GPT-Live-1 kann jetzt selbst anrufen: Was die SIP-GA tatsächlich freischaltet – und was sie weiterhin nicht kann

Die nützlichste neue Fähigkeit eines OpenAI-Sprachagenten ist es, die 1 zu drücken. Seit dem späten Abend des 4. November 2026 kann eine GPT-Live-1-Sitzung über einen SIP-Trunk einen ausgehenden Anruf an eine echte Telefonnummer tätigen, sich das Menü anhören, das sich meldet, und Tastentöne über die Leitung zurücksenden. Dieser letzte Teil — bidirektionales DTMF — ist der Unterschied zwischen einem Sprachagenten, der spricht, und einem Sprachagenten, der sich durch einen Telefonbaum bis zu der Abteilung durcharbeiten kann, die er tatsächlich benötigt.

Das Modell selbst ist nicht neu. GPT-Live-1 ist seit dem 8. Juli 2026 in ChatGPT Voice und seit dem 10. September 2026 in der API für 0,05 US-Dollar pro Minute verfügbar. Was sich am 4. November geändert hat, ist der Transport. Justin Uberti von OpenAI gab bekannt, dass die Outbound-Telefonie-API „soeben … zu GA befördert“ worden sei und „Entwicklern ermögliche, von ihrem Live-Sprachagenten aus Telefonanrufe“ über „jeden SIP-Trunk-Anbieter (z. B. Telnyx oder Twilio)“ zu tätigen; Greg Brockman verstärkte dies in derselben Nacht. In der Ankündigung heißt es außerdem, dass Anrufe HD Voice nutzen und Keypad-Ereignisse senden und empfangen können.

Das ist also eine Geschichte über Fähigkeiten, nicht über ein Modell, und das Interessante steht in der Dokumentation statt im Beitrag. OpenAIs Telefonie- und SIP-Leitfaden besagt nun, dass ausgehende Anrufe „für alle Organisationen über die Live API verfügbar sind, nicht über den Endpunkt zur Anruferstellung der Realtime API“ – zwei Sätze, die beiläufig einen großen Teil der Integrationen ausschließen, die man wird wiederverwenden wollen.

Was „GA“ verändert hat und was nicht.

Vor der Promotion existierte Outbound-Calling bereits, war aber nicht allgemein verfügbar – das ist es, was „promoted“ bedeutet. Der Mechanismus war bereits gebaut, und die Tür wurde geöffnet. OpenAIs Dokumentation enthält nun den passenden Satz, dass ausgehendes SIP-Calling „für alle Organisationen über die Live API verfügbar ist“, was auf der Seite einer GA-Erklärung am nächsten kommt: Der Leitfaden selbst trägt nirgends eine Beta-, Preview- oder Alpha-Kennzeichnung.

Was sich nicht geändert hat, ist das Sprachmodell. Das Outbound-Beispiel in OpenAIs eigener Dokumentation setzt nach wie vor model: "gpt-live-1", und die Partner-Checkliste hält Integratoren weiterhin dazu an, nach „einer Paketversion, die gpt-live-1 unterstützt“, Ausschau zu halten. Es gibt kein Outbound-spezifisches Modell, keinen separaten Preis und keine eigene Telefonie-Stufe. Für die Sprachschicht zahlen Sie weiterhin dieselben 0,05 US-Dollar pro Minute wie im September; Sie dürfen sie jetzt lediglich für Anrufe ausgeben, die Ihren Server verlassen.

Ein operativer Vorbehalt verbirgt sich eher im Leitfaden als in der Ankündigung: OpenAI rät Ihnen, zu bestätigen, dass „die GPT-Live-SIP-Unterstützung für Ihr Projekt aktiviert ist und der SIP-Trunk Ihres Anbieters auf dieses Projekt geroutet ist, bevor Sie diesen Ablauf verwenden“. Ein GA-Label und eine aktivierte Projekteinstellung sind nicht dasselbe, und das erste Support-Ticket der Woche wird von jemandem kommen, der das eine ohne das andere hat.

Die Voraussetzungen, die darüber entscheiden, ob Ihr Trunk überhaupt funktioniert

OpenAI hat SIP nicht im allgemeinen Sinn übernommen. Es hat einen schmalen, modernen Ausschnitt davon übernommen, und ein Trunk, der eine der folgenden Bedingungen nicht erfüllt, wird keine Verbindung herstellen – unabhängig davon, was die Ankündigung bezüglich „jedes SIP-Trunk-Anbieters“ versprochen hat.

• Signalisierung — TLS ist erforderlich, nicht optional. Einfaches SIP über UDP oder TCP fällt weg.

• Medien – SDES-SRTP ist erforderlich, und SRTP muss beim Anbieter aktiviert sein, nicht nur von ihm unterstützt werden.

• Anbieter-URL — erwartet wird ein sips:-Endpunkt, standardmäßig mit Port 5061, ohne Anmeldeinformationen, ohne Pfad und ohne angehängte URI-Parameter.

• Ziel — eine E.164-Nummer wie +14155550123 und sonst nichts. SIP-URIs werden ausdrücklich nicht unterstützt, daher ist ein internes Durchwahlschema kein Ausweg.

• Authentifizierung – Digest, mit einem SIP-Benutzernamen und -Passwort sowie einer caller_number in E.164, die zur Anrufer-ID wird, die Ihr angerufener Teilnehmer sieht.

• Netzwerk-Hygiene — lokale Hostnamen und wörtliche private IP-Adressen werden abgelehnt, was einen Testaufbau ausschließt, der auf eine Labor-Maschine zeigt.

• Audioformat — lassen Sie audio.format ungesetzt, da SIP dies aushandelt. Es zu setzen ist genau die Art hilfreich wirkender Parameter, die den Anruf scheitern lässt.

Beachten Sie, was das für die Behauptung „jeder Anbieter“ bedeutet. Jeder Anbieter, der TLS-Signalisierung mit SDES-SRTP-Medien spricht, funktioniert; sehr viele billige SIP-Trunks verwenden standardmäßig weiterhin UDP und einfaches RTP, und sie sind von diesem Satz nicht abgedeckt. Die Anbindung erfolgt über eine Sitzungserstellung statt über einen Webhook: Sie senden ein POST an /v1/live/sessions mit transport.type auf sip gesetzt, und die Anleitung sagt ausdrücklich: „Sie brauchen keinen Webhook für eingehende Anrufe und keine Annahmeanfrage für einen ausgehenden Anruf.“

Zurück bekommst du eine session.id und einen Transporttyp, und die Dokumentation ist ungewöhnlich deutlich, was die Kluft zwischen diesem Ergebnis und der Realität angeht: „Diese Antwort bedeutet nicht, dass der Anruf beantwortet wurde.“ Klingeln, Annehmen und Fehlschlagen kommen später als transport.ringing, transport.answered und transport.failed-Events über ein Sideband-WebSocket unter /v1/live/sessions/{session_id}/attach. Verbinde dich sofort – nur die Ereignisse der vorangegangenen drei Sekunden werden erneut abgespielt – und dedupliziere anhand von event_id, denn die Anleitung warnt, dass doppelte Zustellungen normal sind.

Der Umschlag: drei Minuten zum Klingeln, zwei Stunden zum Reden

Zwei konkrete Zahlen im Leitfaden werden entscheiden, welche Outbound-Use-Cases tragfähig sind, und keine der beiden kam in der Ankündigung vor.

• Klingelzeitlimit — drei Minuten. Ein Anruf, der bis dahin nicht beantwortet wurde, ist beendet.

• Verbindungslimit — zwei Stunden, danach endet die Sitzung, unabhängig davon, was gerade geschieht.

• Steuerungsoberfläche — Weiterleitung über /v1/live/sessions/{id}/refer, Auflegen über /v1/live/sessions/{id}/hangup, DTMF wird über das Seitenband mit transport.dtmf.send gesendet.

• Fehlermodi – eine fehlerhafte Sitzungskonfiguration schlägt bei der Erstellung deutlich fehl, die Transporteinrichtung kann 502 zurückgeben, ein Initialisierungs-Timeout liefert 504, und alles Weitere kommt später asynchron als transport.failed an.

Eine Klingelzeit von drei Minuten ist für ausgehende Consumer-Anrufe in Ordnung und für Enterprise-Telefonanlagen, die Anrufe parken, unpassend. Die Obergrenze von zwei Stunden ist großzügig, bis man den Agenten auf eine Support-Warteschlange ansetzt, wo eine lange Wartezeit plus ein langes Gespräch realistischerweise daran kratzen kann. Keine der beiden Grenzen ist in einem Echtzeit-Sprachprodukt überraschend; beides gehört zu den Dingen, die man wissen möchte, bevor man einem Kunden ein Kampagnen-SLA zusagt.

Was ein Anruf wirklich kostet

Die Preisseite von OpenAI führt GPT-Live-1-Sprachsitzungen mit 0,05 US-Dollar pro Minute auf, „sekundengenau abgerechnet, ohne auf eine volle Minute aufzurunden“. Das ist der gesamte veröffentlichte Preis, und er ist nur eine der beiden Rechnungen, die ein ausgehender Anruf erzeugt. Das Terminierungsentgelt des Netzbetreibers ist die andere, und es hängt vom Ziel, vom Volumen und davon ab, welchen Trunk-Anbieter Sie gewählt haben. OpenAI behält die Audioverarbeitung und die Sitzungslogik; der Anbieter verantwortet die PSTN-Strecke.

• Ein einminütiger angenommener Anruf – 0,050 US-Dollar von OpenAI, zuzüglich des Minutenpreises Ihres Mobilfunkanbieters.

• Ein vier Minuten langes Telefonat — 0,200 $ von OpenAI, zuzüglich Netzbetreiber.

• Tausend vierminütige Anrufe — 4.000 Minuten, also 200 $ von OpenAI, plus Telefonanbieter.

• Eine Stunde verbundenes Gespräch — 3,00 $ von OpenAI, zuzüglich Telefonanbieter.

Zwei Dinge bei dieser Abrechnung verdienen Beachtung. Erstens ist die Abrechnungseinheit die Sitzungsminute, und nichts auf der Preisseite unterscheidet Sprechen von Schweigen, sodass die Sekunden, die Ihr Agent mit Wartemusik verbringt, im selben Tempo auflaufen wie die Sekunden, die er mit Sprechen verbringt. Zweitens sagt der Leitfaden nicht, ob ein Anruf, der drei Minuten klingelt und nie entgegengenommen wird, eine abrechenbare Sitzung ist; diese Frage sollte man dem Support stellen, bevor man einen Dialer in großem Umfang einsetzt, und nicht danach.

Die Nutzung von Backend-Modellen und Tools wird separat abgerechnet, und zwar zu dem jeweiligen Modell, an das Sie delegiert haben. Wenn Sie diesen Abschnitt über OrcaRouter leiten, gelten dort der 0-%-Aufschlag und die Pass-Through-Preisgestaltung statt für die Sprachminute – sodass sich eine Preissenkung des Anbieters beim Reasoning-Modell noch am selben Tag auf Ihrer Rechnung niederschlägt, eine Senkung bei gpt-live-1 jedoch nicht.

Ihre Realtime-Integration wird nicht übernommen.

Der mit Abstand teuerste Fehler, der diese Woche möglich ist, ist die Annahme, dass ein funktionierender Realtime-API-Telefonie-Stack auch ein funktionierender GPT-Live-Stack ist. Auf der Partner-Seite von OpenAI heißt es unmissverständlich: „Eine Realtime-Integration ist nicht automatisch mit GPT-Live kompatibel.“ Der Endpunkt ist ein anderer, das Sitzungsmodell ist ein anderes, Delegation ist ein Konzept, das Realtime nicht in derselben Form kennt, und die Audioformate und Unterbrechungssemantiken, die laut Leitfaden pro Partner zu prüfen sind, werden nicht übernommen.

Die Partnerliste erschwert zudem die Formulierung der Ankündigung. OpenAI dokumentiert LiveKit für Sprachagenten; Twilio Agent Connect für „eingehende und ausgehende Telefonanrufe“; Telnyx für „Erfahrungen mit ausgehenden Anrufen“; Bandwidth für „eingehende Anrufe“ über SIP; und Daily/Pipecat für den Live-Dienst allgemein. Mit anderen Worten: Bandwidth ist als Inbound-Integration dokumentiert, und LiveKit und Pipecat sind ganz ohne Anrufrichtung dokumentiert. „Jeder SIP-Trunk-Anbieter“ ist eine Aussage über Protokollkompatibilität, nicht darüber, welcher von OpenAIs fünf Partnern Outbound-Support ausgeliefert hat.

Wenn Sie Twilio nutzen, ist die Migration diejenige, für die es heute einen dokumentierten Outbound-Pfad gibt. Wenn Sie Bandwidth für Inbound nutzen, ist Outbound über diese Integration noch nichts, was die Dokumentation zusichert.

Die Versionsfrage, die niemand gestellt hat

Der Name ist derzeit mehrdeutig. GPT-Live-1.1 wurde am 15. Oktober 2026 mit neuen Stimmen in sechs Sprachen in ChatGPT Voice integriert, und OpenAI hat für API-Aufrufer noch immer keine gpt-live-1.1-Modell-ID veröffentlicht. Jedes Beispiel für ausgehende Anrufe im Telefonie-Leitfaden verwendet gpt-live-1. Wenn Ihnen ein Kollege sagt, der Outbound-Agent laufe mit 1.1, weil ChatGPT das nutze, beschreibt er das Consumer-Produkt, nicht Ihre Sitzungskonfiguration.

Praktisch: nenne gpt-live-1 in deinem Plan und behandle jegliche Verfügbarkeit der 1.1-API als separates Ereignis, das an seinem eigenen Tag zu verifizieren ist.

Wo das Denken stattfindet – und warum es der Hebel ist, den Sie steuern

GPT-Live ist zweigeteilt. Die Zusammenfassung der Dokumentation selbst lautet, dass es „Reasoning und Tool-Nutzung an ein Backend delegiert, während es das gesprochene Gespräch verwaltet“. Die Sprachschicht übernimmt Timing, Unterbrechungen und Prosodie; ein separates Modell übernimmt das Denken und ruft die Tools auf. Dieses Backend wird pro Sitzung unter Delegation in einem von zwei Modi konfiguriert.

• Responses-Delegation – delegation.type: "responses" mit einem erforderlichen Backend-Modell, plus Anweisungen, Tools, Tool-Auswahl, Token-Limits und Service-Tier. OpenAIs Leitfaden empfiehlt, mit gpt-6-luna oder gpt-6-sol für anspruchsvollere Aufgaben zu beginnen, und weist darauf hin, dass „Sie das Responses-Modell unabhängig vom Voice-Modell wählen können.“

• Client-Delegation – delegation.type: "client", wobei Ihre Anwendung das Backend selbst betreibt. OpenAI formuliert es so, dass dies „jedes Modell, jeden Agenten oder jeden Dienst erlaubt, den Ihre Anwendung betreibt“.

Hier liegen die Kosten und die Qualität eines Outbound-Agenten tatsächlich, und dies ist die einzige architektonische Entscheidung auf der Seite, die wirklich Ihre ist. Das Sprachmodell ist fest vorgegeben und befindet sich, wie es der Zufall will, nicht im Katalog von OrcaRouter – GPT-Live-1 ist ein Telefonie-Frontend, das Sie bei OpenAI kaufen, und daran ändert keine noch so clevere Routing-Logik etwas. Beim Backend liegt die Sache anders. Bei Client-Delegation ist es ein gewöhnlicher Modellaufruf, den Ihr Code ausführt, was bedeutet: eine API für über 200 Modelle, ein einziger Schlüssel für alle Anbieter, die Sie evaluieren, automatisches Failover, wenn ein Anbieter mitten in der Kampagne beeinträchtigt wird, und Modellauswahl je Aufruftyp: ein günstiges Modell, um ein IVR-Menü durchzugehen, ein stärkeres, sobald ein Mensch abnimmt.

Bei der Responses-Delegation führt OpenAI diesen Teil aus und rechnet ihn zu eigenen Tarifen ab. Beide sind legitim; sie legen die Entscheidung nur an unterschiedliche Stellen. Wenn das Backend eine Routing-Entscheidung treffen soll, ist die Client-Delegation der Modus, der Ihnen das ermöglicht.

Was die Ankündigung ausließ

Für einen GA-Beitrag ist die Ankündigung dürftig, was die Dinge angeht, die über Deployments entscheiden. Sie sagt nichts über regionale Verfügbarkeit, Latenz, Nebenläufigkeitslimits oder ein SLA. Sie sagt nichts über Aufzeichnungs-, Offenlegungs- oder Einwilligungspflichten — und ausgehende Anrufe sind der eine Bereich in diesem Produkt, in dem diese Pflichten nicht theoretisch sind. In den Vereinigten Staaten sind automatisierte Anrufe bei Verbrauchern ohne Einwilligung zuerst ein TCPA-Problem und erst danach ein Engineering-Problem; in der EU ist das Aufzeichnen eines Anrufs, ohne die Person am anderen Ende darüber zu informieren, ein eigenes Problem. Die API gibt Ihnen einen caller_number und einen Hangup-Endpunkt. Die Compliance liegt bei Ihnen.

„HD Voice“ sollte ebenfalls als Behauptung und nicht als Spezifikation behandelt werden. Die Dokumentation von OpenAI sagt lediglich, dass SIP das Audioformat aushandelt, und nennt keine Codecs; das Breitbandaudio im Beitrag ist daher eine Anbieteraussage, die nirgends öffentlich quantifiziert wurde. Testen Sie es mit Ihrem eigenen Carrier, bevor Sie es in eine Präsentation aufnehmen.

Was diese Woche damit tun

Wenn Sie bereits einen GPT-Live-Sprachagenten über WebRTC betreiben, ist der ausgehende Pfad ein zweiter Transport und kein kompletter Umbau: eine neue Sitzung, die mit transport.type: "sip" erstellt wird, ein Trunk, der TLS und SDES-SRTP spricht, und ein Sideband-WebSocket, über den Sie Klingeln, Entgegennehmen und DTMF überwachen. Kalkulieren Sie einen Tag für den Trunk ein, nicht für den Agenten.

Wenn du Realtime verwendest, plane die Migration nicht unter der Annahme, dass es sich um eine Konfigurationsänderung handelt. Lies zuerst die Abschnitte zu Delegation und Sitzungen, entscheide, ob dein Backend OpenAI oder dein eigenes sein sollte, und wähle erst dann einen Partner aus – denn der Partner, den du bereits für eingehende Verbindungen nutzt, ist möglicherweise nicht derjenige mit einem dokumentierten Weg für ausgehende Verbindungen.

Wenn Sie noch entscheiden, ob sich ausgehende Telefonie überhaupt zu bauen lohnt, ist die entscheidende Zahl 3,00 US-Dollar pro verbundener Stunde vor Carrier-Gebühren – bei einer harten Obergrenze von zwei Stunden und einem Klingeln von drei Minuten. Das ist billig genug zum Testen und teuer genug, dass Wartezeit eine Designentscheidung ist und kein Zufall. Die GA hat die Hürde entfernt. Die Arithmetik nicht.