ChatGPT bekommt eine natürlichere KI-Stimme mit flexibler Interaktion

OpenAI stellt GPT-Live vor, eine neue Generation von Sprachmodellen mit Full-Duplex-Architektur. Das Modell kann gleichzeitig hören und sprechen und delegiert komplexe Aufgaben im Hintergrund an GPT-5.5.

OpenAI führt mit GPT-Live eine neue Klasse von KI-Modellen für Live-Unterhaltungen ein, die Gespräche mit ChatGPT natürlicher gestalten soll. Zwei Varianten werden ab sofort weltweit ausgerollt: GPT-Live-1 für zahlende Nutzer (Go, Plus, Pro) und GPT-Live-1 mini für kostenlose Accounts. Die Modelle sind auf iOS, Android und ChatGPT.com verfügbar. Für die API plant OpenAI den Zugang in Kürze. Entwickler können sich über ein Formular registrieren.

Statt der bisherigen starren Gesprächsführung, bei der Nutzer sprechen und das KI-Modell anschließend antwortet, setzt GPT-Live auf eine sogenannte Full-Duplex-Architektur. Das Modell kann gleichzeitig zuhören und sprechen, ähnlich wie in einem echten Gespräch zwischen Menschen. Mit PersonaPlex stellt Nvidia Anfang des Jahres ein ähnliches Modell als Open Source vor.

Laut OpenAI trifft GPT-Live dabei mehrfach pro Sekunde Entscheidungen darüber, ob es sprechen, weiter zuhören, pausieren, unterbrechen oder ein Werkzeug aufrufen soll. Das Modell kann mit Phrasen wie "mhmm" oder "got it" signalisieren, dass es dem Gespräch folgt. Nutzer können unterbrechen, Denkpausen einlegen oder das Modell bitten, langsamer zu sprechen.

Im Vergleich mit dem bisherigen Voice Mode bevorzugten Menschen GPT-Live-1 in 75,7 Prozent der Fälle, GPT-Live-1 mini in 69,2 Prozent. Neben den neuen Gesprächsfähigkeiten bringt das Update ein weiteres Feature: ChatGPT Voice kann nun während des Gesprächs visuelle Karten für Themen wie Wetter, Aktienkurse oder Sportergebnisse anzeigen. Außerdem hat OpenAI die neun verfügbaren Stimmen für GPT-Live überarbeitet.

Zum Launch unterstützt GPT-Live kein Voice mit Video oder Screen-Sharing in ChatGPT. Die Funktionen sollen laut OpenAI bald folgen. Die bisherigen Versionen, Standard und Advanced Voice Mode, bleiben vorerst verfügbar.

Komplexe Aufgaben delegiert GPT-Live an GPT-5.5

Die wohl wichtigste Neuerung ist die Entkopplung der Live-Gesprächsführung vom eigentlichen Reasoning. Wenn eine Frage Websuche, Reasoning oder agentische Fähigkeiten erfordert, delegiert GPT-Live die Aufgabe an ein Hintergrundmodell. Zum Start ist das GPT-5.5. Während das Hintergrundmodell arbeitet, hält GPT-Live das Gespräch aufrecht.

Laut OpenAI soll die Architektur es ermöglichen, GPT-Live kontinuierlich mit den jeweils neuesten Frontier-Modellen zu verbinden. Nutzer können zudem die Reasoning-Stufe wählen: "Instant" für schnelle Antworten, "Medium" und "High" für Aufgaben, bei denen ChatGPT mehr Zeit zum Nachdenken investieren soll.

Das Delegieren adressiert eine wesentliche Schwachstelle der bisherigen Live-Modelle, die Fragen ausschließlich aus eigenen Fähigkeiten beantworteten. Sie lagen dadurch deutlich hinter den Frontier-Modellen zurück und waren für ernsthafte Arbeit kaum brauchbar.

Mit GPT-Live ändert sich das offenbar: Die Benchmark-Ergebnisse für Wissen fallen im Vergleich zum Vorgänger drastisch besser aus. Im GPQA-Test für wissenschaftliches Reasoning erreicht GPT-Live-1 mit hoher Reasoning-Stufe 84,2 Prozent Genauigkeit gegenüber 45,3 Prozent beim Advanced Voice Mode. Beim BrowseComp-Benchmark für agentische Websuche kommt GPT-Live-1 auf 75,2 Prozent, der Advanced Voice Mode auf 0,7 Prozent.

Auch im internen tau3-Voice-Telecom-Test, der Full-Duplex-Sprachagenten bei realistischen Telekom-Supportaufgaben prüft, zeigt sich ein klarer Vorsprung. GPT-Live-1 erreicht je nach Reasoning-Stufe eine deutlich höhere Aufgaben-Erfolgsrate bei gleichzeitig kürzerer medianer Aufgabendauer. Der Advanced Voice Mode schneidet mit der niedrigsten Erfolgsrate und der längsten Bearbeitungszeit ab.

Sicherheitsmaßnahmen in Echtzeit

Die Vergangenheit hat wiederholt gezeigt, dass Menschen KI-Modelle vermenschlichen und sich von ihnen zu allerlei Handlungen überreden lassen, mit teils katastrophalen Ergebnissen. Forschung belegt zudem, dass intensive Sprachnutzer noch anfälliger für solche Vermenschlichung sind. Ein KI-System, das jetzt noch menschlicher reagiert und klingt, dürfte dieses Risiko weiter erhöhen.

OpenAI will dagegen Schutzmaßnahmen entwickelt haben, die bereits während des Sprechens greifen. Das System kann das Modell zu sichereren Antworten lenken, zusätzliche Sicherheitsinformationen einblenden oder das Gespräch in Hochrisikofällen beenden. Bei Selbstverletzungsthemen werden Krisenhotlines angeboten.

Für jugendliche Nutzer hat OpenAI altersgerechtes Verhalten direkt in das Modell trainiert. Eltern können über Parental Controls entscheiden, ob ihr Kind ChatGPT Voice nutzen darf, und werden in Hochrisikosituationen benachrichtigt. GPT-Live soll zudem keine realen Stimmen imitieren können, sondern ausschließlich die vordefinierten Stimmen verwenden. Details zu den Sicherheitsmaßnahmen finden sich in der System Card.