Ich habe heute Morgen im Auto mit meiner KI gesprochen und fast vergessen, dass sie eine ist.

OpenAI hat diese Woche ein größeres Update ausgerollt. Während sich die Zusammenführung von ChatGPT- und Codex-App für mich noch etwas hakelig anfühlt, habe ich mich erst einmal auf einen anderen Meilenstein konzentriert: GPT-Live, die neue Generation der ChatGPT-Sprachmodelle.
Ich hab es direkt getestet: Freisprechanlage im Auto gekoppelt, losgefahren, geredet. Ergebnis: verblüffend natürlich. Kein Warten, kein Stottern, kein „Absenden und hoffen".

Was technisch dahintersteckt, macht den Unterschied:

Bisher lief Sprache über eine Pipeline aus drei Modellen - Speech-to-Text, Sprachmodell, Text-to-Speech. Jede Stufe kostet Zeit und Information; teilweise fast zwei Sekunden Latenz, bevor das erste Wort kam. Die spätere „Advanced Voice Mode" bündelte das in ein Modell, arbeitete aber weiter in klaren Zügen: Das Modell musste warten, bis man fertig gesprochen hat. Eine kurze Denkpause? Wurde oft als Satzende missverstanden und es fiel einem ins Wort.

GPT-Live setzt auf eine Full-Duplex-Architektur: Das Modell hört und spricht gleichzeitig. Es merkt, wann man nur Luft holt, wirft ein „mhm" oder „ja" ein, lässt sich unterbrechen und übernimmt sogar Echtzeit-Übersetzung. Der clevere Teil: Für komplexe Fragen delegiert GPT-Live im Hintergrund an das stärkere Frontier-Modell (aktuell war es heute morgen noch GPT-5.5) und plaudert währenddessen weiter, statt dich in Funkstille zu lassen.

Ehrlich gesagt: Schon mit der alten Version war ein gutes, flüssiges Gespräch möglich. Aber jetzt ist es noch einmal deutlich besser. Genau das habe ich im Auto gemerkt. Der Dialog blieb im Fluss, auch bei Rückfragen. Es fühlte sich weniger nach „Sprachassistent" an und mehr nach Beifahrer.

Für mich als jemand, der KI in mittelständische Prozesse bringt, ist das mehr als ein nettes Feature. Voice wird damit vom Spielzeug zum ernsthaften Interface, für Beratung unterwegs, für Dokumentation zwischen zwei Terminen, für Kundenservice, der nicht mehr roboterhaft klingt.