„Meine Buchungsnummer ist AB7 …“ Eine kurze Pause. Der Anrufer sucht nach den restlichen Zeichen. Doch der Sprachcomputer hat die Lücke bereits als Satzende verstanden. Er beginnt zu antworten – und zwingt den Menschen, noch einmal von vorn anzufangen. Wer mit automatischen Hotlines spricht, kennt diesen kleinen Kampf um das Rederecht: Man wartet auf den Signalton, formuliert in kurzen Blöcken und lernt schnell, bloß nicht zu zögern.
OpenAI bringt flüssigere Telefonate in die API
Am 10. September 2026 hat OpenAI ein Sprachmodell für Entwickler veröffentlicht, das dieses starre Wechselspiel auflösen soll. GPT‑Live‑1 kann gleichzeitig zuhören und sprechen, auf Unterbrechungen reagieren und komplexere Aufgaben noch während des Gesprächs an andere Modelle oder Werkzeuge weiterreichen. In ChatGPT ist die Technik bereits seit Juli verfügbar. Nun lässt sie sich über eine Programmierschnittstelle auch in Apps, Telefondienste und Geschäftssysteme einbauen. Die Sprachschicht kostet 0,05 US-Dollar pro Minute, sekundengenau abgerechnet. Kosten für Rechenmodelle und verwendete Werkzeuge kommen hinzu. Recherchequelle: OpenAI
Warum die Pause zum technischen Problem wird
Die eigentliche Nachricht steckt allerdings nicht in einer hübscheren Stimme. Sie steckt in der Pause.
Gespräche sind kein geordneter Austausch fertiger Sätze. Menschen fallen einander ins Wort, bestätigen mit einem beiläufigen „mhm“, brechen Gedanken ab und setzen neu an. Meist unterscheiden sie mühelos zwischen einer Denkpause und dem Ende einer Aussage. Herkömmlichen Sprachsystemen fällt das schwer, weil sie im Kern oft einer Produktionsstraße gleichen: Eine Komponente wandelt Sprache in Text um, ein Sprachmodell erzeugt eine Antwort, eine weitere Komponente macht daraus wieder Ton. Dazwischen sitzt ein Mechanismus, der den richtigen Moment erkennen muss – den Augenblick, in dem der Mensch tatsächlich fertig ist.
Entscheidet er zu früh, wird der Nutzer unterbrochen. Wartet er zu lange, hängt Stille in der Leitung.
GPT‑Live‑1 verlagert diese Entscheidung in das Sprachmodell selbst. Ein- und ausgehende Audiosignale werden fortlaufend verarbeitet, sodass das System vor einem eigenen Satz nicht mehr auf ein eindeutig erkanntes Gesprächsende warten soll. Für die technische Übertragung setzt OpenAI unter anderem auf WebRTC, ein aus Videokonferenzen und Internettelefonie bekanntes Protokoll. Die Entwickler beschreiben eine eigene, dauerhaft aktive Audiospur. Recherche, Werkzeugaufrufe und Geschäftslogik laufen getrennt davon. Ein langsamer Datenbankzugriff soll so nicht mehr das gesamte Gespräch einfrieren. Recherchequelle: OpenAI Engineering
Die Stimme spricht, das Hintergrundmodell arbeitet
Daraus ergibt sich eine ungewöhnliche Arbeitsteilung: Die Stimme spricht, ein anderes Modell denkt.
Fragt ein Anrufer nur nach den Öffnungszeiten, kann ein kleines, günstiges Modell genügen. Soll dagegen eine Reise umgebucht, ein Kundenkonto geprüft oder ein Softwarefehler untersucht werden, lässt sich die Aufgabe an ein leistungsfähigeres System übergeben. Während es im Hintergrund arbeitet, hört GPT‑Live‑1 weiter zu, stellt Rückfragen oder informiert den Nutzer darüber, dass seine Anfrage bearbeitet wird. Welche Befugnisse ein Modell erhält, bestimmt die jeweilige Anwendung. Fällt der Nutzer dem System ins Wort, endet ein bereits gestarteter Vorgang im Hintergrund nicht automatisch. Recherchequelle: OpenAI Developer Community
Was wie eine technische Feinheit wirkt, könnte die Erfahrung am Telefon grundlegend verändern. Die Sprachlernplattform Speak berichtet aus frühen Tests, das Modell habe Schüler während ihrer Denkpausen fast 80 Prozent weniger oft unterbrochen als frühere, rundenbasierte Systeme. Yelp wiederum setzt die Technik nach Angaben OpenAIs bei Reservierungen und Bestellungen ein. Sobald Anrufer nicht mehr das Gefühl haben, mit einer empfindlichen Menümaschine zu sprechen, sollen sie ihre Anliegen vollständiger und natürlicher formulieren.
Der Mensch muss seine Sprache also nicht mehr so stark an den Computer anpassen. Statt „Reservierung. Samstag. Achtzehn Uhr. Vier Personen“ kann er sagen: „Ich würde gern für Samstagabend reservieren, vielleicht gegen sechs, wir sind zu viert.“ Das ist bequemer – und klingt wieder nach einem Gespräch. Zugleich wächst jedoch die Gefahr, flüssige Gesprächsführung mit tatsächlichem Verständnis zu verwechseln.
Flüssig im Gespräch, unsicher bei wichtigen Details
Wie wichtig diese Unterscheidung ist, zeigen unabhängige Messungen. Artificial Analysis bewertet bei Sprachmodellen getrennt, wie gut sie Denkaufgaben lösen und wie sicher sie mit Pausen, Sprecherwechseln, Unterbrechungen und kurzen Bestätigungen umgehen. GPT‑Live‑1 erreicht dort 97,3 Prozent bei der Gesprächsdynamik und liegt damit knapp hinter Qwen Audio 3.0 Realtime Plus mit 98,4 Prozent. Ein Modell kann also hervorragend Gespräche führen, ohne bei inhaltlichen Aufgaben ähnlich stark abzuschneiden. Sprachliches Timing und Denkvermögen sind zwei verschiedene Leistungen. Recherchequelle: Artificial Analysis
Besonders deutlich zeigt sich das bei Angaben, die keinen Spielraum lassen: Telefonnummern, Postleitzahlen, Kontonummern oder Buchungscodes. Das auf telefonische KI-Systeme spezialisierte Unternehmen Parloa hat GPT‑Live‑1 in fünf Sprachen getestet – mit gewöhnlichen Sätzen ebenso wie mit Zahlen- und Zeichenfolgen. Bei normaler Konversation lagen die Ergebnisse des Modells relativ nahe an denen spezialisierter Spracherkennungssysteme. Bei alphanumerischen Codes öffnete sich jedoch eine deutlich größere Lücke. Im deutschen Test betrug der Abstand je nach Vergleich ungefähr neun bis 21 Prozentpunkte.
Dabei trat ein sonderbarer Fehler auf: Das Modell konnte einen Code intern richtig erfassen und korrekt an ein Hintergrundsystem weiterreichen, ihn beim gesprochenen Wiederholen jedoch falsch ausgeben. Es hatte gewissermaßen richtig gehört und sich anschließend versprochen. Auch die Ergebnisse blieben nicht immer stabil. Bei wiederholten Tests fiel rund ein Fünftel der geprüften Beispiele unterschiedlich aus: Was in einem Durchlauf funktionierte, scheiterte im nächsten. Recherchequelle: Parloa Labs
In der Praxis sind solche Fehler kritisch. Ein Restaurant kann eine falsch verstandene Uhrzeit am Telefon noch einmal bestätigen lassen. Bei einer Bankverbindung oder einer medizinischen Angabe genügt ein angenehm geführtes Gespräch dagegen nicht. Dort braucht es Kontrollschritte, sichtbare Bestätigungen und klare Regeln dafür, wann ein menschlicher Mitarbeiter übernimmt. Freundlicher Ton ersetzt keine Verlässlichkeit.
Kosten, Abhängigkeiten und sensible Gesprächsdaten
Auch wirtschaftlich ist die neue Architektur kein Selbstläufer. Fünf Cent pro Minute entsprechen drei Dollar für eine Stunde reiner Sprachverbindung. Dazu kommen die Kosten des Hintergrundmodells und der verwendeten Werkzeuge. Je häufiger das System recherchiert oder aufwendige Schlussfolgerungen ziehen muss, desto teurer wird der Anruf. Zugleich geben Unternehmen einen größeren Teil ihrer bisherigen Spracharchitektur an einen einzigen Anbieter ab. In klassischen Systemen konnten Spracherkennung, Sprachmodell und Sprachausgabe leichter von unterschiedlichen Firmen stammen und einzeln ersetzt werden. Ein integriertes Vollduplexmodell vereinfacht zwar den Aufbau, erhöht aber möglicherweise die Abhängigkeit von der Plattform des Anbieters. Recherchequelle: The New Stack
Bei jeder automatisierten Hotline schwingt zudem eine Frage mit: Was geschieht mit dem Gesprochenen? OpenAI gibt an, Inhalte aus der Programmierschnittstelle nicht standardmäßig zum Training zu verwenden. Für den Realtime-Zugang können Protokolle zur Missbrauchskontrolle allerdings bis zu 30 Tage gespeichert werden. Genehmigte Geschäftskunden können unter bestimmten Bedingungen eine Konfiguration ohne Datenspeicherung nutzen. Wer Sprach-KI im Gesundheitswesen, bei Versicherungen oder im Finanzbereich einsetzt, muss solche Einstellungen prüfen, bevor die erste freundliche Stimme einen Kunden begrüßt. Recherchequelle: OpenAI API Documentation
Für die Sprachinteraktion nennt OpenAI außerdem mehrere Schutzmechanismen. Laut Sicherheitsdokumentation werden Ein- und Ausgaben fortlaufend geprüft. Das System kann Antworten umlenken, eine gesprochene Warnung abspielen oder ein Gespräch in schweren Fällen beenden. Dass OpenAI im August Werte seiner Sicherheitsprüfung wegen einer fehlerhaften Testkonfiguration korrigieren musste, zeigt zugleich, wie jung diese Technik noch ist – und wie rasch sie sich verändert. Recherchequelle: OpenAI Deployment Safety Hub
Überzeugender als die eigene Zuverlässigkeit
Der eigentliche Fortschritt liegt damit weder in einer einzelnen Benchmark-Zahl noch in den zwölf neuen Stimmen. Sprachcomputer lernen etwas, das Menschen selten bewusst beachten: wann ein Gegenüber noch nicht fertig ist. Sie lernen, eine Pause auszuhalten.
Genau das macht sie überzeugender. Vielleicht sogar überzeugender, als ihre Zuverlässigkeit rechtfertigt. Der nächste Telefonbot könnte freundlich warten, während wir nach der Kundennummer suchen, ein zustimmendes Geräusch machen und unsere Korrektur aufnehmen, ohne uns wieder an den Anfang zu schicken. Er wird sich weniger wie ein Formular mit Lautsprecher anfühlen.
Ob er uns tatsächlich verstanden hat, ist dennoch eine eigene Frage. Und vermutlich die wichtigere.
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
OpenAI – Wie wir in sechs Monaten ein Echtzeitsystem für reaktionsschnelle Sprach-KI entwickelt haben
Der technische Hintergrund erläutert Vollduplexbetrieb, kontinuierliches Audiostreaming und die Trennung des Sprachpfads von asynchroner Delegation und Anwendungslogik.
https://openai.com/de-DE/index/continuous-voice-interaction-with-gpt-live/
Neudyne – GPT-Live-1 in der API: ein Sprachassistent, dem man ins Wort fallen kann
Die redaktionelle Einordnung greift Parloas Tests auf und erklärt, warum flüssige Gespräche nicht mit zuverlässiger Erfassung von Codes und Zahlen gleichzusetzen sind.
https://neudyne.com/?lang=de&page=article&slug=gpt-live-1-hlasove-api
OpenAI – Enterprise-Datenschutz bei OpenAI
Die Seite erläutert den Trainingsausschluss für API-Daten, die mögliche Aufbewahrung von Ein- und Ausgaben für bis zu 30 Tage und die beantragbare Konfiguration ohne Datenaufbewahrung.
https://openai.com/de-DE/enterprise-privacy/
