Sprach-KI für 5 Cent die Minute: OpenAI gibt Telefon-Api frei
GPT-Live-1 hört und spricht gleichzeitig, kostet 0,05 Dollar je Minute und wird sekundengenau abgerechnet. Was das für Telefonie im Unternehmen bedeutet.
OpenAI hat am 10. September 2026 das Sprachmodell GPT-Live-1 in der Programmierschnittstelle freigegeben. Damit lässt sich die Technik, die bisher im ChatGPT-Sprachmodus steckte, in eigene Anwendungen einbauen: in die Telefonanlage, in die Terminvergabe, in den Kundendienst. Der Preis für die Sprachschicht liegt bei 0,05 US-Dollar je Minute, abgerechnet wird sekundengenau statt auf volle Minuten aufgerundet.
Der Unterschied zu bisherigen Sprachassistenten steckt im Begriff Vollduplex. Das Modell hört und spricht gleichzeitig, statt brav abzuwarten, bis der Gegenüber fertig ist.
Was Vollduplex praktisch ändert
Bisherige Sprachanwendungen bestehen aus einer Kette: Spracherkennung wandelt das Gesagte in Text, ein Sprachmodell denkt darüber nach, eine Sprachausgabe spricht die Antwort. Jedes Glied dieser Kette kostet Zeit, und die Kette kann erst starten, wenn der Anrufer erkennbar zu Ende gesprochen hat. Genau daher stammt die typische Gesprächspause, an der man einen Bot erkennt.
GPT-Live-1 verarbeitet eingehendes Audio laufend, während es gleichzeitig eine Antwort erzeugt. Mehrmals pro Sekunde entscheidet das Modell neu, ob es weiter zuhört, kurz zustimmt, unterbricht, selbst spricht oder ein Werkzeug aufruft. Ein "Moment, ich habe noch eine Frage" mitten im Satz führt damit nicht mehr dazu, dass der Bot seinen Satz stur zu Ende spricht.
In den Messwerten, die OpenAI veröffentlicht hat, schlägt sich das so nieder: Auf dem Full Duplex Bench erreicht das Modell 80,1 Prozent gegenüber 45,4 Prozent beim Vorgänger GPT-Realtime-2.1. Der Sprecherwechsel dauert 0,8 statt 1,4 Sekunden. Bei Werkzeugaufrufen steigt die Trefferquote im ersten Versuch von 60 auf 87 Prozent, und im Sprachtest Tau3 wachsen die erfolgreich abgeschlossenen Aufgaben von 45,7 auf 86,2 Prozent. Wie immer bei Herstellerangaben gilt: Das sind Testreihen des Anbieters, kein Ergebnis aus Ihrem Betrieb.
Zwei Modelle, zwei Rechnungen
Wichtig für die Kalkulation ist der Aufbau: GPT-Live-1 ist nur die Sprachschicht vorn. Die eigentliche Denkarbeit gibt es an ein dahinterliegendes Modell ab, etwa GPT-6 Astra oder Codex, das sich nach Bedarf auswählen lässt. Wer tiefere Antworten braucht, hängt ein stärkeres Modell dahinter; wer Tempo will, ein schnelleres.
Das bedeutet aber auch: Die 5 Cent je Minute sind nicht der Gesamtpreis. Das Backend-Modell und die aufgerufenen Werkzeuge werden zusätzlich nach den üblichen Tokenpreisen abgerechnet. Ein vierminütiger Anruf kostet in der Sprachschicht 20 Cent, tausend solcher Anrufe im Monat also rund 200 Dollar plus dem, was das Denken dahinter verbraucht.
Die Sprachschicht ist der planbare Teil der Rechnung. Der variable Teil hängt daran, wie viel das Modell im Hintergrund nachdenken und nachschlagen muss.
Zum Start stehen zwölf Stimmen über verschiedene Akzente, Dialekte und Sprachen bereit; eine eigene Firmenstimme setzt eine Prüfung durch den Vertrieb voraus. Ton, Tempo und Stil lassen sich über die Systemanweisung steuern. Dazu kommen Funktionen, die im Telefonalltag den Unterschied machen: laufende Transkripte, das Bevorzugen bestimmter Stichwörter bei der Erkennung sowie eine eigene Erkennung für Buchstaben- und Zahlenfolgen, also für Kundennummern, Kennzeichen und Aktenzeichen.
Wer es bereits einsetzt
OpenAI nennt vier frühe Anwender. Yelp nimmt darüber Tischreservierungen am Telefon entgegen. Die Sprachlern-App Speak berichtet von etwa 80 Prozent weniger Unterbrechungen in Übungsgesprächen gegenüber dem bisherigen, rundenbasierten Aufbau. Intercom setzt es im Support-Agenten Fin ein, Cognition im Entwicklungsagenten Devin.
Das sind Anwendungen, in denen ein Gespräch entweder sehr häufig oder sehr lang ist. Genau dort schlägt der Unterschied zwischen 0,8 und 1,4 Sekunden Reaktionszeit durch, weil er sich hundertfach pro Gespräch wiederholt.
Was das für Ihr Unternehmen heißt
- Rechnen Sie zuerst die Anrufminuten, nicht die Technik. Zählen Sie, wie viele Anrufe pro Monat eingehen und wie lange ein typischer Vorgang dauert. Erst diese Zahl zeigt, ob sich ein Sprachagent lohnt oder ob eine gute Rückrufliste günstiger bleibt.
- Fangen Sie beim immer gleichen Anruf an. Terminvereinbarung, Öffnungszeiten, Statusauskunft zu einem Vorgang: Das sind abgegrenzte Fälle mit klarer Übergabe an einen Menschen, sobald es ungewöhnlich wird. Der offene Beratungsanruf ist der falsche erste Anwendungsfall.
- Planen Sie die Übergabe an Mitarbeiter von Anfang an mit. Ein Sprachagent ohne sauberen Weg zum Menschen erzeugt verärgerte Anrufer, die anschließend doppelt Arbeit machen.
- Klären Sie die Pflichten vor dem Start. Anrufer müssen erkennen können, dass sie mit einem KI-System sprechen. Für Mitschnitte und Transkripte gelten die üblichen Regeln zur Einwilligung, und die Verarbeitung läuft bei OpenAI über einen US-Anbieter, was in die Verarbeitungsübersicht und den Auftragsverarbeitungsvertrag gehört.
- Messen Sie mit den eigenen Anrufen nach. Ein Benchmark sagt nichts darüber, wie das Modell mit Ihrem Fachvokabular, mit Dialekt oder mit einer schlechten Mobilfunkverbindung umgeht. Zwanzig echte Gesprächsverläufe nachzuspielen, beantwortet das in einem Vormittag.
Für kleine und mittlere Unternehmen verschiebt sich damit vor allem die Einstiegshürde. Eine Telefonannahme, die außerhalb der Bürozeiten Termine entgegennimmt, war bisher ein Projekt mit eigener Infrastruktur; sie wird gerade zu einer Frage der Anbindung an die eigene Terminverwaltung. Wenn Sie wissen möchten, welcher Teil Ihres Telefonaufkommens sich sinnvoll automatisieren lässt und was das im Monat kosten würde, schaue ich mir das gern mit Ihnen an.
