GPT-Live: OpenAI-Voice hört und spricht

OpenAI hat am 8. Juli zwei neue Sprachmodelle freigeschaltet: GPT-Live-1 für zahlende Tarife und GPT-Live-1 mini für Free-Nutzer. Beide ersetzen den bisherigen Advanced Voice Mode in ChatGPT und werden global ausgerollt. Der Unterschied zum Vorgänger liegt weniger im Klang als in der Architektur.

Was neu ist

Der alte Advanced Voice Mode war eine Pipeline aus drei Bausteinen: Sprache zu Text, Text-Modell, Text zu Sprache. Bei jedem Übergang entstand Latenz, und der Text-Zwischenschritt ließ das Modell klingen wie jemand, der abgelesen hat.

GPT-Live ist stattdessen full-duplex und in einem Modell integriert. Konkret heißt das:

Das Modell hört und spricht gleichzeitig. Ihr könnt jederzeit dazwischenreden ("Barge-in"), das Modell hält an und reagiert auf die neue Eingabe.
Es gibt Rückkanal-Signale wie "mhmm" oder "yeah", während ihr redet. Damit hört das Gegenüber, dass die Leitung offen ist.
Wenn ihr eine Denkpause braucht, bleibt es stumm, statt sofort weiterzureden.
Für Aufgaben, die mehr brauchen als einen Sprachdialog (Websuche, tieferes Reasoning, Werkzeug-Nutzung), delegiert GPT-Live im Hintergrund an GPT-5.5 und bringt das Ergebnis zurück in die Stimme.

Atty Eleti, ChatGPT-Voice-Produktleiter, sagt dazu: "voice can be the future interface to all kinds of work". Das ist Marketing-Sprech. Praktisch relevant ist eher das Delegations-Muster dahinter: Die Sprachschleife läuft schnell, das Textmodell im Hintergrund darf langsamer sein. So bleibt das Gespräch flüssig, während GPT-5.5 eine Websuche fertigmacht.

Was ihr damit macht

Ehrlich vorweg: nicht jedes Meeting braucht KI-Voice, und "menschlicher Klang" ist kein Feature-Killer. Sinnvoll wird das in Situationen, in denen ihr eure Hände oder eure Augen schon anderweitig braucht.

Konkrete Fälle:

Voice-Notizen mit Rückfragen. Statt fünf Minuten Sprachmemo, das ihr später abtippt: Ihr sprecht eine Idee ein, das Modell fragt gezielt nach, ihr präzisiert. Am Ende steht eine strukturierte Notiz, die ihr per Text abholt.
Recherche mit Denkpausen. Auf dem Weg zur Kundin fragt ihr GPT-Live nach dem Stand einer Technologie. Wenn die Antwort zu breit ist, unterbrecht ihr und zieht das Thema enger. Das Ganze fühlt sich mehr wie ein Gespräch mit einem Kollegen an als eine Google-Suche.
Terminvorbereitung unterwegs. Ihr lasst euch die letzten drei Meetings mit einer bestimmten Person zusammenfassen, spielt Argumente durch und markiert offene Punkte. Das Modell holt sich die Recherchestücke über GPT-5.5.
Live-Übersetzung im Feldeinsatz. Full-Duplex heißt: Beide Seiten können gleichzeitig sprechen, ohne dass eine Pause abgewartet werden muss. Das ist der Fall, in dem der Architekturwechsel den größten Unterschied macht.

Für PMs und POs ist der Bogen ein anderer als für Devs: ein Werkzeug, das Ideen und Erinnerungen einfängt, ohne dass ihr auf den Bildschirm schauen müsst. Designerinnen können Voice-First-Muster ausprobieren, ohne Prototyp. Und QA-Teams sollten sich einstellen, dass Voice-Flows als Testobjekt normal werden.

ChatGPT-Voice und Realtime API sind zwei Dinge

GPT-Live steckt in zwei Produktflächen, die ihr auseinanderhalten solltet:

ChatGPT Voice ist der Endnutzer-Modus. Da schaltet ihr das Sprach-Symbol in der App an und redet. Rollout: GPT-Live-1 wird Default für Go-, Plus- und Pro-Konten, GPT-Live-1 mini für Free.
Realtime API ist der Baustein für eure eigenen Produkte. Zwei Tage vor GPT-Live hatte OpenAI GPT-Realtime-2.1 und GPT-Realtime-2.1-mini freigegeben, ausdrücklich für latenzarme Voice-Agents in eigenen Anwendungen. Wer eine Sprach-Integration ins eigene Produkt bauen will, greift auf die Realtime-API zu, nicht auf ChatGPT-Voice.

Die beiden Flächen teilen sich die Voice-Modelle, aber Nutzungsbedingungen, Preise und Datenschutz-Klauseln unterscheiden sich. Wer aus einer Enterprise-Umgebung heraus baut, prüft die Bedingungen der Realtime-API, nicht die von ChatGPT.

Der DSGVO-Punkt

Voice ist ein Datenkanal wie Text, aber ein anderer. Wichtig für DACH-Teams:

Der Sprach-Stream landet bei OpenAI. Das gilt für ChatGPT Voice und für die Realtime-API. Und "Sprach-Stream" heißt: alles, was das Mikro aufnimmt. Eure Frage ans Modell ist das eine. Der Kollege, der im Nebenraum telefoniert, das Kundengespräch am Nachbartisch, das Kinderzimmergeräusch im Homeoffice sind das andere. Diese Menschen haben nie zugestimmt, dass ihre Stimme in eine US-Cloud fließt.
Zero-Data-Retention-Verträge, die euer Team für Text-Endpunkte abgeschlossen hat, decken Voice-Endpunkte nicht automatisch mit ab. Der Anbieter unterscheidet die Endpunkte in seinen AGB.
Selbst wenn OpenAI die Streams nicht dauerhaft speichert: Unter dem US Cloud Act kann eine US-Behörde herausgabefähige Daten anfordern, solange sie beim Anbieter existieren. Das ist unabhängig von euren AGB und unabhängig davon, wo eure Nutzerin sitzt.
Enterprise-Admins, die ChatGPT Business verwalten, sollten aktiv prüfen, ob GPT-Live im eigenen Workspace an ist und was die Retention-Einstellung dafür konkret sagt. GPT-Live wird bei Bestandskunden nicht überall gleich schnell freigeschaltet, aber wenn es kommt, kommt es per Default.
Mitarbeitende in sensiblen Kontexten (Anwaltskanzlei, Klinik, Behörde) sollten wissen, dass Voice-Mitschnitte im Zweifel andere Bewertungen im Datenschutz-Impact-Assessment auslösen als Text-Prompts.

Das ist keine Verbotsempfehlung. Es ist der Hinweis, dass "wir haben ChatGPT freigegeben" nicht automatisch "wir haben Voice freigegeben" bedeutet. Und dass Voice per Bauart Dritte mit einsammelt, die nichts damit zu tun haben wollten.

Was OpenAI nicht sagt

Ein paar Punkte, die im Blogpost und in der Berichterstattung fehlen und die ihr im Hinterkopf haben solltet:

Latenz-Zahlen. OpenAI beschreibt das Erlebnis, veröffentlicht aber keine Millisekunden-Werte. Wer eine Voice-Anwendung mit definierten SLAs bauen will, muss selbst messen.
Sprachliste. Der Blogpost spricht von Optimierung für "die meistgesprochenen Sprachen", nennt aber keine Liste. Deutsch ist mit hoher Wahrscheinlichkeit dabei, prüft es am eigenen Anwendungsfall.
Regionale Rollout-Details. "Global" ist die offizielle Ansage, konkrete Zeitpläne pro Land fehlen.

Wenn ihr diese Punkte für ein Produkt braucht: Testen, messen, dokumentieren, bevor ihr ausrollt.

Kurz gesagt

GPT-Live ist der überfällige Schritt weg von der Drei-Stufen-Voice-Pipeline. Der Ton ist netter, aber wichtiger ist die neue Interaktionsschleife: unterbrechen können, Denkpausen aushalten, Rückkanal-Signale bekommen. Das öffnet Anwendungsfälle, in denen Text zu langsam war, und macht gleichzeitig einen Datenschutz-Kanal auf, den ihr in eurer Freigabe-Landkarte extra führen solltet.

Nutzt es dort, wo Hände oder Augen schon belegt sind. Wenn ihr Voice ins eigene Produkt baut, geht über die Realtime-API. Und schaut einmal in die Retention-Einstellung, bevor GPT-Live in eurem Workspace per Default an ist.