OpenAI hat GPT-Live eingeführt, eine neue Generation von Sprachmodellen, die eine Vollduplex-Architektur nutzen. Diese Technologie ermöglicht es dem Modell, gleichzeitig zuzuhören und zu sprechen, wodurch sich Gespräche mit der Künstlichen Intelligenz (KI) natürlicher anfühlen. Komplexe Anfragen werden im Hintergrund an GPT-5.5 übergeben, was die Qualität der Antworten erheblich verbessert. GPT-Live-1 ist ab sofort für zahlende ChatGPT-Nutzer verfügbar, während eine Mini-Version für kostenlose Konten angeboten wird. Ein API-Zugang für Entwickler ist in Planung.
Natürlichere Interaktionen durch Vollduplex
Im Gegensatz zu den bisherigen starren Wechselgesprächen, bei denen der Nutzer spricht und die KI anschließend antwortet, verwendet GPT-Live eine Vollduplex-Architektur. Dies erlaubt es dem Modell, wie bei einem menschlichen Gespräch, gleichzeitig zu hören und zu sprechen. Das System entscheidet mehrmals pro Sekunde, ob es sprechen, weiter zuhören, pausieren, unterbrechen oder ein Werkzeug nutzen soll. Es kann Füllwörter wie „mhmm“ oder „verstanden“ verwenden, um zu signalisieren, dass es dem Gespräch folgt. Nutzer können das Modell unterbrechen, sich einen Moment Zeit nehmen oder die KI bitten, langsamer zu sprechen.
Neben den neuen Konversationsfunktionen bietet das Update visuelle Karten, die ChatGPT Voice während eines Gesprächs anzeigen kann, etwa für Wetterinformationen, Aktienkurse oder Sportergebnisse. Zudem wurden die neun verfügbaren Stimmen für GPT-Live überarbeitet. Laut OpenAI bevorzugten Nutzer GPT-Live-1 gegenüber dem vorherigen „Advanced Voice Mode“ in 75,7 Prozent der Fälle und GPT-Live-1 mini in 69,2 Prozent der Fälle.
Trennung von Konversation und Logik
Die größte Neuerung liegt in der Trennung von der Verwaltung der Live-Konversation und der eigentlichen Denkprozesse. Wenn eine Frage eine Websuche, logische Schlussfolgerungen oder agentenähnliche Fähigkeiten erfordert, übergibt GPT-Live diese Aufgabe an ein Hintergrundmodell – aktuell GPT-5.5. Während das Hintergrundmodell arbeitet, hält GPT-Live die Konversation aufrecht. Diese Architektur stellt sicher, dass GPT-Live stets mit den neuesten „Frontier Models“ verbunden bleibt. Nutzer können zudem ein Denk-Level wählen, von „Instant“ für schnelle Antworten bis „Medium“ und „High“ für Aufgaben, die mehr Bearbeitungszeit erfordern.
Diese Aufgabenverteilung behebt eine Schwäche früherer Live-Modelle, die Fragen nur auf Basis ihrer eigenen, begrenzten Fähigkeiten beantworteten. Dadurch fielen sie hinter die leistungsstärkeren „Frontier Models“ zurück und waren für anspruchsvolle Aufgaben kaum nutzbar. Mit GPT-Live schließt sich diese Lücke, und die Benchmark-Ergebnisse für Wissensfragen sind deutlich besser. Auf dem GPQA-Test für wissenschaftliches Denken erreicht GPT-Live-1 bei hohem Denk-Level eine Genauigkeit von 84,2 Prozent, verglichen mit 45,3 Prozent im Advanced Voice Mode. Auch auf BrowseComp, einem Benchmark für agentenbasierte Websuche, erzielt GPT-Live-1 75,2 Prozent, während der Advanced Voice Mode nur 0,7 Prozent erreichte.
Sicherheitsmaßnahmen und Verfügbarkeit
OpenAI hat Sicherheitsmaßnahmen implementiert, die bereits während der Nutzereingabe greifen. Das System kann das Modell zu sichereren Antworten lenken, zusätzliche Sicherheitsinformationen anzeigen oder in Hochrisikosituationen das Gespräch beenden. Bei Themen, die Selbstverletzung betreffen, werden Krisen-Hotlines eingeblendet. Für jüngere Nutzer wurde das Modell so trainiert, dass es sich altersgerecht verhält. Eltern können über Kindersicherungen den Zugriff auf ChatGPT Voice steuern und werden in Hochrisikosituationen benachrichtigt. GPT-Live ist zudem nicht darauf ausgelegt, echte Stimmen zu imitieren, sondern verwendet ausschließlich vordefinierte Stimmen. Detaillierte Informationen zu den Sicherheitsmaßnahmen sind in der System Card verfügbar.
GPT-Live-1 ist für zahlende Nutzer mit Go-, Plus- und Pro-Tarifen verfügbar, während GPT-Live-1 mini für kostenlose Konten bereitsteht. Beide Versionen funktionieren auf iOS, Android und ChatGPT.com.
Thema: OpenAI. Quelle/Inspiration: The Decoder.