Entwicklern nennen Akzente und Lücken in anderen Sprachen. Ob das Modell mit Dialekt, Straßennamen oder Auftragsnummern am Telefon zuverlässig umgeht, zeigt nur ein eigener Test.
  • Abbruch und Doppelbuchung: Legt der Anrufer auf oder ändert seinen Wunsch, läuft die Aufgabe im Hintergrund weiter. Deine Anwendung muss das abfangen, sonst entstehen doppelte oder ungewollte Buchungen.
  • Datenschutz: Audio und Transkripte werden bei einem US-Anbieter verarbeitet. Welche Daten das Gespräch erreichen und wie lange sie gespeichert werden, gehört vor den Livegang geklärt.
  • Kosten realistisch rechnen: Die 0,05 Dollar gelten nur für die Sprachschicht. Rechne mit dem Hintergrundmodell und der Telefonie, nicht nur mit dem Minutenpreis.

Unterm Strich ist GPT-Live-1 ein echter Fortschritt für die Gesprächsführung am Telefon und ein klares Signal, dass Sprache und Logik bei Agenten getrennt gebaut werden. Ein Agent, der Vorgänge am Telefon zu Ende bringt, entsteht dadurch aber nicht von selbst. Er entsteht weiterhin dort, wo er an die eigenen Systeme angebunden ist.

Quellen

Weitere Artikel

Termin vereinbaren

60 Minuten. Deine Prozesse.Eine ehrliche Einschätzung.

Artikel sind nett. Lass uns gemeinsam auf deine Abläufe schauen und herausfinden, wo Automatisierung den größten Hebel hat.

Termin vereinbarenProjekte ansehen