Perplexity stellt GPT-Live-1 hinter seinen Voice-Modus: Was der Wechsel auf Mac und Web tatsächlich ändert

Perplexitys Sprachmodus in der Mac-App und im Web läuft jetzt auf GPT-Live-1, OpenAIs Vollduplex-Sprachmodell, und die mit diesem Wechsel verbundene Fähigkeit ist der Teil, den man zweimal lesen sollte: Eine einzige gesprochene Sitzung kann mehrere Perplexity-Computer-Sitzungen gleichzeitig steuern, neue Aufgaben mitten im Satz starten und Projekte erstellen oder verwalten, ohne eine Tastatur zu berühren. Die Ankündigung wurde am 28. Oktober 2026 über Perplexitys @AskPerplexity-Konto veröffentlicht und galt für zahlende Pro- und Max-Abonnenten auf beiden Oberflächen.

Das ist ein Distributionsereignis, kein Start eines neuen Modells. GPT-Live-1 ist allgemein verfügbar, seit OpenAI es am 10. September 2026 in die API aufgenommen hat, für 0,05 US-Dollar pro Sprachminute, und es ist seit dem 8. Juli in ChatGPT Voice. Was sich diese Woche geändert hat, ist, wer es mietet und worauf sie es richten.

Warum ein Wechsel des Voice-Modells eine Schlagzeile wert ist

Früher wurden Sprachschnittstellen in jedem Unternehmen selbst zusammengebaut. Man kaufte Transkription ein, rief das eigene Sprachmodell auf und kaufte Synthese ein und widmete dann den schwierigen Teil des Aufbaus der Turn-Erkennung – der Regel, die entscheidet, wann der Nutzer mit dem Sprechen fertig ist. Diese Regel ist der Punkt, an dem die meisten Sprachprodukte scheitern: Ist sie zu voreilig, redet der Agent den Menschen dazwischen; ist sie zu langsam, fühlt sich jeder Anruf wie eine schlechte internationale Leitung an.

GPT-Live-1 beseitigt diese Naht. Es ist ein Modell, das zuhört, während es generiert, viele Male pro Sekunde entscheidet, ob es sprechen oder warten soll, und schweres Reasoning im Hintergrund an ein Textmodell übergibt, ohne das Audio zu unterbrechen. Perplexity musste keine Barge-in-Policy entwickeln, um Multi-Session-Control zum Laufen zu bringen; es hat eine geerbt.

Die praktische Konsequenz für Leser, die ihre eigenen Voice-Produkte bauen, ist unverblümt: Die Turn-Taking-Schicht, die Sie selbst schreiben wollten, ist jetzt etwas, das Sie mieten. Ob das günstiger ist, hängt vollständig davon ab, wie viele Minuten Ihr Agent mit Zuhören statt mit Sprechen verbringt – eine Frage, bei der es sich lohnt, vor der Entscheidung die Rechnung zu machen, denn der Zähler läuft über die gesamte Sitzung, Stille eingeschlossen.

Der Computer-Teil ist die eigentliche Produktänderung.

Modell-Swaps sind für Nutzer unsichtbar. Die Steuerung von Computer über mehrere Sitzungen hinweg ist es nicht. Bis zu diesem Update war Perplexity Computer eine einzelne Agentenschleife, die Sie auf dem Bildschirm überwachten. Die neue Sprachschicht ermöglicht es Ihnen, ein Gespräch zu führen, während mehrere Hintergrundsitzungen laufen, eine neue per Zuruf zu starten und Projekte anhand ihres Namens zu verwalten. Das kommt einem Dispatcher näher als einem Chatbot und ist die erste Sprachschnittstelle für Endverbraucher, die wir gesehen haben, die parallele Agentensitzungen als Standard und nicht als Ausnahme behandelt.

Drei Details sind hier am Werk:

• Eine Sitzung, viele Worker — ein Sprachzug kann mehr als eine Computersitzung ansprechen, ohne die aktuelle zu beenden.

• Aufgabenerstellung per Sprache — neue Arbeit kann mitten im Gespräch in die Warteschlange eingereiht werden statt erst danach.

• Projektverwaltung nach Namen — Projekte werden zu Objekten, die sich per Sprachbefehl erstellen und umbenennen lassen, was bedeutet, dass die Sprachschicht Referenzen auflösen muss und nicht nur transkribieren.

Nichts davon erfordert theoretisch ein Vollduplex-Modell. All das ist mit einem viel einfacher, weil der Agent eine Anfrage mit „mhmm“ bestätigen kann, während die eigentliche Arbeit beginnt, statt acht Sekunden lang zu schweigen und zu hoffen, dass der Nutzer wartet.

Perplexity nannte v1. OpenAI hat seitdem v1.1 ausgeliefert.

Das entscheidende Detail in der Ankündigung ist die Versionszeichenfolge. Perplexity gibt an, dass sein Sprachmodus auf GPT-Live-1 läuft. In ChatGPT Voice begann OpenAI am 15. Oktober 2026 mit der schrittweisen Einführung von GPT-Live-1.1, zwei Wochen vor dieser Umstellung. Perplexity hat nicht mitgeteilt, ob es 1.1 evaluiert hat, ob es bewusst für Stabilität an v1 gebunden ist oder ob ein Upgrade geplant ist.

Betrachten Sie das als normales Engineering und nicht als Skandal. Eine Plattform, die ein Sprachmodell in eine Consumer-App integriert, interessiert sich weit mehr für einen eingefrorenen Snapshot mit vorhersagbarer Latenz als für den neuesten Checkpoint, und OpenAI hat keinen Migrationsleitfaden veröffentlicht, der 1.1 zu einem Drop-in macht. Aber es bedeutet, dass das Modell in der Perplexity-App heute nicht das Modell in ChatGPT heute ist, und jeder Vergleich der beiden Voice-Erlebnisse unterschiedliche Gewichte misst.

Die Ökonomie, über die Perplexity nicht gesprochen hat

OpenAIs eigene Dokumentation nennt einen Preis für dieses Modell: 0,05 US-Dollar pro Minute Sprache, sekundengenau und ohne Aufrunden abgerechnet, wobei eine Gebühr von 15 Sekunden für die Initialisierung der Sitzung auf die spätere Dauer angerechnet wird. Reasoning, Tools und Websuche laufen über ein separates Textmodell und werden separat abgerechnet. Perplexity verkauft ein Pauschalabonnement.

Diese beiden Abrechnungsmodelle passen nicht ohne Weiteres zusammen. Ein Max-Abonnent, der zwei Stunden pro Woche die Sprachfunktion nutzt – keine ungewöhnliche Menge für jemanden, der gerade die freihändige Steuerung mehrerer Agentensitzungen erhalten hat –, verbraucht rund 520 Minuten pro Monat. Zum Listenpreis sind das etwa 26 US-Dollar nur für die Sprachfunktion, bevor die Reasoning-Aufrufe hinter jeder Computer-Aufgabe hinzukommen. Ein Abonnent, der eine Sitzung beim Nachdenken offen lässt oder sie als Hintergrundsteuerung weiterlaufen lässt, kostet mehr, weil Stille zum selben Tarif abgerechnet wird wie Sprache.

Jede Plattform, die ein nutzungsabhängig abgerechnetes Sprachmodell im Rahmen eines Pauschaltarifs weiterverkauft, geht diese Wette ein, und die Wette geht zum Start meist auf: Die meisten Abonnenten nutzen weit weniger als den schweren Tail. Die interessante Zahl, die es zu beobachten gilt, ist nicht der Durchschnitt, sondern das 95. Perzentil, und keines der beiden Unternehmen veröffentlicht sie.

Auf OpenAI-Seite ist die Pro-Stunde-Kennzahl, die für die Kapazitätsplanung zählt, der Preis für Eingabeaudio, nicht die Sprechzeit. Artificial Analysis hat GPT-Live-1 mit 5,83 US-Dollar pro Stunde Eingabeaudio in seiner High-Reasoning-Konfiguration und mit 4,47 US-Dollar in der Low-Variante gemessen, unter Verwendung eines festen Benchmarking-Satzes von 40 Fragen – ein nützlicher Hinweis darauf, dass die 0,05-US-Dollar-Schlagzeile nur die Sprachkomponente abdeckt.

Wie gut ist das Modell, das Perplexity gerade übernommen hat?

{{1}}Im unabhängig betriebenen Speech-to-Speech Index von Artificial Analysis erzielt GPT-Live-1 in seiner Astra-medium-Konfiguration 83,2 Punkte und liegt damit unter 21 bewerteten Modellen auf Platz zwei hinter Grok Voice 3.0 mit 86,9; in seiner Sol-low-Konfiguration erreicht es 80,1 Punkte und damit Platz fünf.{{/1}} {{2}}In der Speech Agent Arena desselben Labors – einer blinden Präferenzermittlung anhand echter Gespräche im Buchungsstil – liegen die beiden Konfigurationen bei 1037 bzw. 1041 Elo, mit Aufgabenerfolgsquoten von 87,4 % und 90,9 %.{{/2}}

Der Konfigurationsstring ist kein Beiwerk. GPT-Live-1 argumentiert nicht im eigenen Haus; es delegiert an ein namentlich genanntes Backend, und welches Backend Sie wählen, verändert sowohl die Punktzahl als auch die Rechnung. Perplexity hat nicht offengelegt, mit welchem Backend es die Sprachschicht kombiniert, daher ist seine effektive Qualität von außen unbekannt, obwohl sein Sprachmodell inzwischen öffentlich bekannt ist.

Die Routing-Frage, die niemand gestellt hat

Hier ist der strukturelle Punkt, den diese Ankündigung sichtbar macht. Perplexitys Voice-Leg ist jetzt von OpenAI gemietet und kann nicht ersetzt werden – GPT-Live-1 stellt genau einen Endpunkt bereit, v1/live/sessions, und ist ausdrücklich kein Drop-in-Ersatz für die Realtime API. Dieser Leg ist gesperrt. Der Reasoning-Leg dahinter ist es nicht.

Genau hier zeigt ein Router, warum er seinen Platz verdient: Das Textmodell, das für jede Computer-Aufgabe die Denkarbeit übernimmt, lässt sich austauschen, per Failover ersetzen oder nach Aufgabentyp aufteilen, ohne die Sprachschicht anzutasten. Auf OrcaRouter erreicht derselbe Schlüssel GPT-6 Astra, GPT-5.6 Terra und GPT-5.6 Sol – die Stufen, die OpenAI selbst als Delegationsziele nutzt – neben Claude-, Gemini-, Qwen- und GLM-Modellen, wobei Anbieterlistenpreise ohne Aufschlag (0 % Markup) durchgereicht werden und bei Beeinträchtigung eines Backends automatisches Failover greift. Senkt ein Anbieter einen Preis, schlägt sich das auf der gerouteten Strecke noch am selben Tag nieder.

Um genau zu sein, was wir nicht tun: {{1}}OrcaRouter bietet GPT-Live-1 nicht an{{/1}}. Der Voice-Teil bleibt auf {{2}}der OpenAI-API{{/2}}. Was wir routen, ist alles, was diesem nachgelagert ist – und genau dort liegt die Kosten- und Zuverlässigkeitsvarianz eines Voice-Agenten tatsächlich.

Was als Nächstes ansehen

Drei Dinge würden diese Geschichte verändern. Wenn Perplexity zu GPT-Live-1.1 wechselt, spielt der Versionshinweis oben keine Rolle mehr, und die Sprachqualität der App dürfte sich mit allem, was 1.1 geändert hat, verbessern. Wenn OpenAI Kostenkontrollen pro Sitzung veröffentlicht – eine Obergrenze, ein Stille-Timeout, ein günstigerer Leerlauftarif –, wird die Rechnung mit dem Pauschalabo für jeden Wiederverkäufer einfacher. Und wenn ein konkurrierendes Vollduplex-Modell auf einem vergleichbaren Index erscheint, wird die Abhängigkeit von einem einzigen Anbieter in dieser Integration zu einer Entscheidung statt zu einem Standard.

Für Entwickler ist die praktisch relevante Schlussfolgerung enger gefasst. Wenn du eine unterbrechungsintensive Sprachoberfläche baust – Aufnahme, Buchung, Disposition, alles, wo der Nutzer mehr spricht als der Agent –, ist ein Full-Duplex-Modell inzwischen die vernünftige Standardwahl, und die minutengenaue Abrechnung ist der Preis dafür. Wenn du Narration, Vorlesen oder irgendetwas baust, das Audio aus Text auf Abruf erzeugt, ist dieses Modell preislich und konzeptionell für die falsche Aufgabe ausgelegt, und der TTS-Vergleich ist ein völlig anderer Artikel.