GPT-Live, die neueste Generation von Sprachmodellen, die die Interaktion mit ChatGPT menschenähnlicher gestalten soll, wurde bereits von OpenAI veröffentlicht. Diese Modelle können Fragen an ein fortschrittliches Textmodell weiterleiten, um eine Websuche durchzuführen oder eine schwierige Situation direkt während eines Sprachgesprächs zu lösen.
Die Einführung begann am 8. Juli und wird nun auf alle ChatGPT Voice-Nutzer weltweit über iOS, Android und Web ausgeweitet.
Was OpenAI auf den Markt gebracht hat
Aktuell sind zwei verschiedene Versionen des Modells erhältlich: GPT-Live-1 und GPT-Live-1 mini. Während das erstere Modell für ChatGPT Voice-Nutzer der Versionen Go, Plus und Pro als Standard dient, ist das letztere nun Standard für Free-Nutzer. Beide Modelle sind Vollduplex-fähig, d. h. sie ermöglichen gleichzeitiges Empfangen von Audio und Sprechen anstelle von rundenbasierter Kommunikation.
Wie sich herausstellt, ist der Unterschied zwischen Vollduplex- und dialogbasierter Kommunikation beträchtlich. Bisherige Sprachsysteme reagierten erst, nachdem der Sprecher mit dem Sprechen fertig war, da sie Sprache nicht gleichzeitig verarbeiten und eine Antwort generieren konnten. Die Vollduplex-Technologie ermöglicht es, dem Nutzer eine Rückmeldung zu geben („Verstanden“ usw.), kurz zu warten, bis er seine Gedanken gesammelt hat, und dann unverzüglich auf die Unterbrechung zu reagieren.
Vor dieser Veröffentlichung gab es bereits zwei Entwicklungsphasen für ChatGPT Voice. Die erste Version des Modells basierte auf der Verkettung dreier verschiedener Modelle: Spracherkennung, Sprachmodell und Sprachausgabe. Dieses Modell ermöglichte zwar Echtzeitgespräche, wirkte aber unnatürlich, da alle Informationen nacheinander drei Modelle durchlaufen mussten. In einer weiteren Entwicklungsphase wurde der erweiterte Sprachmodus eingeführt, der Audio direkt im Modell verarbeiten und generieren konnte. Dadurch wurde die Verzögerung deutlich reduziert und die Konversation flüssiger. Allerdings nutzte dieses Modell weiterhin rundenbasierte Kommunikation und erkannte das Ende eines Redebeitrags durch Stille. Daher konnte es bei Hintergrundgeräuschen oder kurzen Sprechpausen zu Fehlern kommen. Das neue GPT-Live-Modell zielt darauf ab, beide Probleme durch eine kontinuierliche Architektur zu lösen. Diese ermöglicht es dem Modell, Entscheidungen bezüglich Zuhören, Sprechen, Pausieren und der Verwendung von Werkzeugen mehrmals pro Sekunde zu treffen.
Suche und tiefergehendes Denken fließen in das Gespräch ein.
Ein weiteres wichtiges Merkmal von GPT-Live ist seine Fähigkeit, Aufgaben zu bewältigen, die mehr Aufwand als eine einfache Antwort erfordern. Anstatt diese Aufgabe selbst zu erledigen, kann GPT-Live sie beim Start an ein separates Frontier-Modell, GPT-5.5, delegieren, während das Gespräch weiterläuft. Sobald das Modell die Antwort erhalten hat, fügt es diese in das Sprachgespräch ein.
Dies stellt eine bedeutende architektonische Verbesserung gegenüber früheren Modellen dar, da ChatGPT Voice nun in zwei unabhängig voneinander arbeitende Komponenten aufgeteilt ist. GPT-Live sorgt für eine natürliche Interaktion, während GPT-5.5 die Suche und das tiefergehende Denken übernimmt. Dadurch kann GPT-Live automatisch mit den neuesten Modellen Schritt halten, ohne die Sprachverarbeitung komplett neu entwickeln zu müssen. Nutzer können selbst entscheiden, wie viel Denkaufwand für eine bestimmte Frage erforderlich ist. Der Sofortmodus, der für schnelle Antworten optimiert ist, nutzt GPT-5.5 Instant, während die Modi Mittel und Hoch GPT-5.5 Thinking verwenden.
Zusätzlich zeigt ChatGPT Voice jetzt visuelle Karten zu Themen wie Wetter, Aktien, Sportergebnisse und Karten an, selbst während der Sprecher spricht. Die gesprochene Antwort wird also visuell ergänzt, anstatt in den Textmodus zu wechseln. OpenAI gibt an, dass Voice weiterhin Funktionen wie Suche, Speicher, Bild- und Datei-Upload unterstützt, genau wie zuvor.
Wie OpenAI die Verbesserung gemessen hat
OpenAI hat spezielle menschliche Bewertungen entwickelt, um zu beurteilen, wie angenehm und natürlich sich Sprachkonversationen anfühlen, anstatt sich auf herkömmliche Benchmark-Werte zu verlassen. Im Vergleich zum erweiterten Sprachmodus in fünf- bis zehnminütigen Gesprächen gibt OpenAI an, dass GPT-Live-1 und GPT-Live-1 mini hinsichtlich Kriterien wie Gesamtpräferenz, Gesprächsführung, Unterbrechungen, Gesprächsfluss und Natürlichkeit der Interaktion deutlich besser abschneiden.
Gleichzeitig gibt OpenAI an, einige Verbesserungen gegenüber traditionellen Benchmarks erzielt zu haben. Beispielsweise übertrifft GPT-Live-1 den Advanced Voice Mode deutlich beim GPQA-Benchmark, der wissenschaftliches Denken auf Expertenniveau in Biologie, Chemie und Physik bewertet. Auch beim BrowseComp-Benchmark, der die Websuche und das Auffinden seltener Informationen durch Agenten testet, sind deutliche Verbesserungen zu verzeichnen. GPT-Live-1 übertrifft den Advanced Voice Mode zudem bei einem internen Benchmark, der Sprachagenten in mehrstufigen Telekommunikations-Support-Szenarien evaluiert.
Um das Ausmaß dieser Ergebnisse zu verdeutlichen, gibt OpenAI an, dass wöchentlich mehr als 150 Millionen Menschen mit ChatGPT kommunizieren und dabei Funktionen wie Sprach- und Diktierfunktion nutzen.
Speziell für Sprachübertragung entwickelte Sicherheitsmaßnahmen
Da Sprachkonversationen Echtzeit-Interaktion und hochsensible Themen umfassen, erklärte OpenAI, dass GPT-Live im Vergleich zu den Textmodellen des Unternehmens mit spezifischen Sicherheitstrainings und zusätzlichen Sicherheitsvorkehrungen ausgestattet wurde. Das Unternehmen erweiterte sein Testportfolio um Sicherheitstests und audiospezifische Sicherheitstests sowie um synthetische Audioanalysen zu Selbstverletzung, Psychose und Manie, emotionaler Abhängigkeit von KI, Gewalt und sexuell expliziten Inhalten, basierend auf den Erkenntnissen aus dem erweiterten Sprachmodus. Laut OpenAI übertraf GPT-Live den erweiterten Sprachmodus in nahezu allen genannten Bereichen.
Darüber hinaus erwähnte das Unternehmen, dass bestimmte Schutzmechanismen bereits während eines laufenden Gesprächs greifen können. Bei potenziell gefährlichen Äußerungen kann das System das Modell umleiten, um eine sichere Antwort zu geben, Sicherheitshinweise oder relevante Ressourcen anzuzeigen oder in risikoreichen Fällen das Gespräch zu beenden. Zum Thema Selbstverletzung hat OpenAI bestehende Unterstützungsabläufe in ChatGPT für die Sprachkommunikation implementiert, einschließlich der Unterstützung durch eine von Experten geprüfte Krisen-Hotline.
Für jugendliche Nutzer wurden spezielle Schutzmaßnahmen implementiert, wobei altersgerechte Verhaltensweisen direkt in das Modell integriert wurden. Eltern können Kindersicherungen einrichten, mit denen sie ChatGPT Voice auf dem verknüpften Konto ihres Kindes blockieren können. Zudem erhalten Eltern Benachrichtigungen in Risikosituationen, die auf Selbstverletzung oder Suizidgedanken hindeuten.
Was noch nicht enthalten ist
Aktuell unterstützt GPT-Live in ChatGPT keine Sprachübertragung in Kombination mit Video- und Bildschirmfreigabe. OpenAI hat bestätigt, dass an der Implementierung dieser Funktionen gearbeitet wird. Bis dahin stehen die bisherigen Standard- und erweiterten Sprachmodi weiterhin zur Verfügung, wenn Video- oder Bildschirmfreigabe erforderlich ist.
Laut dem Unternehmen wurde GPT-Live für die gängigsten Sprachen in ChatGPT optimiert, während die Leistung bei weniger verbreiteten Sprachen geringer ausfallen kann, was zu einem hörbaren Akzent oder einer verminderten Sprachflüssigkeit führen kann.
Warum dies für Suche und Inhalte wichtig ist
Für alle, die über die Sichtbarkeit ihrer Inhalte in KI-Produkten nachdenken, bietet die neue Funktion eine zusätzliche Perspektive. Eine per Spracheingabe gestellte Frage kann eine Websuche auslösen und die Antwort direkt im Sprachchat anzeigen lassen, manchmal ergänzt durch eine visuelle Karte auf dem Bildschirm – ganz ohne Browser öffnen oder mehrere Links anklicken zu müssen.
Unklar ist noch, wie Quellenangaben für gesprochene Antworten erfolgen, die eine Websuche erfordern. Normalerweise verlinkt ChatGPT die Quellen neben der Textantwort, doch OpenAI hat sich nicht dazu geäußert, ob die Quellenangaben in der gesprochenen Antwort vorgelesen, visuell dargestellt oder ganz weggelassen werden. Dies ist für Verlage und Marketingfachleute wichtig, da es darüber entscheidet, ob die Sprachsuche innerhalb von ChatGPT weiterhin zu Besuchen der Quelle führt oder ob die Antwort allein ausreicht.
Häufig gestellte Fragen
Frage 1: Was ist GPT-Live?
GPT-Live ist die neue Generation von Sprachmodellen von OpenAI, die ChatGPT Voice antreibt. Die Technologie basiert auf einer Vollduplex-Architektur, die gleichzeitiges Hören und Sprechen ermöglicht und die Weiterleitung von Anfragen, die eine Suche und tiefergehende Schlussfolgerungen erfordern, an ein fortschrittliches Modell wie GPT-5.5 vorsieht.
Frage 2: Wann wurde GPT-Live veröffentlicht?
OpenAI begann am 8. Juli 2026 mit der Einführung von GPT-Live für alle ChatGPT-Nutzer weltweit über iOS-, Android- und Webversionen.
Frage 3: Welche ChatGPT-Nutzer erhalten GPT-Live-1 bzw. GPT-Live-1 mini?
GPT-Live-1 ist standardmäßig für Go-, Plus- und Pro-Abonnenten verfügbar. GPT-Live-1 mini ist die Standardversion für kostenlose Nutzer.
Frage 4: Wie geht GPT-Live mit Websuchen während eines Sprachgesprächs um?
Wenn die gesprochene Frage aktuelle Informationen oder eine tiefergehende Begründung erfordert, sendet GPT-Live sie im Hintergrund an GPT-5.5 und setzt das Gespräch fort, bis die Antwort bereit ist und in den Sprachaustausch einbezogen wird.
Frage 5: Was sind die visuellen Karten in ChatGPT Voice?
ChatGPT Voice kann jetzt während des Sprechens visuelle Karten zu Themen wie Wetter, Aktien, Sportergebnisse und Karten anzeigen und so gesprochene Antworten mit einem visuellen Gegenstück versehen.
Frage 6: Unterstützt GPT-Live Video- oder Bildschirmfreigabe?
Noch nicht. OpenAI gab an, daran zu arbeiten, und die älteren Standard- und erweiterten Sprachmodi stehen weiterhin zur Verfügung, wenn Video- oder Bildschirmfreigabe erforderlich ist.
Frage 7: Wie hat OpenAI die Leistung von GPT-Live bewertet?
OpenAI führte direkte Vergleichstests mit menschlichen Testpersonen durch, bei denen GPT-Live mit dem Advanced Voice Mode verglichen wurde. Die Tests umfassten fünf- bis zehnminütige Gespräche, in denen die allgemeine Präferenz, der Gesprächsverlauf, Unterbrechungen und der Gesprächsfluss gemessen wurden. Zusätzlich wurden Benchmark-Tests wie GPQA und BrowseComp durchgeführt.
Frage 8: Welche Sicherheitsmaßnahmen sind in GPT-Live integriert?
OpenAI hat audiospezifische Sicherheitstests und -bewertungen für Bereiche wie Selbstverletzung, emotionale Abhängigkeit und Psychose hinzugefügt, sowie Schutzmechanismen, die in der Lage sind, das Gespräch umzuleiten, Sicherheitshinweise oder Ressourcen anzuzeigen oder es in risikoreicheren Situationen zu beenden.
Frage 9: Wie viele Personen nutzen ChatGPT Voice?
OpenAI gab an, dass wöchentlich mehr als 150 Millionen Menschen mit ChatGPT über Funktionen wie Sprach- und Diktierfunktion interagieren.
Frage 10: Gibt GPT-Live seine Quellen an, wenn es im Internet sucht?
In der Ankündigung von OpenAI wurde nicht spezifiziert, ob gesprochene Antworten Quellen laut nennen, sie visuell anzeigen oder sie weglassen, sodass dieses Detail vorerst unklar bleibt.
