GPT-Live-1 führt den Speech-to-Speech-Index mit 81,5 an — doch das Ranking gehört seinem Backend

GPT-Live-1, das Vollduplex-Sprachmodell, das am 8. Juli 2026 erstmals in ChatGPT ausgeliefert wurde, steht jetzt mit 81,5 auf Platz eins des Artificial Analysis Speech to Speech Index – eine Zeile, die nur existiert, weil das Modell für sein Denken auf GPT-6 Astra ausgerichtet wurde. Betreibt man dasselbe Sprach-Frontend mit GPT-5.6 Sol als delegiertem Backend bei niedrigem Reasoning-Aufwand, erreicht es 80,1 und belegt damit den dritten Platz. Der zweite Platz mit 81,3 geht an Grok Voice Think Fast 2.0 High.

Zwei ehrliche Vorbemerkungen vor den Zahlen. Das Modell ist nicht neu: GPT-Live-1 erreichte am 10. September 2026 die Entwickler-API, nach zwei Monaten als Standardstimme von ChatGPT. Neu ist – gemessen am 15. September –, dass ein externer Evaluator es bewertet hat: das Einzige, das in jedem bisherigen Bericht über dieses Modell fehlte, einschließlich unseres eigenen, in dem die einzigen verfügbaren Zahlen die waren, die OpenAI über sich selbst veröffentlicht hatte. Und der Vorsprung von 0,2 Punkten vor dem zweiten Platz ist kleiner als der Abstand von 1,4 Punkten zwischen den beiden Konfigurationen von GPT-Live-1 selbst, was die nützlichste Zahl auf der Rangliste ist.

Die Schlagzeile „GPT-Live-1 ist das beste Voice-Modell“ ist also nicht ganz das, was der Index aussagt. Er besagt, dass GPT-Live-1 mit GPT-6 Astra bei mittlerem Aufwand – um einen Fünftelpunkt – der beste ist und dass die Wahl des Backends das Ergebnis stärker beeinflusst als jedes konkurrierende Modell.

Was der Index tatsächlich misst

Artificial Analysis bildet den Speech to Speech Index als ein zu gleichen Teilen gewichtetes Kompositum aus vier Teilen: Speech Reasoning, gemessen mit Big Bench Audio; Agentic Performance, gemessen mit τ-Voice; Arena Preference, ein paarweises Elo auf Basis menschlicher Präferenzen; und Task Success Rate. Nur Modelle, für die alle vier Komponenten verfügbar sind, erhalten einen Indexwert – alles andere zeigt einen Strich, weshalb die Tabelle weit mehr Zeilen als Punktzahlen enthält. Der Index selbst wurde am 23. Juni 2026 eingeführt und seitdem zweimal überarbeitet, zuletzt, um Conversational Dynamics durch Task Success zu ersetzen, sodass eine Punktzahl aus einer Überarbeitung nicht streng mit einer Punktzahl aus einer anderen vergleichbar ist.

Zwei weitere methodische Details sind wichtig, wenn Sie die Rangliste lesen. Das Arena-Elo ist auf dem Stand eingefroren, den es hatte, als ein Modell erstmals veröffentlichungsreif wurde, sodass die Präferenzkomponente eher frühes Erscheinen belohnt als heutige Bestleistung. Und der Index bewertet ein ganzes System statt eines einzelnen Modells: Bei GPT-Live-1 umfasst die Zahl das Voice-Frontend plus das Backend-Modell, an das es Arbeit weitergibt. Das ist eine bewusste Designentscheidung, und sie ist der Grund dafür, dass dasselbe Modell zweimal mit unterschiedlichen Werten erscheint.

Die Spitze des Feldes, wie veröffentlicht:

• GPT-Live-1 (Astra, medium) — Index 81,5, Erster

• Grok Voice Think Fast 2.0 High — Index 81,3, Zweiter

• GPT-Live-1 (Sol, low) — Index 80,1, dritter

• GPT-Realtime-2.1 High — Index 73,9, vierter

• GPT-Realtime-2 High — Index 73,6, Fünfter

• Grok Voice Think Fast 1.0 — Index 72,3, Sechster

• Gemini 3.1 Flash Live High — Index 71,5, siebter

Zum Vergleich: Das Modell, das GPT-Live-1 ersetzt, liegt 7,6 Punkte darunter. Das ist ein echter Generationsunterschied, und er steht außer Frage.

Der Sieg um 0,2 Punkte stammt von genau einer Komponente

Zerlegt man den Composite, sehen die beiden Spitzenreiter nicht mehr wie dieselbe Art von Modell aus. Bei den Komponenten, laut Artificial Analysis:

• Agentische Performance (τ-Voice) — GPT-Live-1 67,9 % vs. Grok Voice Think Fast 2.0 High 56,5 %

• Sprachliches Schlussfolgern (Big Bench Audio) — 90 % vs. 97 %

• Aufgaben-Erfolgsrate — 87,4 % vs. 94,6 %

• Arena-Elo — 1048 vs. 1011

• Zeit bis zum ersten Ton — 1,34 s vs. 0,70 s

• Kosten pro Stunde, Backend inklusive — 5,83 $ vs. 4,80 $

GPT-Live-1 gewinnt zwei von sechs Zeilen und verliert vier, führt aber den Index an. Die Arithmetik ist kein Rätsel: Der τ-Voice-Abstand beträgt 11,4 Punkte, weit größer als jeder andere Abstand in der Tabelle, und bei gleicher Gewichtung zieht er den Gesamtwert über die Linie. Einfach ausgedrückt: GPT-Live-1 ist der bessere Agent, und Grok Voice Think Fast 2.0 High ist der bessere Zuhörer und der schnellere — und der Index gewichtet zufällig genau das, worin GPT-Live-1 gut ist, stark genug, um es auf den ersten Platz zu bringen.

Wenn Ihr Produkt ein Voice-Agent ist, der bucht, Anliegen löst oder Transaktionen durchführt, ist der 11,4-Punkte-Vorsprung bei τ-Voice die Zahl, die Ihr Erlebnis vorhersagt. Wenn Ihr Produkt ein Gespräch ist, das sich sofort anfühlen muss und den Nutzer nie unterbrechen darf, ist die Zeit bis zum ersten Audio von 0,70 Sekunden die Zahl, die Ihr Erlebnis vorhersagt, und Grok gewinnt sie um etwa den Faktor zwei. Bei der Ausführung regulierter Aufgaben gibt es eine zweite Warnung: Groks Aufgaben-Erfolgsrate von 94,6 % ist die höchste in der sichtbaren Tabelle, und die 87,4 % von GPT-Live-1 bedeuten, dass etwa eine von acht Aufgaben nicht abgeschlossen wird. Beide sind Verbesserungen gegenüber der vorherigen Generation. Keines von beiden ist ein gelöstes Problem.

Die Zeile Nr. 1 ist eine Routing-Konfiguration, kein Modell

Hier ist der Teil, der mehr Aufmerksamkeit verdient als die Platzierung in der Bestenliste. GPT-Live-1 ist eine Vollduplex-Sprachschicht, die Zuhören, Sprechen, Unterbrechung und Sprecherwechsel selbst übernimmt und Reasoning, Tool-Aufrufe und Suche an ein separates Backend-Modell delegiert, während das Gespräch weiterläuft. Artificial Analysis bewertete zwei dieser Paarungen als separate Einträge. Astra mit mittlerem Aufwand erzielte 81,5. Sol mit niedrigem Aufwand erzielte 80,1.

Diese 1,4-Punkte-Spanne ist die eigentliche Geschichte. Der Abstand zwischen dem ersten und dem zweiten Platz beträgt 0,2 Punkte. Der Abstand zwischen den beiden bewerteten Konfigurationen von GPT-Live-1 ist siebenmal größer. Am Voice-Modell hat sich zwischen diesen Zeilen nichts geändert – nur, welches Modell das Denken übernahm und mit welcher Aufwandsstufe. Ein Leaderboard, das Systeme in eine Rangfolge bringt, sagt dir damit ganz zutreffend: Die Konfiguration ist das Produkt.

Dies revidiert auch unsere eigene Berichterstattung. Am 11. September 2026 haben wir GPT-Live-1 in diesem Index mit 69,8 % verzeichnet, hinter sowohl GPT-Realtime-2.1 als auch Grok. Das war der damals verfügbare Messwert, und er stützte eine vernünftige Schlussfolgerung – dass OpenAI die besten Konversationsmechanismen und nicht den besten Sprachagenten entwickelt hatte. Der Index führt nun zwei delegierte GPT-Live-1-Konfigurationen mit 81,5 und 80,1 auf. Artificial Analysis veröffentlicht kein Änderungsprotokoll und hat die Komponenten des Index im August überarbeitet, daher können wir nicht mit Sicherheit sagen, ob die frühere Zahl eine nicht bewertete oder teilweise bewertete Konfiguration oder ein Lauf unter der älteren Gewichtung war; beobachtbar ist, dass die delegierten Paarungen nun als eigene vollständige Zeilen erscheinen und dass sich die Antwort änderte, als sie dies taten.

Die praktische Konsequenz ist, dass „welches Sprachmodell" die falsche Frage ist und „welches Sprachmodell plus welches Backend, mit welchem Aufwand" die richtige. Das ist eine Routing-Frage, und genau die ist es, die unser eigenes Produkt beantworten soll. OrcaRouter stellt das Delegations-Backend von GPT-Live-1, GPT-6 Astra, über denselben OpenAI-kompatiblen Endpunkt bereit wie über 200 andere Modelle, sodass der Austausch der Denkschicht eine Änderung der Modell-ID und keine Integration ist. Die Routing-DSL kombiniert mehrere Modelle in einem einzigen Aufruf, und automatischer Failover bedeutet, dass man mit einer unerprobten Kombination keine Produktionswette eingeht — wenn das Backend schlechter wird, landet die Anfrage woanders, statt fehlzuschlagen. Um genau zu sein, was wir nicht tun: GPT-Live-1 selbst ist nicht in unserem Katalog, und wir bieten es nicht an. Das Backend, an das es delegiert, ist eine andere Sache.

Was eine Stunde davon kostet

Das Frontend von GPT-Live-1 wird mit 0,05 $ pro Sprachminute abgerechnet, sekundengenau, was 3,00 $ für eine Stunde offene Leitung ergibt. Das ist nicht die ganze Rechnung: delegiertes Reasoning, Tool-Aufrufe und Websuche werden separat zu den Sätzen abgerechnet, die das Backend-Modell berechnet. Artificial Analysis hat die All-in-Kosten gemessen, weshalb deren Kostenspalte diejenige ist, die man heranziehen sollte:

• GPT-Live-1 (Sol, low) — 4,47 $ pro Stunde

• Grok Voice Think Fast 2.0 High — 4,80 $ pro Stunde

• GPT-Live-1 (Astra, medium) — $5,83 pro Stunde

• GPT-Realtime-2.1 High — 10,75 $ pro Stunde

Der Sieger des Rankings ist die teuerste der drei aktuellen Optionen, und die Konfiguration, die gewonnen hat, kostet 30 % mehr pro Stunde als die Konfiguration auf dem dritten Platz. Andersherum gelesen ist die Aufteilung aufschlussreich: Von jeder Stunde entfallen 3,00 $ auf die Voice-Schicht, und der Rest – 1,47 $ bei Sol, 2,83 $ bei Astra – sind Backend-Tokens. Die Thinking-Schicht macht irgendwo zwischen einem Drittel und der Hälfte Ihrer Rechnung aus, was ein großer Anteil für eine Komponente ist, die das Leaderboard als Fußnote behandelt.

Gegenüber dem Modell, das sie ersetzt, ist die ganze Familie allerdings ungefähr halb so teuer – das Frontend für 0,05 US-Dollar pro Minute ist eine echte Preissenkung, kein Repackaging. Da Backend-Tokens zu Backend-Tarifen abgerechnet werden, hängen die Kosten eines GPT-Live-1-Deployments größtenteils davon ab, an welches Reasoning-Modell Sie routen, und Backends können OpenAIs eigene Modelle oder Modelle von Drittanbietern sein. Auf OrcaRouter werden diese Backends zum Listenpreis des Anbieters mit 0 % Aufschlag durchgereicht, sodass eine Preisänderung eines Anbieters in der Denk-Schicht noch am selben Tag wirksam wird statt erst zum nächsten Abrechnungszyklus.

Was der Index nicht klärt

Drei Einschränkungen, die von der Quelle selbst genannt und nicht bloß daraus abgeleitet wurden. Sowohl die GPT-Live-1-Einträge als auch Grok Voice Think Fast 2.0 High sind als auf einem einzelnen Testlauf beruhend gekennzeichnet, was für eine Entscheidung mit 0,2 Punkten Unterschied dürftig ist – ein erneuter Durchlauf könnte Platz eins und zwei vertauschen, ohne dass sich an einem der beiden Modelle etwas ändert. Arena Elo wurde, wie angemerkt, bei der ersten veröffentlichungsfähigen Messung jedes Modells eingefroren. Und der Index enthält keinen Eintrag dazu, wie sich diese Systeme in einem langen Anruf verhalten: Die Komponenten sind konstruktionsbedingt auf kurze Zeithorizonte ausgelegt, während der Ausfallmodus, der Voice-Agenten im Produktivbetrieb tatsächlich zum Scheitern bringt, die Drift während eines zwanzigminütigen Gesprächs ist.

Getrennt davon, und zwar vom Anbieter statt aus dem Index: Die API von GPT-Live-1 wurde ohne Bild- oder Videoeingabe, ohne strukturierte Ausgaben und ohne kostenlose Tarifstufe ausgeliefert, und ihre Ratenlimits werden in gleichzeitigen Sitzungen statt in Anfragen pro Minute gezählt. Das sind Einschränkungen vom Starttag, die sich bereits geändert haben können; prüfe sie, bevor du dein Design darauf aufbaust.

Was soll man damit machen?

Wenn Sie diese Woche eine Architektur statt eines Modells auswählen, belohnt der Index das delegierte Muster bei agentischer Arbeit und das Kaskadenmuster bei Latenz. GPT-Live-1 mit 81,5 ist der bislang stärkste Beleg dafür, dass die Trennung von Konversation und Reasoning die richtige Form für aufgabenbewältigende Sprachagenten ist. Grok Voice Think Fast 2.0 High mit 81,3, 0,70 Sekunden bis zum ersten Audio und einer Aufgabenerfolgsquote von 94,6 % ist der stärkste Beleg dafür, dass die delegierte Form nicht die einzige ist, die funktioniert – und dass sie noch nicht die schnellste ist.

Die Entscheidung, die sich aus den Zahlen ergibt, ist kostengünstiger, als sie aussieht. Beide Konfigurationen von GPT-Live-1 und das Modell, das es bei vier von sechs Komponenten geschlagen hat, liegen nicht mehr als 1,36 US-Dollar pro Stunde auseinander. Bei dieser Differenz ist das Richtige, aufzuhören, Bestenlisten zu lesen, und Ihre eigenen Transkripte durch beide laufen zu lassen. Der Index zeigt Ihnen die Form des Trade-offs; er kann Ihnen nicht sagen, auf welcher Seite davon Ihre Nutzer stehen.

Fragen, die die Zahl aufwirft

Ist GPT-Live-1 jetzt das beste Voice-Modell?

In der Gesamtwertung: ja – um 0,2 Punkte und dahinter nur ein einziger Versuch. Bei den Komponenten hängt es ganz davon ab, was man baut: Es führt bei agentischer Leistung und Arena-Präferenz und liegt bei sprachlichem Schlussfolgern, Aufgabenerfolgsrate und Zeit bis zum ersten Audio zurück. Ein Vorsprung von 0,2 Punkten in der Gesamtwertung, der auf einem einzigen Komponentenvorteil von 11,4 Punkten beruht, ist ein vertretbarer erster Platz, kein entscheidender.

Muss man GPT-6 Astra verwenden, um die 81,5 zu erreichen?

Für genau diese Zeile, ja – die 81,5 gehört zu GPT-Live-1, konfiguriert mit Astra bei mittlerem Reasoning-Aufwand. Sol mit niedrigem Reasoning-Aufwand ist eine dokumentierte Alternative mit 80,1 und 1,36 US-Dollar pro Stunde günstiger, und OpenAI unterstützt das Einbinden von Drittanbietermodellen als Backend, sodass die Leaderboard-Einträge zwei Punkte auf einer Kurve sind und nicht die einzigen Optionen. Welche Kombination für Ihre Arbeitslast am besten ist, kann ein öffentlicher Index nicht für Sie beantworten.

Warum hat dasselbe Modell in unserer früheren Berichterstattung 69,8 erreicht und jetzt 81,5?

Die beiden Zahlenwerte erfassen unterschiedliche Dinge. In der früheren Auswertung wurde GPT-Live-1 als einzelner Eintrag im Index geführt; die aktuelle Tabelle enthält seine beiden delegierten Konfigurationen als separate, vollständig bewertete Zeilen, wobei die Astra-Paarung bei 81,5 und die Sol-Paarung bei 80,1 liegt. Artificial Analysis hat die Komponenten des Index im August überarbeitet und veröffentlicht kein Änderungsprotokoll; betrachten Sie das Delta daher als eine Änderung dessen, was gemessen wurde, und nicht als Beleg dafür, dass sich das Modell verbessert hat — und betrachten Sie jeden einzelnen zusammengesetzten Score für ein delegierendes Modell als Aussage über eine Konfiguration.