GPT-Live-1 in der API: Sprachagenten hören und sprechen gleichzeitig

OpenAI hat GPT-Live-1 am 10. September 2026 allgemein in seiner API verfügbar gemacht – nicht erst am 11. September. Entwicklerinnen und Entwickler können damit Sprachagenten bauen, die parallel zuhören und sprechen, statt ein Gespräch strikt in abgeschlossene Sprecherturns zu zerlegen. 116

Was Full Duplex im Gespräch verändert

Viele Sprachagenten arbeiten bisher als Kette: Zuerst wandelt Speech-to-Text die Sprache in Text um, dann erzeugt ein Sprachmodell eine Antwort und schließlich macht Text-to-Speech daraus wieder Audio. GPT-Live-1 ist als einheitliche Sprachschicht für den Echtzeitteil dieser Interaktion positioniert. 1

Der entscheidende Unterschied liegt beim Sprecherwechsel. Laut OpenAI kann GPT-Live-1 gleichzeitig zuhören und sprechen, Pausen und Tempoänderungen berücksichtigen und situativ entscheiden, ob es antworten oder weiter zuhören soll. Unterbrechungen und kurze bestätigende Einwürfe – sogenannte Backchannels – sollen dadurch weniger wie Fehler wirken und eher wie normale Gesprächsdynamik. 1915

Das Sprachmodell muss dabei nicht jede Aufgabe selbst lösen. Während die Unterhaltung weiterläuft, kann ein Backend-Modell oder Agent aufwendigeres Reasoning übernehmen oder Tools nutzen. OpenAI unterstützt dafür die Delegation über Responses an ein OpenAI-Modell sowie Client Delegation für ein eigenes Entwickler-Backend. 116

Sprachschicht vorne, Reasoning im Hintergrund

GPT-Live-1 übernimmt damit die Rolle der direkt mit dem Menschen interagierenden Sprachschicht. Das Backend kann etwa komplexere Entscheidungen treffen, Wissen abrufen, Workflows ausführen oder Tool-Aufrufe verarbeiten. In den Produktnotizen nennt OpenAI GPT-6 Astra als Option für anspruchsvollere Such- und Reasoning-Aufgaben; API-Teams können über Client Delegation aber auch ihr eigenes Backend anbinden. 416

Für die Entwicklung ergibt sich eine klare Aufteilung:

• GPT-Live-1 steuert die laufende Interaktion: Zuhören, Sprechen und Gesprächs-Timing.
• Ein Backend-Modell oder Agent übernimmt komplexe Entscheidungen und Tool-Nutzung.
• Kosten und Verhalten des gesamten Agenten hängen von beiden Ebenen ab – nicht allein vom Sprachmodell. 1618

OpenAI verweist zudem auf besseres Befolgen von Anweisungen, anpassbare Stimmen und Unterstützung für Telefonie. 13

Preis: 0,05 US-Dollar pro Minute – Backend kommt hinzu

Eine GPT-Live-1-Sprachsitzung kostet 0,05 US-Dollar pro Minute. Die Abrechnung erfolgt sekundengenau; es wird also nicht auf die nächste volle Minute aufgerundet. 1618

Dieser Preis deckt jedoch nur die Sprachsitzung ab, nicht zwangsläufig den gesamten Sprachagenten. Die Nutzung des Backend-Modells und von Tools wird separat berechnet. Wer einen Produktivbetrieb kalkuliert, muss daher sowohl die Gesprächsdauer als auch die im Hintergrund delegierten Rechen- und Tool-Aufgaben berücksichtigen. 1618

Benchmarks: Was OpenAI berichtet – und was offenbleibt

OpenAI berichtet, GPT-Live-1 habe sich im eigenen Full Duplex Bench gegenüber GPT-Realtime-2.1 um 30 Prozentpunkte verbessert. Zudem habe GPT-Live-1 in Kombination mit GPT-6 Astra bei mittlerem Reasoning-Aufwand bei Tau3 den ersten Platz erreicht. 1

Die vorliegenden Quellen belegen allerdings nicht unabhängig die im Ausgangsbericht genannten konkreten Werte zur Latenz beim Sprecherwechsel oder den exakten Vergleich von Tau3-Erfolgsquoten. Diese Detailzahlen sollten auf Basis des hier vorliegenden Materials deshalb nicht als verifiziert gelten.

Was frühe Anwender berichten

OpenAI nennt mehrere frühe Produktiv-Einsätze als Beispiele dafür, welchen Nutzen natürlicheres Sprecherwechsel-Verhalten haben kann:

• Yelp berichtet nach der Integration von GPT-Live-1 in Yelp Host und Hatch von besserem Sprecherwechsel und höherer Genauigkeit. Bei Reservierungs- und Essensbestell-Anrufen hätten Anrufende vollständiger und natürlicher gesprochen, zudem habe sich die Gesprächsabwicklung verbessert. 1
• Speak zufolge konnten Sprachlernende länger nachdenken, bevor ein Tutor antwortete. Im Vergleich zu den vorherigen turn-basierten Systemen seien Unterbrechungen um fast 80 Prozent zurückgegangen. 1
• Ein Gesundheitsunternehmen erklärt, der Wechsel weg von einer kaskadierten Architektur habe die Codebasis um 80 Prozent vereinfacht und 23.000 Codezeilen entfernt. Zugleich seien natürlichere Patientengespräche in Echtzeit möglich geworden. 1

Diese Angaben stammen von den jeweiligen Unternehmen und sind keine unabhängigen Evaluationen. Sie sind daher vor allem als Praxisbeispiele zu verstehen, nicht als allgemeine Leistungsgarantie.

Was die verfügbaren Quellen nicht bestätigen

Die vorliegenden Informationen belegen weder einen Enterprise-Zugang über ein verwaltetes Produkt namens „Presence“ noch eine konkret für diesen API-Start ausgewiesene Erweiterung bei Akzenten, Dialekten oder unterstützten Sprachen. Vor Beschaffungs- oder Implementierungsentscheidungen sollten solche Angaben direkt in der aktuellen OpenAI-Dokumentation geprüft werden.

Fazit

Die zentrale Neuerung von GPT-Live-1 ist architektonisch: Die API erhält eine Full-Duplex-Sprachschicht, die ein Gespräch flüssig weiterführen kann, während ein getrenntes System langsameres Reasoning erledigt oder Tools aufruft. Mit 0,05 US-Dollar pro Minute und sekundengenauer Abrechnung ist der Preis für die Sprachzeit einfach nachvollziehbar. Die Gesamtkosten hängen aber weiterhin vom gewählten Backend-Modell und den eingesetzten Tools ab. 11618