OpenAI bringt GPT-Live auf den Markt: Vollduplex-Sprachmodelle für ChatGPT mit Live-Übersetzung und menschenähnlichem Sprecherwechsel
OpenAI hat am 8. Juli GPT-Live vorgestellt, ein Paar von Vollduplex-Sprachmodellen, die gleichzeitig zuhören und sprechen können und ChatGPT zu einem menschenähnlicheren Gesprächspartner machen.
Vollduplex-Architektur
Der Kern von GPT-Live ist Vollduplex: Es verarbeitet Audio kontinuierlich, während es Sprache generiert, und ermöglicht so Unterbrechungen, Zwischenrufe und einen flüssigeren Sprecherwechsel. Im Forschungsblog von OpenAI heißt es: „Das Modell kann daher mehrmals pro Sekunde Interaktionsentscheidungen treffen: ob es sprechen, weiter zuhören, pausieren, unterbrechen oder ein Tool aufrufen soll.“ Dies behebt die Sprödigkeit früherer Sprachmodi, die auf Stillelücken angewiesen waren und oft im falschen Moment unterbrachen.
Man kann sogar vergessen, dass man mit einer KI spricht. Wie soll ich es sagen? Es ist ein wirklich, wirklich erstaunliches Gefühl.
Hintergrunddelegation an GPT-5.5
Wenn eine Anfrage tiefergehendes Denken oder eine Websuche erfordert, übergibt GPT-Live diese im Hintergrund an GPT-5.5. Das Sprachmodell hält das Gespräch mit Füllphrasen am Laufen und integriert dann nahtlos die Antwort. Atty Eleti, Leiter des Sprachprodukts, sagte, das Design spiegele den menschlichen Dialog wider:
Wir lassen das Gespräch weiterlaufen, während wir im Hintergrund nachdenken.
Das Modell zeigt auch visuelle Karten für Wetter, Aktien und Sport an, und Benutzer können die Denkstufen auf „Sofort“, „Mittel“ oder „Hoch“ einstellen.
Echtzeit-Übersetzung und stilles Zuhören
Während einer Demo sprach der Forschungsingenieur Yuchen Zhang auf Chinesisch, während GPT-Live-1 seine Worte in Echtzeit ins Englische übersetzte – eine der Funktionen, von denen OpenAI hofft, dass sie seine Attraktivität steigern wird. Das Modell kann auch über längere Zeiträume still bleiben, Kontext aufnehmen, bis es angesprochen wird, und auf einen Weckruf reagieren – in der Demo auf „Hey Chat“.
OpenAI gibt an, dass GPT-Live-1 und sein kleineres Gegenstück in 5–10-minütigen Testgesprächen den vorherigen Advanced Voice Mode übertroffen und große Fortschritte bei wissenschaftlichem Denken und agentischen Websuch-Benchmarks erzielt haben.
Einführung und Ambitionen
GPT-Live-1 wird zur Standard-Sprachfunktion für die ChatGPT-Stufen Go, Plus und Pro, während kostenlose Benutzer GPT-Live-1 mini erhalten. Die Modelle werden ab heute auf iOS, Android und im Web ausgerollt und ersetzen den Advanced Voice Mode. Über 150 Millionen Menschen nutzen bereits wöchentlich die Sprach- und Diktierfunktion von ChatGPT, so das Unternehmen, und Eleti beschrieb Sprache als die zukünftige primäre Schnittstelle für agentisches Rechnen:
Im Laufe der Zeit wird dies, wie wir glauben, auch die Möglichkeit eröffnen, Sprache als eine Art primäre Schnittstelle zum Rechnen zu nutzen und zunehmend komplexe, langlebige agentische Arbeiten zu verwalten.
