GPT-Live-1 vs. Gemini 3.5 Live Translate: Ein ausgelieferter Generalist gegen einen Preview-Spezialisten

Diese beiden Modelle werden verglichen, weil beide Echtzeit-Sprache in eine API bringen, und der Vergleich zerfällt in dem Moment, in dem man die Modellkarten liest. GPT-Live-1 ist ein universelles Vollduplex-Sprachmodell, das Ope​nAI am 10. September 2026 in die Entwickler-API überführte, drei Monate, nachdem es am 8. Juli in ChatGPT eingeführt wurde. Gem​ini 3.5 Live Translate ist ein zweckgebundenes Audio-zu-Audio-Übersetzungsmodell, das Goo​gle DeepMind am 9. Juni 2026 veröffentlichte, und seine Modell-ID trägt weiterhin das Wort preview. Eines davon kann man heute zu einem veröffentlichten Tarif zahlenden Kunden anbieten. Das andere kann Goo​gle einem unter den Füßen wegändern, ohne einen Deprecation-Hinweis. Diese Asymmetrie, nicht die Benchmark-Tabelle, sollte die Wahl bestimmen.

Zwei verschiedene Maschinen, die dasselbe Label tragen

Es lohnt sich, unverblümt zu sagen, wie wenig diese sich überschneiden. Gem​ini 3.5 Live Translate übersetzt. Es nimmt Streaming-Audio in einer Sprache entgegen und gibt Streaming-Audio in einer anderen zurück, wobei die Stimme und der Ton des Sprechers erhalten bleiben, über 70 Sprachen und mehr als 2.000 Sprachpaare hinweg, mit automatischer Spracherkennung und bidirektionalem Betrieb. Es führt kein Gespräch, ruft keine Funktion auf und beantwortet keine Frage. Es ist eine Simultandolmetsch-Engine.

GPT-Live-1 hat die entgegengesetzte Form. Es ist ein dialogorientiertes Modell: Es hört und spricht gleichzeitig, entscheidet viele Male pro Sekunde, ob es weiter zuhören, pausieren, unterbrechen oder ein Tool aufrufen soll, und übergibt schwere Arbeit – Websuche, tiefergehendes Reasoning, agentische Aufgaben – über die Responses API an ein separates Reasoning-Modell, während das Gespräch weiterläuft. OpenAIs eigenes veröffentlichtes WebRTC-Beispiel verdrahtet diese Delegation mit GPT-5.6 Terra. Übersetzung ist eine der Dinge, die es kann; es ist keine Funktion, für die Googles Modell in die andere Richtung ein Äquivalent hätte.

Die praktische Frage ist also enger gefasst, als das Schlagzeilen-Duell vermuten lässt: Wenn es beim Bauen um Dolmetschen geht, ist Googles Modell zweckgebaut und das von OpenAI ein Allzweckmodell. Wenn Sie einen Voice-Agenten bauen, der gelegentlich übersetzt, ist GPT-Live-1 von den beiden das einzige, das überhaupt in die richtige Produktkategorie fällt.

Was jede einzelne pro Minute Audio kostet

Hier zeigt der Spezialist, dass er sein Geld wert ist, und die Rechnung ist für OpenAI wirklich unangenehm.

• GPT-Live-1 — $0.05 pro Sprachminute, sekundengenau abgerechnet statt auf die nächste volle Minute aufgerundet. Reasoning- und Tool-Aufrufe des delegierten Backends werden separat zu den normalen Tarifen dieses Modells abgerechnet.

• Gemini 3.5 Live Translate — 3,50 $ pro Million Audio-Eingabe-Tokens und 21,00 $ pro Million Audio-Ausgabe-Tokens, wobei die Abrechnung mit 25 Tokens pro Sekunde Audio berechnet wird. Zusammengenommen ergibt das ungefähr 0,037 $ pro Minute übersetzten Audios.

Auf reine Übersetzungsminuten gerechnet ist Goo​gle rund ein Viertel günstiger. Das ist in dieser Größenordnung kein Rundungsunterschied: 10.000 gedolmetschte Minuten pro Monat kosten auf der Voice-Ebene von GPT-Live-1 etwa 500 US-Dollar gegenüber rund 368 US-Dollar bei Gem​ini 3.5 Live Translate. Und die Differenz ist real und nicht bloß ein Artefakt der Änderung bei der Abrechnung, denn die beiden Modelle werden nach wirklich unterschiedlichen Einheiten abgerechnet.

Es gibt einen Haken in der anderen Richtung. Der Schlagzeilenpreis von 0,05 $ für GPT-Live-1 gilt nur für die Sprachschicht. Wenn Ihr Agent übersetzt und zusätzlich etwas nachschlägt oder einen schwierigen Satz an ein Reasoning-Modell eskaliert, zahlen Sie für diese Delegation obendrein – und das delegierte Modell wird pro Token abgerechnet wie jedes andere Frontier-Modell. Eine reine Übersetzungs-Workload löst das nie aus. Bei einer Translation-plus-irgendetwas-Workload ist das sehr wohl der Fall, und der Sieger des Vergleichs pro Minute ist nicht mehr offensichtlich.

Das Vorschau-Label ist das Risiko, das niemand einpreist.

Die Modell-ID von Gemini 3.5 Live Translate lautet gemini-3.5-live-translate-preview. Es wurde als öffentliche Vorschau für die Gemini Live API und Google AI Studio veröffentlicht und gleichzeitig in die Google-Translate-App für Android und iOS sowie als private Vorschau in Google Meet für ausgewählte Workspace-Kunden eingeführt. Vorschau bedeutet bei Google dasselbe wie schon immer: keine Stabilitätsgarantie, kein veröffentlichtes Deprecation-Fenster, keine Zusage, dass der Tarif, den Sie zahlen, die nächste Version übersteht.

Für eine Consumer-App ist das in Ordnung. Für die Workloads, auf die dieses Modell eigentlich abzielt – Live-Dolmetschen in einem Callcenter, ein Meeting-Produkt, ein Reise-Produkt –, ist es das mit Abstand größte Integrationsrisiko im Stack. Sie bauen eine Produktionsabhängigkeit von einem Modell auf, zu dem Google sich ausdrücklich nicht verpflichtet hat.

GPT-Live-1 hat das umgekehrte Problem, und es ist kleiner, aber nicht null. Es ist allgemein verfügbar, zu einem veröffentlichten Tarif, mit einem dokumentierten Endpunkt, und es wird nicht verschwinden. Aber seine API-Oberfläche ist auf eine Weise eng, die Teams überrascht, die annehmen, es füge sich in eine bestehende Ope​nAI-Integration ein: Es gibt genau eine Modell-ID, einen Endpunkt und keinen Weg über Chat Completions, Responses, Realtime, Batch, Assistants oder Fine-Tuning. Der einzige Zugang ist der Live-Sessions-Endpunkt unter v1/live/sessions über WebRTC, mit Ereignisbehandlung auf einem Datenkanal. Das ist eine neue Integration, kein Parameterwechsel.

Sprachen, und wo der Generalist ehrlich gesagt schwächer ist

Die Zahl bei Goo​gle liegt bei über 70 Sprachen mit Beibehaltung von Stimme und Tonfall. Die eigene Dokumentation von Ope​nAI ist deutlich weniger zuversichtlich, was die eigene Abdeckung betrifft: Das Material zum Start hält fest, dass das Modell bei bestimmten Sprachen einen nicht muttersprachlichen Akzent aufweisen oder Lücken in der Sprachflüssigkeit zeigen kann, und es veröffentlicht keine Anzahl an Sprachen, die mit der von Goo​gle konkurriert.

Das ist kein Anbieter, der sich bedeckt hält – es ist, wie ein generalistisches Konversationsmodell neben einem Spezialisten aussieht, der auf das Problem trainiert wurde. Wenn das Wertversprechen Ihres Produkts lautet: „Wir interpretieren 40 Sprachen gut“, dann ist der Spezialist die ehrliche Wahl, und der Generalist wird Sie im Long Tail blamieren. Wenn Ihr Produkt ein Voice-Agent für einen englischsprachigen Markt ist, dem eine Übersetzungsfunktion angeflanscht wurde, werden die Sprachlücken des Generalisten nie zum Tragen kommen.

Beide Modelle versehen generiertes Audio mit SynthID-Wasserzeichen, was dann relevant ist, wenn Sie sich in einer Gerichtsbarkeit befinden oder einen Kundenvertrag haben, der einen Herkunftsnachweis für synthetische Sprache verlangt. Das ist ein Unentschieden.

Wo die Delegationsarchitektur den Build verändert

Der strukturelle Unterschied zwischen diesen beiden besteht darin, dass GPT-Live-1 eigentlich zwei Modelle mit einer Nahtstelle in der Mitte sind. Die Sprachschicht hält das Gespräch am Laufen; ein separates Reasoning-Modell übernimmt das Denken. An dieser Nahtstelle setzen Ihre Engineering-Bemühungen an, und hier wird auch das Kostenmodell kompliziert.

Es lohnt sich zu wissen, dass die delegierte Hälfte ein gewöhnliches Textmodell ist, das Sie wie jedes andere routen können. GPT-5.6 Terra, das Backend im eigenen Beispiel von Ope​nAI, wird über OrcaRouter bereitgestellt für 2,00 $ pro Million Eingabe-Tokens und 12,00 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 1 Mio. Tokens und sowohl /v1/chat/completions als auch /v1/responses verfügbar. Wenn Sie das Reasoning-Gehirn hinter einem Voice-Agent austauschen möchten — gegen ein günstigeres Modell bei einfachen Anrufen oder ein stärkeres bei Eskalationen —, dann bietet diese Hälfte des Stacks Optionen, denn es ist ein normaler API-Aufruf, der neben rund 190 anderen Modellen unter einem einzigen Key steht.

Für die Sprachhälfte gilt das nicht. GPT-Live-1 ist nicht auf OrcaRouter verfügbar, und Gem​ini 3.5 Live Translate ebenfalls nicht; beide sind ausschließlich bei dem Anbieter erhältlich, der sie entwickelt hat. Seinen Platz verdient ein Router in einer Architektur wie dieser bei allem, was dem Audio nachgelagert ist: die Textmodelle, die das Retrieval, die Zusammenfassung, das Zurückschreiben ins CRM und die Eskalation übernehmen – also die Hälfte der Rechnung, die Sie tatsächlich auf einen einzigen Schlüssel und eine einzige Rechnung konsolidieren können.

Was man tatsächlich wählen sollte

• Wählen Sie Gem​ini 3.5 Live Translate, wenn die Übersetzung das Produkt ist, der Preis pro Minute wichtiger ist als Vertragsstabilität und Sie verkraften können, dass sich ein Preview-Modell unter Ihnen verändert. Veranschlagen Sie grob 0,037 $ pro Minute und halten Sie eine Abstraktionsschicht über dem Aufruf, damit ein GA-Modell es ersetzen kann, ohne dass etwas neu geschrieben werden muss.

• Wählen Sie GPT-Live-1, wenn Sie einen Konversationsagenten brauchen, der nebenbei übersetzt, wenn Sie Funktionsaufrufe und Tool-Nutzung innerhalb der Sprachschleife benötigen, oder wenn ein Beschaffungsteam fragen wird, was passiert, wenn das Modell eingestellt wird, und Sie eine bessere Antwort als „nichts, wahrscheinlich“ brauchen.

• Entscheiden Sie sich nicht für eines von beiden, nur weil es einen Benchmark gewonnen hat. Die Benchmarks beider Seiten sind nicht vergleichbar – die Full-Duplex-Zahlen von OpenAI stammen von OpenAI selbst und wurden von keiner dritten Partei reproduziert, und Googles Sprachbehauptungen sind nicht gegen einen Generalisten auf demselben Audio-Set getestet.

Ein vorausschauender Hinweis: Die beiden Oberflächen konvergieren, statt zu kollidieren. Das Übersetzungsmodell von Goo​gle steckt bereits in Gem​ini Live, und die Sprachschicht von GPT-Live-1 ist ausdrücklich darauf ausgelegt, dass neue Frontier-Modelle dahinter ausgetauscht werden. Die vernünftige Erwartung ist, dass sich innerhalb von ein paar Release-Zyklen die Übersetzung des Generalisten verbessert und die Integrationsgeschichte des Spezialisten weniger zu einem Glücksspiel wird. Wenn Sie heute entwickeln und die Entscheidung knapp ist, spricht das für die günstigere, leichter ersetzbare Option und dafür, den Audiopfad so oder so hinter einer Schnittstelle isoliert zu halten.