GPT-Live basiert auf einer Full-Duplex-Architektur. Das Modell kann gleichzeitig zuhören und sprechen. Es signalisiert mit einem "mhmm" oder "yeah", dass es folgt, springt in schnelle Wortwechsel ein oder bleibt still, wenn du einen Moment zum Nachdenken brauchst.

Um zu verstehen, warum das ein Bruch ist, lohnt sich der Blick zurück. Das ursprüngliche ChatGPT Voice kettete drei Modelle aneinander: Speech-to-Text, Sprachmodell, Text-to-Speech. Jeder Schritt musste fertig sein, bevor der nächste begann. Das Resultat: langsame, hölzerne Antworten und Informationsverlust zwischen den Modellen.

Der Advanced Voice Mode verarbeitete Audio dann in einem einzigen Modell, blieb aber strikt rundenbasiert. Das Modell wartete, bis du fertig gesprochen hattest. Und weil das Turn-Ende über Stille erkannt wurde, reichte eine kurze Denkpause oder Strassenlärm, und das Modell fiel dir ins Wort.

GPT-Live löst das mit zwei architektonischen Änderungen. Erstens: kontinuierliche Interaktion. Das Modell verarbeitet Input, während es Output erzeugt, und trifft mehrmals pro Sekunde eine Entscheidung: sprechen, weiter zuhören, pausieren, unterbrechen oder ein Tool aufrufen. Die harte Grenze zwischen "dein Zug" und "mein Zug" fällt weg. Das ermöglicht sogar Live-Übersetzung.

Zweitens: Delegation. GPT-Live übernimmt die Konversation, aber nicht die schwere Denkarbeit. Braucht eine Frage Websuche, Reasoning oder agentische Fähigkeiten, reicht es die Aufgabe im Hintergrund an GPT-5.5 weiter und hält das Gespräch derweil am Laufen. Erscheinen neue Frontier-Modelle, wird das Hintergrundmodell laufend ausgetauscht.

Die Zahlen stützen den Ansatz. In direkten Vergleichen über 5 bis 10 Minuten lange Gespräche bevorzugten Testpersonen GPT-Live-1 in 75.7 Prozent der Fälle gegenüber dem Advanced Voice Mode. Bei den Benchmarks ist der Abstand noch deutlicher.

Über 150 Millionen Menschen sprechen wöchentlich mit ChatGPT, sei es freihändig im Alltag, beim Sprachenlernen oder auf dem Arbeitsweg. Für sie ändert sich ab sofort Folgendes.

Auch die Sicherheit wurde für Voice neu gedacht. Weil Sprachgespräche in Echtzeit ablaufen, greifen Schutzmechanismen, während das Modell spricht: Sie steuern heikle Antworten um, blenden Hilfsangebote ein oder beenden das Gespräch in Hochrisikofällen. Für Teenager gibt es zusätzliche Schutzmassnahmen und Parental Controls. Und GPT-Live nutzt ausschliesslich vordefinierte Stimmen. Die Imitation realer Personen ist blockiert.

Der Rollout läuft global auf iOS, Android und im Web. GPT-Live-1 wird Standard für Go-, Plus- und Pro-Nutzer, GPT-Live-1 mini für Gratisnutzer. Eine API soll folgen. Ehrlich benannte Grenzen gibt es auch: In gewissen Sprachen klingt das Modell noch mit Akzent, und Video sowie Screensharing fehlen zum Start.