GPT‑Live‑1 hört beim Sprechen weiter zu – die Stimme kostet extra
OpenAI hat GPT‑Live‑1 am 10. September 2026 für Entwickler in der API bereitgestellt. Das Vollduplex-Modell kann gleichzeitig zuhören und sprechen, auf Unterbrechungen reagieren und tieferes Reasoning oder Werkzeugaufrufe an ein separates Backend delegieren, wie OpenAIs Ankündigung vom 10. September erläutert.
Mit dem API-Start gilt ein Preis von 0,05 US-Dollar pro Minute für die Frontend-Sprachschicht, abgerechnet nach Sitzungsdauer und sekundengenau. Backend-Modell und Werkzeuge sind darin nicht enthalten; auch der unabhängige Bericht von tbreak bestätigt den Starttermin, den Minutenpreis und die getrennte Berechnung.
Vollduplex verändert den Gesprächsfluss
Der wesentliche Unterschied liegt in der gleichzeitigen Verarbeitung von eingehendem und ausgehendem Audio. Klassische Sprachagenten verketten häufig Spracherkennung, ein Sprachmodell und Sprachsynthese. Dabei muss die Anwendung Übergänge koordinieren und entscheiden, wann eine Äußerung beendet ist oder eine laufende Antwort abgebrochen werden soll.
GPT‑Live‑1 verarbeitet neue Spracheingaben weiter, während es bereits antwortet. Dadurch kann es auf Korrekturen, kurze Bestätigungen, Pausen und Zwischenrufe reagieren, ohne für jede Reaktion einen vollständig abgeschlossenen Gesprächszug abzuwarten. Das Modell unterstützt trotzdem eine Erkennung von Sprecherwechseln, falls eine Anwendung weiterhin mit ausdrücklichen Zuggrenzen arbeiten soll.
Vollduplex beseitigt jedoch nicht alle übrigen Schichten eines Sprachagenten. GPT‑Live‑1 hält die Unterhaltung aufrecht und erkennt, wann eine Aufgabe delegiert werden soll. Eine Suche, Kontoprüfung oder mehrstufige Aktion kann währenddessen in einem anderen Modell oder Dienst laufen.
Sprachschicht und Backend bleiben getrennt
Die Architektur besteht aus einer Gesprächsschicht und einem frei wählbaren Backend. Die technische Einstiegshilfe zu GPT‑Live beschreibt sowohl eine verwaltete Delegation an ein Responses-Modell als auch eine clientseitige Variante, bei der die Anwendung ein eigenes Modell, Agentensystem oder einen anderen Dienst verbindet.
Die Anwendung bleibt für Berechtigungen, Bestätigungen, private Funktionsausführung und dauerhaften Aufgabenstatus verantwortlich. Eine Unterbrechung der gesprochenen Antwort beendet eine bereits delegierte Backend-Aufgabe nicht automatisch. Entwickler müssen deshalb festlegen, ob ein laufender Vorgang fortgesetzt, verworfen oder mit geänderten Angaben neu gestartet wird.
Für Sprachsitzungen im Browser ist WebRTC vorgesehen: Mediaspuren transportieren das Audio, ein Datenkanal überträgt JSON-Ereignisse. Serverseitige Audiointegrationen können WebSockets verwenden. Für vorhandene Sitzungen gibt es eine Sideband-Verbindung zur Backend-Steuerung; Telefonanwendungen lassen sich über Telefonie- und SIP-Pfade anbinden.
0,05 Dollar sind nur die erste Kostenzeile
Die 0,05 US-Dollar pro Minute decken nur die Frontend-Sprachsitzung ab. Zehn Minuten kosten damit rechnerisch 0,50 Dollar, eine Stunde 3 Dollar. Diese Beträge sind noch kein Komplettpreis für einen produktiven Agenten.
Die Gesamtkosten verteilen sich auf mehrere voneinander unabhängige Posten:
- Sprachsitzung: GPT‑Live‑1 wird nach der Dauer der Sitzung und sekundengenau abgerechnet.
- Backend: Das gewählte Responses-Modell oder ein externer Agent verursacht eigene nutzungsabhängige Kosten.
- Werkzeuge: Suchfunktionen, externe APIs und weitere Dienste können zusätzliche Gebühren auslösen.
- Telefonie: Bei Anrufen können außerdem Entgelte des Telefonie- oder SIP-Anbieters anfallen.
Für eine belastbare Kalkulation reicht die Zahl der Gesprächsminuten daher nicht. Entscheidend sind auch Häufigkeit und Umfang der Delegationen, die Wahl des Backend-Modells, dessen Tokenverbrauch sowie kostenpflichtige Werkzeugaufrufe. Zwei Agenten mit gleicher Gesprächsdauer können dadurch unterschiedliche Gesamtkosten erzeugen.
Die Trennung macht allerdings sichtbar, welcher Teil der Rechnung wofür anfällt. Die Sprachkosten lassen sich direkt aus der Sitzungsdauer ableiten; die schwankenden Kosten entstehen dahinter durch Reasoning und Aktionen. Für die Auswertung müssen Sprachsitzung, Delegationen und Werkzeugaufrufe deshalb über denselben Vorgang zusammengeführt werden.
Die Alternative bleibt Realtime oder eine verkettete Pipeline
GPT‑Live‑1 passt vor allem zu Anwendungen, bei denen Unterbrechen, Weiterreden und paralleles Zuhören zur eigentlichen Funktion gehören. Bei einem Telefonat kann ein Anrufer beispielsweise eine falsche Angabe korrigieren, noch während der Agent antwortet. Hier ist das Timing Teil der Produktqualität und nicht bloß eine Eigenschaft der Sprachausgabe.
Eine verkettete STT–LLM–TTS-Architektur kann sinnvoll bleiben, wenn jede Komponente separat austauschbar sein muss oder die Anwendung vollständige Kontrolle über Transkription und Synthese benötigt. Der Minutenpreis allein entscheidet diesen Vergleich nicht: Zu berücksichtigen sind auch Latenz, Unterbrechungsverhalten, Entwicklungsaufwand und die Kosten des gesamten Vorgangs.
Auch gegenüber der Realtime API ist GPT‑Live‑1 keine bloße neue Modellversion. Realtime bündelt Sprache, Reasoning und Werkzeugauswahl in einem Modell; GPT‑Live trennt die kontinuierliche Unterhaltung vom Backend. Diese Aufteilung erlaubt unterschiedliche Modelle oder Dienste hinter derselben Sprachschicht, schafft aber zusätzliche Kosten- und Kontrollpunkte.
Seit dem 10. September steht damit eine neue Vollduplex-Sprachschicht für API-Anwendungen bereit. Dokumentiert sind der Verbindungsaufbau, die Delegation und der Tarif der Sprachsitzung. Wie teuer ein erfolgreich abgeschlossenes Gespräch tatsächlich wird, lässt sich dagegen erst aus realer Sitzungsdauer, Backend-Nutzung, Werkzeugaufrufen und gegebenenfalls Telefoniekosten bestimmen.
Lesen Sie auch:
Newsletter abonnieren
Erhalten Sie die neuesten Nachrichten zu Web3, KI und Krypto direkt in Ihren Posteingang.