OpenAI’s GPT-Live-1 kommt in die API für 0,05 $ pro Minute

OpenAI hat GPT-Live-1 in der API eingeführt am 10. September 2026, wodurch sein vollduplex‑Sprachmodell Entwicklern für 0,05 $ pro Minute für die Front‑End‑Sprachschicht zur Verfügung gestellt wird. Die Veröffentlichung erweitert das Gesprächssystem hinter ChatGPT Voice auf Drittanbieter‑Apps und geschäftliche Arbeitsabläufe.

GPT-Live-1 kann gleichzeitig zuhören und sprechen, und OpenAI erklärte, dass es tiefere Schlussfolgerungen und Aktionen an die Modelle und Werkzeuge delegiert, mit denen es gekoppelt ist, wie bei Codex und ChatGPT Work demonstriert wurde. Für die API‑Veröffentlichung sagte das Unternehmen, dass es sich auf Funktionen konzentriert habe, die es Entwicklern ermöglichen, Sprach­erlebnisse für ihre Nutzer, Arbeitsabläufe und Ziele zu steuern und anzupassen.

Ein einziges Modell für Zuhören und Sprechen

Traditionelle Sprach‑Agents verknüpfen Speech‑to‑Text, ein Reasoning‑Modell und Text‑to‑Speech, wobei jeder Übergang Latenz hinzufügt und mehr Möglichkeiten bietet, Timing, Kontext oder den natürlichen Rhythmus einer Unterhaltung zu verlieren. GPT-Live-1 verarbeitet Zuhören und Sprechen in einem einzigen Modell, das eingehende und ausgehende Audiodaten gemeinsam verarbeitet, Unterbrechungen und Bestätigungen in Echtzeit beantwortet und tiefere Schlussfolgerungen an das Backend delegiert, sodass das Gespräch weiterlaufen kann, während im Hintergrund gearbeitet wird.

Entwickler wählen die Modelle, Werkzeuge und den Agent‑Framework hinter der Konversation. OpenAI gibt das Beispiel, GPT-Live-1 mit einem Modell wie Luna für hochvolumige Aufgaben wie Terminplanung oder Auftragsupdates zu koppeln und mit einem Modell wie Astra für komplexe Kundenanliegen, die reasoning erfordern; das Backend kann ebenfalls ein Drittanbieter‑Modell sein. Entwickler können den Ton, das Tempo und den Gesprächsstil eines Agents über den System‑Prompt formen.

OpenAI nennt weitere Stärken für die API‑Veröffentlichung: stilles Kontext‑Management und Hintergrundgeräusch‑Handling, ohne jeden Schritt laut zu narrieren, Kontext‑Retention über verlängerte Sitzungen hinweg und Telefonie‑Unterstützung für vollduplex‑Telefon‑Agents bei Anrufen von Restaurant‑Reservierungen bis hin zum Kundensupport. GPT-Live-1 liefert nativ ASR‑Transkripte und Antwort‑Text, unterstützt Keyword‑Biasing und alphanumerisches Verständnis und, obwohl es kein turn‑basiertes Modell ist, unterstützt es nativ Turn‑Detection, sodass Entwickler um explizite Turn‑Grenzen herum weiterbauen können. Ein mit der Ankündigung veröffentlichter Code‑Auszug zeigt eine Anwendung, die den Gesprächskontext an Codex übergibt und Codex’ Antwort an GPT-Live-1 während einer Sitzung zurückgibt.

Berichtete Bewertungsergebnisse

OpenAI berichtet, dass GPT-Live-1 die Full Duplex Bench‑Leistung um 30 Prozentpunkte gegenüber GPT‑Realtime‑2.1 verbessert, mit großen Gewinnen bei Turn‑Taking‑Latenz und interaktivem Verhalten, und dass es bei Tau3, einem Benchmark zur Messung von Spitzen‑Voice‑Agent‑Intelligenz bei End‑to‑End‑Aufgaben, den ersten Platz belegt, wenn es mit GPT‑6 Astra bei mittlerem Reasoning‑Aufwand gekoppelt wird.

Bei Tau3 (Voice) Intelligence, das gesprochene Kundenservice‑Aufgaben in den Bereichen Luftfahrt, Einzelhandel und Telekommunikation evaluiert, liegen die von OpenAI gemeldeten Pass@1‑Erfolgsquoten bei 86,2 % für GPT‑Live‑1 gegenüber 45,7 % für GPT‑Realtime‑2.1 und 42,4 % für GPT‑Realtime‑2. Bei Tau Banking (Voice) Knowledge, gemessen als Anteil der 97 erfolgreich abgeschlossenen Banking‑Wissens‑Aufgaben, betragen die gemeldeten Werte 32,0 % gegenüber 12,4 % und 10,3 %.

Das Unternehmen meldete außerdem einen durchschnittlichen Artificial Analysis Conversational Dynamics‑Score von 97,3 % für GPT‑Live‑1 gegenüber 95,7 % für GPT‑Realtime‑2.1 und 95,3 % für GPT‑Realtime‑2, bei einer Bewertung, die Pausen‑Handling, konversationelles Turn‑Taking, Unterbrechungen und Backchannels umfasst. Bei Full Duplex Bench v1.5 Interactivity, das Reaktionen auf Hintergrundgeräusche, Sprache zu einer anderen Person, Zuhörer‑Backchannels und Unterbrechungen testet, liegen die gemeldeten Werte bei 80,10 % gegenüber 45,4 % und 47,8 %. Die gemeldete Full Duplex Bench v1 Turn‑Taking‑Latenz, die misst, wie schnell der Agent nach Abschluss eines Nutzer‑Turns antwortet, beträgt 0,798 Sekunden gegenüber 1,41 Sekunden und 1,63 Sekunden. Bei Full Duplex Bench v3, durchgeführt mit einem Terra‑Backend bei geringem Reasoning‑Aufwand, meldete OpenAI ein Tool‑Calling Pass@1 von 87,0 % gegenüber 60,0 % und 58,0 % sowie eine Antwort‑Qualität von 90,0 % gegenüber 88,0 % und 81,0 %.

Von ChatGPT Voice zur API

OpenAI führte GPT‑Live am 8. Juli 2026 als neue Generation von vollduplex‑Sprachmodellen ein, die ChatGPT Voice antreiben, und rollte noch am selben Tag GPT‑Live‑1 und GPT‑Live‑1 mini für ChatGPT‑Nutzer weltweit aus, wobei angekündigt wurde, die Modelle später in die API zu bringen. OpenAI sagte, GPT‑Live‑1 würde zum Standardmodell für ChatGPT Voice für Go-, Plus‑ und Pro‑Nutzer, während GPT‑Live‑1 mini das Standardmodell für Free‑Nutzer sein würde. Ein Update vom 31. Juli 2026 fügte SynthID‑Wasserzeichen zu unterstütztem Audio hinzu, das mit GPT‑Live über ChatGPT Voice und die OpenAI‑API erzeugt wird, sowie API‑Zugang zu OpenAIs öffentlichem Verifikations‑Tool.

Die Ankündigung verweist Unternehmen zudem auf OpenAI Presence, das OpenAI zufolge GPT‑Live‑1 nutzt, um Echtzeit‑Sprachinteraktionen für Agents zu ermöglichen, die Fragen beantworten, Probleme lösen, Unternehmenssysteme nutzen, genehmigte Aktionen ausführen und bei Bedarf an Menschen eskalieren. OpenAI stellte Presence am 22. Juli 2026 als bereitgestelltes Enterprise‑Produkt für Sprach‑ und Chat‑Workflows vor, das berechtigten Kunden über ein limitiertes General‑Availability‑Programm, geleitet von OpenAI Forward Deployed Engineers und ausgewählten globalen Systemintegratoren, und nicht als Self‑Service‑Produkt verfügbar ist.

Frühe Kunden und neue Stimmen

Yelps Chief Technology Officer Alex Levy sagte, die Integration von GPT‑Live‑1 in Yelp Host und Hatch habe das Turn‑Taking und die Genauigkeit gegenüber der traditionellen Spracharchitektur des Unternehmens verbessert, und Yelp sehe bedeutende Verbesserungen bei den Anruf‑Bearbeitungsraten, wenn Yelp Host Anrufe wie Reservierungen und Essensbestellungen entgegennimmt. „Anrufer formulieren zudem vollständigere, natürlichere Sätze, was uns zeigt, dass das Erlebnis am anderen Ende der Leitung wirklich anders wirkt“, erklärte Levy. Eine mit der Ankündigung veröffentlichte Demo zeigt, wie Yelp Host eine Reservierung sichert, während GPT‑Live‑1 Hintergrundgeräusche, Nebengespräche und Unterbrechungen verarbeitet.

Speak‑Mitbegründer und Chief Technology Officer Andrew Hsu sagte, frühe Evaluierungen hätten ergeben, dass GPT‑Live‑1 Unterbrechungen während Denkpausen von Lernenden um fast 80 % reduziert im Vergleich zu vorherigen turn‑basierten Systemen in Speaks Live Tutor Lessons. Fin‑Chief Operating Officer Jordan Neil erklärte, das Modell verlagere die KI‑Sprachunterstützung von einem Stop‑Start‑Rhythmus hin zum natürlichen Fluss eines Telefonats, sodass Kunden pausieren, unterbrechen und die Richtung ändern können, während Fin das Gespräch mit seinem proprietären Support‑System koppelt, um Probleme zu lösen. Cognition‑Mitbegründer und Chief Product Officer Walden Yan beschrieb, wie er GPT‑Live‑1 zusammen mit Devin, Cognitions KI‑Ingenieur, nutzt, um Ideen zu diskutieren, Konzepte zu prüfen oder Arbeit zu übergeben, während er nicht am Keyboard ist.

OpenAI sagte, es erweitere das Angebot von einer kleinen Auswahl an Echtzeit‑Stimmen zu einer breiteren Palette von Akzenten, Dialekten und Sprachen, wodurch Entwicklern mehr Wahlmöglichkeiten für den Klang ihrer Assistenten geboten werden. Entwickler, die Zugang zu einer benutzerdefinierten Stimme wünschen, müssen den OpenAI‑Vertrieb kontaktieren, um Informationen zu Berechtigung und Antragsverfahren zu erhalten. Das Unternehmen erklärte, dass es die Voice‑Optionen und die Verfügbarkeit von Sprachen in den kommenden Monaten weiter ausbauen werde.