OpenAI hat am Mittwoch mit GPT-Live eine neue Spracharchitektur für ChatGPT vorgestellt. Die Modelle sollen Gespräche natürlicher machen, weil sie gleichzeitig zuhören und antworten können. Ersetzt wird damit der bisherige Advanced Voice Mode. Der Rollout beginnt weltweit auf iOS, Android und ChatGPT.com.
Zum Start werden GPT-Live-1 und GPT-Live-1 mini ausgerollt. Für zahlende Nutzer in den Tarifen Go, Plus und Pro wird GPT-Live-1 zum Standardmodell, während GPT-Live-1 mini für die Gratisversion vorgesehen ist. Später sollen die Modelle auch über die API verfügbar werden; Entwickler können sich dafür bereits benachrichtigen lassen.
Zusammenfassung
- OpenAI führt mit GPT-Live eine Full-Duplex-Sprachlösung für ChatGPT ein.
- GPT-Live-1 richtet sich an zahlende Nutzer, GPT-Live-1 mini an Gratisnutzer.
- Die Architektur trennt Sprachinteraktion und eigentliche Schlussfolgerung, um Gespräche flüssiger zu machen.
- Der Start erfolgt auf iOS, Android und im Web; eine API-Anbindung ist angekündigt, aber noch nicht verfügbar.
Neue Sprachgeneration für ChatGPT
Mit GPT-Live stellt OpenAI die dritte Generation seiner ChatGPT-Sprachfunktionen innerhalb von rund zwei Jahren vor. Das Unternehmen will die Nutzung stärker in Richtung eines echten Gesprächs verschieben, weg von der bisherigen Anmutung eines klassischen Frage-Antwort-Dialogs. Die neue Architektur soll nicht nur natürliche Unterhaltungen ermöglichen, sondern auch besser mit Unterbrechungen, kurzen Pausen und Hintergrundgeräuschen umgehen.
Was sich technisch ändert
Kern der Neuerung ist eine sogenannte Full-Duplex-Architektur. Vereinfacht bedeutet das: Das System kann parallel zuhören und sprechen, statt starr auf Gesprächswechsel zu warten. OpenAI zufolge verarbeitet GPT-Live fortlaufend Eingaben und kann dabei mehrfach pro Sekunde entscheiden, ob es spricht, weiter zuhört, eine Pause einlegt, unterbricht oder ein Werkzeug aufruft.
Im Alltag soll das etwa dafür sorgen, dass ChatGPT zustimmende Einwürfe wie „mhmm“ oder „verstanden“ geben kann, während die Nutzer noch sprechen. Auch kurze Denkpausen sollen nicht mehr sofort als Gesprächsende interpretiert werden. Hintergrundgeräusche oder schnelle Unterbrechungen sollen das Gespräch weniger stark stören als bei früheren Versionen.
Trennung von Sprache und Denken
Eine weitere Änderung betrifft die Architektur hinter dem Sprachassistenten. GPT-Live trennt die Sprachinteraktion von der eigentlichen Rechen- und Schlussfolgerungslogik. Einfache Fragen beantwortet das Modell direkt. Komplexere Anfragen, etwa für Websuche, mehrstufige Aufgaben oder tiefere Analyse, werden an ein separates Frontier-Modell übergeben, während die Unterhaltung weiterläuft.
Zum Start übernimmt diese Rolle GPT-5.5, das OpenAI bereits im April veröffentlicht hatte. Das Modell arbeitet im Hintergrund weiter, ohne dass die Gesprächsführung stocken soll. OpenAI kündigt an, künftige Frontier-Modelle ebenfalls in diese Struktur einzubinden. Für Unternehmen und Entwickler ist das interessant, weil Sprachsysteme damit Gespräche führen und gleichzeitig Datenbanken abfragen, Informationen recherchieren oder komplexere Agentenaufgaben erledigen könnten.
Von der Kette zum Live-Dialog
OpenAI ordnet GPT-Live als nächste Entwicklungsstufe nach der ursprünglichen ChatGPT-Voice-Funktion und dem Advanced Voice Mode ein. Die erste Generation aus dem Jahr 2023 arbeitete noch mit einer klassischen Kette aus Spracherkennung, Sprachmodell und Sprachausgabe. Dabei übersetzte Whisper Sprache in Text, GPT-4 erzeugte die Antwort, anschließend wurde sie wieder in Audio umgewandelt. Jede Übergabe brachte Verzögerungen und konnte Informationen verlieren.
Der Advanced Voice Mode, der zunächst im Sommer 2024 für Plus-Nutzer startete und später breiter verfügbar wurde, reduzierte diesen Aufbau auf ein einzelnes Modell mit nativer Audioverarbeitung. Trotzdem blieb das System auf klare Gesprächswechsel angewiesen. OpenAI räumt ein, dass schon kurze Pausen oder Hintergrundgeräusche als Ende des Redebeitrags missverstanden werden konnten. Genau diese Schwäche soll GPT-Live nun beseitigen.
Belastete Vorgeschichte rund um die Stimme
Die neue Sprachgeneration erscheint auch vor dem Hintergrund einer früheren Kontroverse. Im Zuge der GPT-4o-Vorstellung im Mai 2024 hatte OpenAI die Stimme „Sky“ gezeigt, die von vielen Hörern als stark an Scarlett Johansson erinnernd wahrgenommen wurde. Johansson erklärte später, sie habe ein Angebot von OpenAI-Chef Sam Altman abgelehnt, für das System zu sprechen, und sei dann überrascht gewesen, wie ähnlich die veröffentlichte Stimme ihrer eigenen klang.
OpenAI zog die Stimme zurück und entschuldigte sich. Der Fall löste aber weitere Kritik aus, unter anderem von SAG-AFTRA und aus dem US-Kongress. OpenAI betont nun, GPT-Live sei für Konversationen gedacht, nicht für das Nachahmen realer Personen. Dafür habe man die neun bestehenden ChatGPT-Stimmen überarbeitet und zusätzliche Schutzmechanismen eingebaut, die eine Imitation realer Stimmen verhindern sollen.
Funktionen für den Alltag
OpenAI verweist darauf, dass inzwischen mehr als 150 Millionen Menschen wöchentlich Sprach- und Diktierfunktionen in ChatGPT nutzen. Entsprechend bringt GPT-Live auch sichtbare Ergänzungen mit. Während eines Gesprächs können etwa visuelle Karten mit Wetterdaten, Börsenkursen, Sportergebnissen oder Karten eingeblendet werden, ohne den Sprachfluss zu unterbrechen.
Neu ist außerdem, dass Nutzer zwischen drei Denkstufen wählen können: Instant für schnelle Antworten, Medium für mittleren Aufwand und High für komplexere Aufgaben. Wer kurz nachdenkt, soll nicht sofort unterbrochen werden. Laut OpenAI reagiert ChatGPT zudem besser auf Anweisungen, still zu bleiben, und soll bei Verkehrslärm oder anderen Gesprächen stärker auf die Stimme des Nutzers fokussieren.
Sicherheitsmechanismen für Echtzeitgespräche
Begleitend zur Ankündigung hat OpenAI ein System Card zu GPT-Live veröffentlicht. Darin beschreibt das Unternehmen neue Sicherheitstests, die auf die Risiken von Echtzeitgesprächen zugeschnitten sind. Geprüft wurden unter anderem Fälle mit Selbstverletzung, sexuellen Inhalten, illegalem Verhalten, emotionaler Abhängigkeit, mentaler Gesundheit und Hassrede. Dafür nutzte OpenAI sowohl opt-in-aufgenommene Sprachbeispiele als auch synthetische, gezielt problematische Eingaben.
In diesen synthetischen Tests schnitt GPT-Live-1 nach Angaben von OpenAI deutlich besser ab als der frühere Advanced Voice Mode. Bei illegalem Verhalten stieg der Sicherheitswert von 0,63 auf 0,97, bei Selbstverletzung von 0,72 auf 0,98 und bei Hassrede von 0,87 auf 1,00. In realitätsnäheren Tests mit echten Nutzeraufnahmen fielen die Ergebnisse gemischter aus. Dort blieb Emotional Reliance ein Bereich mit leichter Verschlechterung, allerdings ohne statistische Signifikanz, wie OpenAI angibt.
Das Unternehmen hat außerdem Schutzfunktionen eingebaut, die noch während einer laufenden Sprachausgabe eingreifen können. Das System soll dann auf sicherere Antworten umsteuern, Krisenhinweise anzeigen oder in besonders riskanten Fällen das Gespräch beenden. Für Jugendliche wurden zusätzliche Schutzmaßnahmen vorgesehen. Auch die Hilfsabläufe bei Selbstverletzung wurden an die Sprachnutzung angepasst und mit Krisen-Hotlines verknüpft. OpenAI kündigte zudem an, die längerfristige Entwicklung emotionaler Abhängigkeit nach dem Start gesondert zu beobachten.
Wettbewerb im Markt für Sprach-KI
OpenAI steht mit GPT-Live nicht allein im Markt. Google bietet mit Gemini Live bereits eine Full-Duplex-Sprachfunktion in der Gemini-App an, inklusive Kamera- und Bildschirmfreigabe. Für Entwickler hat Google zudem Gemini 3.1 Flash Live als Echtzeit-Audiomodell vorgestellt. ByteDance führte im April Seeduplex ein und bezeichnete das System als die erste Full-Duplex-Sprach-KI im Produktivbetrieb in großem Maßstab innerhalb der Doubao-App. Nvidia wiederum stellte mit PersonaPlex ein Modell vor, das anpassbare Stimmen und Rollensteuerung für Full-Duplex-Systeme ermöglicht.
OpenAI räumt selbst ein, dass GPT-Live zum Start nicht alle Szenarien abdeckt. Sprachfunktionen mit Video oder Screen Sharing werden zunächst nicht unterstützt. Auch die Sprachabdeckung ist noch begrenzt; in einigen Sprachen kann es laut OpenAI zu nicht nativen Akzenten oder Lücken in der Sprachbeherrschung kommen. Der API-Zugang fehlt zum Start ebenfalls, was den Einsatz in Unternehmens- und Entwicklerprojekten zunächst einschränkt.
Blick auf die Rolle von Sprache in ChatGPT
Mit GPT-Live verfolgt OpenAI die bislang deutlichste Strategie, Sprache als primäre Oberfläche für KI zu etablieren. Das Unternehmen beschreibt die neue Forschung als Grundlage für komplexere, länger laufende und stärker agentische Aufgaben über Sprache. Gemeint sind damit nicht nur einfache Auskünfte, sondern auch mehrstufige Tätigkeiten, die sich in natürlicher Sprache ausführen lassen sollen.
Damit rückt ChatGPT weiter von der klassischen Chatbox weg. Aus einem Modell, das zunächst vor allem per Text bedient wurde, wird ein System, das sich stärker wie ein Gesprächspartner verhält. OpenAI macht damit einen weiteren Schritt in Richtung sprachgesteuerter KI-Anwendungen, auch wenn die neue Lösung zum Start noch Einschränkungen bei Sprache, Video und API-Zugang hat.
Nach Angaben von OpenAI soll GPT-Live das Gesprächsgefühl insgesamt deutlich verbessern. Wie weit das im Alltag trägt, wird sich mit der breiteren Nutzung zeigen.
