Ein Chatfenster arbeitet in Runden. Sie tippen, drücken Enter, das Modell antwortet, Sie sind wieder dran. Enter ist dabei mehr als eine Taste: Es ist das Zeichen, dass Sie fertig sind.
Im Gespräch gibt es diese Taste nicht. Jemand muss also entscheiden, wann ein Beitrag zu Ende ist, und dieser Jemand ist ein Programm.
Der Schalter davor
Bei OpenAIs Realtime-Schnittstelle und bei Gemini Live heißt das Bauteil Voice Activity Detection, abgekürzt VAD, auf Deutsch Sprachaktivitätserkennung. Es sitzt vor dem Modell, hört das Mikrofon ab und schneidet den laufenden Ton in Stücke, die an das Modell gehen. Die einfache Bauart nimmt dafür die Stille: Nach der Doku zur Sprachaktivitätserkennung (externe Seite, developers.openai.com) zerlegt sie den Ton selbsttätig an den Pausen.
Das klingt naheliegend und geht oft schief. Menschen machen Pausen mitten im Satz, wenn sie nachdenken, eine Nummer vorlesen oder nach dem richtigen Wort suchen. Für ein Programm, das auf Stille wartet, sieht jede Denkpause aus wie ein Satzende.
Die zweite Bauart hört auf die Wörter
Deshalb gibt es inzwischen eine andere, die den Inhalt heranzieht. OpenAI führt sie als neuen Modus namens Semantic VAD (externe Seite, developers.openai.com): Ein Klassifikator entscheidet anhand der bisher gesprochenen Wörter, ob jemand fertig ist.
Der Maßstab ist damit der angefangene Satz und seine Vollständigkeit. Den Gewinn beschreibt der Anbieter in der Sprache der Vorsicht: Mit diesem Modus fällt das Modell im Gespräch von Stimme zu Stimme seltener ins Wort (externe Seite, developers.openai.com), und es schneidet eine Abschrift seltener ab, bevor jemand ausgeredet hat.
Seltener, das ist das ganze Versprechen. Eine Garantie steht da nicht: Ob jemand fertig geredet hat, weiß im Zweifel nur er selbst.
Beide Bauarten sind Einstellungssache
Die Dokumentation führt für die erste Bauart drei Stellschrauben auf: wie laut es sein muss, wie viel Ton vor dem erkannten Beginn mitgeschickt wird und wie lange die Stille dauern soll. Bei beiden Bauarten kommen zwei Schalter dazu: ob nach dem Ende von selbst geantwortet wird und ob neues Sprechen eine laufende Antwort abbricht. Die zweite Bauart kennt statt der Stellschrauben drei Stufen von zurückhaltend bis vorschnell, die Voreinstellung entspricht der mittleren.
Bei beiden ist die Grenze eine Einstellung, getroffen von jemandem, der die Sprecher nie gehört hat. Wer sie zu eng wählt, baut ein System, das ins Wort fällt; wer sie zu weit wählt, eines, das nach jedem Satz schweigt.
Die dritte Bauart: das Modell hört durchgehend
OpenAI hat mit GPT-Live eine Bauform vorgestellt, in der es dieses Bauteil nicht mehr gibt. Das Modell hört und spricht zugleich, was die Doku zu Sprachagenten (externe Seite, developers.openai.com) Vollduplex nennt.
Die Anwendung schneidet den Ton dann nicht mehr in Beiträge. Die Migrationsanleitung (externe Seite, developers.openai.com) für Entwickler, die von der Realtime-Schnittstelle umsteigen, sagt es als Arbeitsanweisung: Den Ton ohne Unterbrechung schicken, GPT-Live entscheidet selbst, wann es spricht, und die bisherigen Aufrufe, mit denen die Anwendung einen Beitrag abschloss oder eine Antwort auslöste, fallen weg.
Die Entscheidung, wann jemand fertig ist, liegt jetzt im Modell, das den Strom zu Ende hört. Ein Programm davor gibt es dort nicht. Die Seiten zu GPT-Live nennen deshalb weder eine Lautstärkeschwelle noch eine Stilledauer noch einen Vorlauf. Wer die Grenze verschieben will, hat dafür eine Anweisung im Prompt, die Doku zum Prompting (externe Seite, developers.openai.com) schlägt etwa vor, das Modell weiter zuhören zu lassen, während jemand nachdenkt.
Die zugehörige Meldung hält zudem fest, dass OpenAIs Bericht keine Zahlen zur Antwortzeit gegenüber der Vorgängerfassung nennt.
Die erste und die zweite Bauart gelten damit nicht überall. Die erste beschreibt die Realtime-Schnittstelle von OpenAI und Gemini Live, die zweite steht nur in OpenAIs Doku. Bei GPT-Live gilt keine von beiden.
Die offene Verbindung
Der Gegensatz zum Chatfenster liegt in der Verbindung. Statt einer Anfrage mit einer Antwort läuft ein Strom, der offen bleibt, und in dem beide Seiten jederzeit etwas beitragen können. Bei Gemini Live (externe Seite, aistudio.google.com) läuft die Erkennung in der Voreinstellung selbsttätig auf einem ununterbrochenen Tonstrom.
Genau deshalb steht dieses Thema in einem eigenen Kapitel, getrennt von der Erkennung in Kapitel 02. Eine offene Verbindung mit beidseitigem Zugriff gibt es auch dort, wo getippt wird, und alle Fragen dieses Kapitels stellen sich dann genauso.
Eine offene Verbindung heißt, dass beide Seiten gleichzeitig etwas tun können. Daraus folgen zwei Aufgaben, die es in einem Chatfenster gar nicht gibt.
Hineinreden
Wer merkt, dass die Antwort in die falsche Richtung läuft, sagt „nein, warte“. Der Fachbegriff dafür ist Barge-in. Wo eine Erkennung vor dem Modell sitzt, entscheidet dieselbe, die vorhin über das Ende eines Beitrags befunden hat, hier über den Anfang eines neuen. Bei Gemini Live (externe Seite, aistudio.google.com) ist die Folge eindeutig: Erkennt die Erkennung eine Unterbrechung, wird die laufende Erzeugung abgebrochen und verworfen.
Der angefangene Satz wird nicht mehr zu Ende erzeugt. In der Sitzungshistorie bleibt laut derselben Doku nur, was schon an die Anwendung gegangen war. Was davon in der Abschrift stehen bleibt, ist eine eigene Frage, und Kapitel 02 zeigt, warum die Abschrift beim durchgehenden Modell ohnehin auf einem eigenen Weg entsteht.
Damit ist die Hälfte der Arbeit getan. Die andere Hälfte steht in derselben
Dokumentation an unauffälliger Stelle, nämlich als Kommentar im Codebeispiel
zum Feld interrupted: Wenn die Anwendung den Ton selbst abspielt, muss sie an
dieser Stelle das Abspielen anhalten und die Warteschlange leeren.
Der Grund ist einfach und wird trotzdem gern übersehen. Ton wird vorausgeschickt, damit er ohne Stocken läuft. Im Moment der Unterbrechung liegt also fertige Sprache beim Empfänger, und die spielt weiter, egal was der Anbieter auf seiner Seite abgebrochen hat. Ein System, das nur auf das Signal reagiert und den eigenen Puffer stehen lässt, redet weiter, solange dort Ton wartet.
Wer diesen Puffer führt, hängt vom Übertragungsweg ab. Nach OpenAIs Anleitung zur Realtime-Schnittstelle (externe Seite, developers.openai.com) hält die Anwendung das Abspielen über WebSocket selbst an. Bei WebRTC und SIP führt der Server den Puffer und weiß, wie viel Ton schon gespielt wurde.
Das gilt auch dort, wo gar keine Erkennung mehr vor dem Modell sitzt. OpenAIs Migrationsanleitung für GPT-Live (externe Seite, developers.openai.com) weist darauf hin, dass der Player nicht dem Server folgt: Der Server kann mit dem Erzeugen fertig sein, während beim Abspielen noch eine Sekunde Ton in der Warteschlange liegt.
Wie lange der Puffer reicht, hängt vom Aufbau ab. Die eine Sekunde ist OpenAIs Beispiel, eine Obergrenze nennt die Anleitung nicht.
Bei GPT-Live hängt auch das Aufhören selbst am Modell und an der Anweisung im Prompt. Laut Doku zum Prompting (externe Seite, developers.openai.com) lässt sich der Zeitpunkt damit nur ungefähr steuern. Nach einer Unterbrechung kann das Modell noch kurz weitersprechen.
Warum das System sich selbst hört
Sobald ein Lautsprecher und ein Mikrofon im selben Raum stehen, hört das Mikrofon die eigene Ausgabe. Für eine Voice Activity Detection ist das Ton wie jeder andere: Das System unterbricht sich selbst, weil es sich selbst für einen Gesprächspartner hält.
Der Griff dagegen heißt Echo-Unterdrückung, und er ist in der Spezifikation der Aufnahme im Browser (externe Seite, w3.org) beschrieben: Läuft Ton aus dem Lautsprecher, während Mikrofone aufnehmen, ist es oft erwünscht, diesen Ton aus den aufgenommenen Signalen herauszurechnen. Die Spezifikation spricht dabei von einem Versuch.
Daneben stehen dort zwei verwandte Einstellungen, die Pegelregelung und die Rauschunterdrückung, sowie zwei Betriebsarten für die Frage, ob nur der Ton der Gegenseite oder auch der eigene aus dem Signal gerechnet wird.
Bemerkenswert ist, wo diese Beschreibung steht. Auf den Doku-Seiten zu den Sprachschnittstellen von OpenAI und Google kommt Echo nicht vor, auch nicht auf den Seiten zu GPT-Live. Die deutlichste Spur bei einem Anbieter steht im Kopf eines Beispielskripts aus Googles Cookbook (externe Seite, raw.githubusercontent.com): Es verlangt Kopfhörer, weil die Standardausgabe oft keine Echo-Unterdrückung mitbringt und das Modell sich sonst selbst unterbricht.
Ob ein Modell, das ununterbrochen zuhört, die eigene Stimme besser vom Gegenüber trennt als eine Erkennung davor, sagt keine dieser Seiten. Die Unterdrückung sitzt vor der Schnittstelle, im Browser oder im Gerät, und liegt damit in der Verantwortung dessen, der die Anwendung baut. Wer eine Sprachanwendung testet und dabei Kopfhörer trägt, bemerkt das Problem nie.
Das Latenzbudget
Die spürbare Wartezeit ist eine Summe, und wer sie senken will, muss wissen, welche Posten darin stehen.
| Posten | Was dort passiert |
|---|---|
| Aufnahme und Weg | Ton wird gepuffert, gepackt und übertragen |
| Ende des Beitrags | die Erkennung wartet, bis sie „fertig“ sagt |
| Erkennung | aus Ton wird Text, bei der Kette ein eigener Schritt |
| Antwort bis zum ersten Wort | das Modell beginnt zu erzeugen |
| Ausgabe bis zum ersten Ton | die Sprachausgabe setzt an |
| Rückweg | Übertragung und Abspielpuffer |
Der zweite Posten ist der, den man am ehesten übersieht, weil er nach Wartezeit gar nicht aussieht. Er ist trotzdem der einzige, zu dem die Anbieter Zahlen nennen. Wer bei Gemini Live die Erkennung selbst übernimmt, bekommt von Google (externe Seite, aistudio.google.com) eine Zahl genannt: Damit die Tonqualität erhalten bleibt, soll die eigene Erkennung erst nach mindestens 500 Millisekunden Stille ein Redeende melden.
Eine halbe Sekunde, bevor irgendetwas anderes beginnt. Der Satz gilt für den Fall, dass die Anwendung selbst erkennt. Die eingebaute Erkennung wartet in der Voreinstellung länger: Google nennt dafür rund 800 Millisekunden und empfiehlt Werte von 500 bis 800. Bei OpenAI steht die Stille in der Voreinstellung auf 500 Millisekunden, und Semantic VAD wartet laut Referenz (externe Seite, developers.openai.com) je nach Stufe höchstens acht, vier oder zwei Sekunden. Diese Zeit kostet jede Antwort, damit niemandem ins Wort gefallen wird.
Die Tabelle beschreibt eine Bauform mit eigener Erkennung vor dem Modell. Bei GPT-Live gibt es den zweiten Posten nicht mehr als eigenen Schritt, denn kein Bauteil wartet dort auf das Ende des Beitrags. Wie viel Zeit das spart, nennt OpenAIs Bericht nach der Meldung nicht. Die genannten Zeiten sind damit Werte dieser Bauform.
Die anderen Posten stehen hier ohne Zahlen, und das hat einen Grund: Für sie gibt es keine Herstellerangabe zur Dauer, die man ohne eigene Messung übernehmen könnte. Eine Summe unter diese Tabelle zu schreiben, wäre eine Rechnung aus geratenen Werten.
Bei Gemini Live läuft die Erkennung des Sprecherwechsels standardmäßig beim
Anbieter. Sie lässt sich abschalten, und was dann zu tun ist, steht in der
Dokumentation (externe Seite, aistudio.google.com) ausdrücklich: Die Anwendung
erkennt selbst, wann gesprochen wird, und schickt zur rechten Zeit zwei
Signale, activityStart für den Anfang und activityEnd für das Ende eines
Beitrags. Das klingt nach einer kleinen Verlagerung und ist
in Wahrheit die Übernahme einer Aufgabe, die vorher jemand anders gelöst hat.
Was dabei wegfällt
Die Doku führt die Folgen in einem eigenen Abschnitt auf, und beide sind unangenehm. Die erste: Es gibt keinen Vorlauf mehr (externe Seite, aistudio.google.com), der Server setzt keinen Ton mehr vor den erkannten Sprechbeginn.
Die eingebaute Erkennung schickt etwas Ton vor dem erkannten Beginn mit. Der Grund ist die Natur der Sache: Bis ein Verfahren merkt, dass jemand angefangen hat zu sprechen, ist die erste Silbe schon vorbei. Wer die Erkennung selbst übernimmt, muss diesen Vorlauf selbst mitschicken, sonst fehlt bei jeder Äußerung der Anfang. Aus „Termin verschieben“ wird „min verschieben“.
Die zweite Folge: Es gibt
keine Nachsicht mehr bei Stille (externe Seite, aistudio.google.com), der Server
handelt auf das Signal activityEnd sofort und wartet nicht zusätzlich.
Das Ende-Signal wird also wörtlich genommen. Eine Nachdenkpause mitten im Satz beendet damit den Beitrag, wenn die eigene Erkennung sie für Stille hält, und die Antwort kommt auf einen halben Satz. Deshalb steht auf derselben Seite die Untergrenze von 500 Millisekunden, die in Tiefe 2 steht.
Daraus folgt eine klare Bedingung für diese Bauentscheidung. Die eigene Erkennung lohnt sich, wenn die Grenzen von woanders herkommen und dort sicher sind: eine Taste zum Sprechen, ein Kanal, der die Beiträge schon getrennt liefert, eine Aufnahme, die abschnittsweise eintrifft. Sie lohnt sich nicht, wenn man dabei nur dieselbe Aufgabe noch einmal lösen will.
Dazwischen führt Google eine Mischform namens Hybrid VAD (externe Seite, aistudio.google.com). Die Erkennung beim Anbieter bleibt an und findet den Beginn samt Vorlauf. Das Ende meldet die Anwendung selbst, und bleibt die Meldung aus, springt der Server ein. Der Vorlauf ist damit gesichert. Eine zu scharf eingestellte eigene Erkennung schneidet laut derselben Stelle weiterhin Sätze ab.
Wenn es die Erkennung nicht mehr gibt
Bei GPT-Live stellt sich die Frage anders. Dort gibt es keine Erkennung, die man abschalten und selbst übernehmen könnte. Die Migrationsanleitung (externe Seite, developers.openai.com) verlangt das Gegenteil dessen, was oben steht: den Ton ohne Unterbrechung schicken, GPT-Live entscheiden lassen, wann es spricht, und die Aufrufe streichen, mit denen die Anwendung bisher einen Beitrag abschloss oder eine Antwort auslöste.
Die Anwendung schickt nur noch den Ton und meldet weder Anfang noch Ende. Damit entfallen auch die beiden Folgen von oben. Ein Vorlauf vor dem erkannten Beginn ist nicht nötig, wo nichts den Beginn erkennen muss, und eine Nachsicht am Ende kann niemand einstellen, wo kein Ende-Signal abgeschickt wird. Das folgt aus der Bauweise, die Anleitung sagt es nicht in diesen Worten.
Der Gewinn hat eine Rückseite. Die Taste zum Sprechen und der Kanal mit getrennten Beiträgen, die bei der eigenen Erkennung die Bedingung für den Einsatz waren, sind dort keine Hilfe mehr: Die Grenze zieht das Modell, und die Anwendung kann sie nicht festlegen. Die Eingabe lässt sich nach der Doku zu den Sitzungen (externe Seite, developers.openai.com) stummschalten, das Modell kann dabei weitersprechen.
Wer Beiträge getrennt braucht, etwa für eine Abschrift, bekommt Textstücke mit ungefähren Zeitangaben. Ein Ereignis, das einen Beitrag abschließt, fehlt. Wie die Stücke zu Beiträgen werden, entscheidet die Anwendung.
Die Ausgabe
Auf der anderen Seite des Gesprächs steht die Sprachausgabe. Sie wird heute
geführt wie ein Modell, also über eine Anweisung in Prosa: Nach der
Doku zur Sprachausgabe (externe Seite, developers.openai.com) lassen sich bei
gpt-4o-mini-tts Eigenschaften der Sprache per Prompt steuern.
Die Doku zählt darunter auf, was dabei gemeint ist: Akzent, Gefühlsspanne,
Betonung, Nachahmung, Sprechtempo, Klangfarbe und Flüstern. Die Anweisung dafür
ist Prosa, im Beispiel des Anbieters ein einziger Satz („Speak in a cheerful
and positive tone“).
Das Modell ist abgekündigt und verschwindet am 06.01.2027. Als Ersatz nennt
dieselbe Seite gpt-realtime-2.1-mini über die Realtime-Schnittstelle.
Bei GPT-Live steht diese Führung ebenfalls im Prompt, die Doku zum Prompting (externe Seite, developers.openai.com) nennt etwa ein Flüstern oder eine lebhafte Erklärung.
Das ist bequem, und die Unschärfe ist bekannt. Eine Anweisung in Prosa wird ausgelegt, sie greift mal mehr und mal weniger, und sie lässt sich nur prüfen, indem man zuhört. Was für Anweisungen an ein Textmodell gilt, gilt hier genauso, siehe Grundkurs, Kapitel 06.
Bei Google ist die Stimme bei den durchgehenden Modellen dieselbe wie bei der getrennten Ausgabe. Die Modelle mit eigener Tonausgabe (externe Seite, aistudio.google.com) können jede Stimme benutzen, die es für die Sprachausgabe (TTS) des Anbieters gibt.
Wer dort die Bauform wechselt, behält also seine Stimme. Das ist einer der wenigen Punkte, an denen ein Wechsel zwischen den beiden Bauformen aus Kapitel 02 nichts kostet. Bei OpenAI gilt das nur eingeschränkt: Die Doku zur Sprachausgabe (externe Seite, developers.openai.com) weist darauf hin, dass die Stimmenauswahl der Realtime-Schnittstelle etwas abweicht.
Warum die Ausgabe in Stücken kommen muss
Beides zusammengenommen, das Hineinreden aus Tiefe 2 und die stückweise Übertragung aus Kapitel 01, ergibt eine Anforderung an die Anwendung, die man beim Bau leicht übergeht.
Die Ausgabe muss an jeder Stelle abbrechbar sein. Wer den Ton erst zusammensetzt und dann abspielt, hat beim Abbruch nichts, was er anhalten könnte, und wer ihn stückweise abspielt, muss die Warteschlange kennen und leeren können. Das ist die Stelle, an der eine Sprachanwendung tatsächlich Zustand führt: Was liegt im Puffer, was davon ist schon zu hören, und was wird verworfen, wenn jemand dazwischenredet.
Ein zweiter Punkt kommt hinzu, der selten bedacht wird. Wenn die Ausgabe
abgebrochen wird, hat der Nutzer einen Teil gehört. Wie viel angekommen ist,
weiß, wer den Puffer führt. Bei OpenAIs Realtime-Schnittstelle über WebSocket
ist das die Anwendung: Sie meldet die abgespielte Dauer mit
conversation.item.truncate, und der
Server nimmt den ungespielten Teil (externe Seite, developers.openai.com) aus dem
Gespräch. Bei WebRTC und SIP erledigt der Server das selbst. Fehlt diese Angabe,
wiederholt das System beim nächsten Versuch entweder alles oder setzt an einer
Stelle an, die der Nutzer nie gehört hat.
Was dieses Kapitel offen lässt
Ein Punkt fehlt hier bewusst, weil der Beleg fehlt. Es ist ein Vergleich: Wie gut die Entscheidung im Modell gegenüber einer eigenen Erkennung abschneidet. Der Bericht, auf den sich die Meldung stützt, enthält nach ihr keinen Vergleich mit anderen Systemen und keine Zahlen zur Antwortzeit gegenüber der Vorgängerfassung. Ob die Entscheidung im Modell seltener ins Wort fällt als eine eigene Erkennung, ist damit nicht belegt.
Eine zweite Frage gehört in ein anderes Kapitel: wie ein System auseinanderhält, wer von mehreren Anwesenden gerade spricht. Der Fachbegriff dafür ist Diarisierung, und die Frage wird praktisch, sobald ein Gerät in einem Raum mit mehreren Menschen steht. Die Sprachschnittstellen der Anbieter behandeln den Fall am Rande. Wie die Trennverfahren arbeiten und was ihre Fehlerrate misst, steht in KI jenseits der Sprachmodelle, Kapitel 07.
Quellen
11 Einträgealle erreichbar
Erreichbarkeit automatisch geprüft
Dokumentationerreichbar
OpenAI, Voice activity detection (VAD) (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Seite hinter dem Schalter, der entscheidet, ob eine Aufnahme überhaupt beim Modell ankommt. Zwei Betriebsarten stehen dort nebeneinander: eine Lautstärkeschwelle, die lauteren Ton verlangt und in lauter Umgebung besser fährt, und eine zweite, die stattdessen anhand der gesprochenen Wörter entscheidet, ob jemand zu Ende geredet hat. Beleg dafür, dass die Lautstärkeprüfung vor der Erkennung ein dokumentierter Griff der Anbieter ist, und dafür, wo sie aufhört.
Dokumentationerreichbar
Google, Live API capabilities guide (externe Seite, aistudio.google.com)
aistudio.google.comgeprüft 13.11.2026
Die Beschreibung zweier Einstellungen, die es nur beim durchgehenden Modell gibt: Das Modell darf entscheiden, ob es überhaupt antwortet, und es richtet seinen Ton nach dem des Gegenübers. Beides setzt voraus, dass mehr ankommt als der Wortlaut. Beide laufen nur über eine Vorabfassung der Schnittstelle. Die Seite vermerkt zu beiden, dass Gemini 3.1 Flash Live Preview sie nicht unterstützt. Zu Gemini 3.8 Live sagt sie inzwischen Genaueres, und es ist nicht dasselbe: Das Schweigen ist dort dauerhaft eingeschaltet, der Wert falsch führt zu einem Fehler; die Anpassung an den Ton gibt es nur noch bei Gemini 2.5 Flash Live und ist in Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking entfernt. Dieselbe Seite vergleicht vier Modelle in einer Tabelle und beschreibt den Umstieg von Gemini 3.1 Flash Live Preview auf Gemini 3.8 Live. Beim Tool Call läuft Gemini 3.8 Live ohne Warten als Voreinstellung, und die Anwendung wählt, wann ein Ergebnis ins Gespräch kommt; die Fassung mit ausgedehntem Denken kennt nur den Weg ohne Warten, ohne Wahl des Zeitpunkts, 3.1 Flash Live nur den Aufruf der Reihe nach. Beim Denken gilt: Das aktuelle Live-Modell führt Denken fest verdrahtet ohne wählbare Stufe, die Fassung mit ausgedehntem Denken erlaubt niedrig, mittel und hoch, und nur bei Gemini 3.1 Flash Live Preview gibt es zusätzlich die niedrigste Stufe als Voreinstellung, mit der Antwortzeit begründet. Sie beschreibt außerdem das Hineinreden: Das Modell verwirft seine laufende Erzeugung, und im Kommentar des Codebeispiels zum Feld interrupted steht, dass die Anwendung den schon gesendeten Ton selbst aus ihrem Puffer räumen muss. Die Erkennung der Sprechpausen lässt sich abschalten und an den Client übergeben. Was das kostet, steht daneben: Die Pufferung auf der Gegenseite entfällt, und die Seite nennt 500 Millisekunden Stille als Untergrenze für die eigene Erkennung. Die Seite nennt außerdem die Betriebsgrenzen einer Sprachsitzung in Zahlen: eine Viertelstunde für reinen Ton, zwei Minuten sobald Video dazukommt, dazu ein Kontextfenster von 128k oder 32k Token je nach Modellart. Im selben Absatz steht, dass sich die Dauer über eine andere Sitzungsführung beliebig verlängern lässt. Die Zahl ist damit eine Voreinstellung.
Dokumentationerreichbar
OpenAI, Voice agents (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Seite, auf der ein Anbieter die Bauformen für Sprache nebeneinanderstellt und sagt, wofür jede taugt: eine Sitzung, in der ein Modell den Ton direkt entgegennimmt und erzeugt, eine Kette aus Erkennung, Textmodell und Sprachausgabe, oder seit einer Überarbeitung im September 2026 zusätzlich GPT-Live, das die Sprachebene von einem eigenen Backend trennt. Sie nennt außerdem die Reihenfolge der Entscheidung, nämlich zuerst die Bauform und danach alles andere.
Dokumentationerreichbar
OpenAI, Migrate to GPT-Live (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Migrationsseite für GPT-Live, auf der OpenAI den Wechsel von einer Realtime-Sitzung beschreibt: Wo eine Realtime-Sitzung bei manueller Steuerung Beiträge abschließt und Antworten auslöst, sendet die Anwendung bei GPT-Live den Ton durchgehend, und das Modell entscheidet selbst, wann es spricht. Belegt außerdem, dass der Abspielpuffer bei der Anwendung bleibt: Der Server kann mit der Erzeugung fertig sein, während im Player noch Ton wartet.
Dokumentationerreichbar
OpenAI, Prompting GPT-Live (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Prompting-Seite zu GPT-Live. Sprechweise, Geduld und das Verhalten beim Unterbrechen stehen dort als Anweisungen in Prosa, und die Seite sagt, wie weit das reicht: Eine Anweisung ermutigt das Modell zum Nachgeben, den genauen Zeitpunkt des Aufhörens legt sie nicht fest, und das Modell kann nach einer Unterbrechung kurz weitersprechen.
Originalarbeiterreichbar
W3C, Media Capture and Streams (externe Seite, w3.org)
w3.orggeprüft 13.11.2026
Die Spezifikation der Aufnahme im Browser, und der einzige Ort, an dem die Echo-Unterdrückung als eigene Einstellung beschrieben wird. Sie steht dort neben der Pegelregelung und der Rauschunterdrückung, mit zwei Betriebsarten für die Frage, ob nur die Gegenseite oder auch der eigene Ton aus dem Mikrofonsignal gerechnet wird. Auf den Doku-Seiten von OpenAI und Google zur Sprachschnittstelle kommt Echo nicht vor, bei Google steht der Hinweis nur im Kopf eines Beispielskripts: Der Griff sitzt vor der Schnittstelle, im Browser oder im Gerät.
Dokumentationerreichbar
OpenAI, Realtime conversations (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Beschreibung dessen, was in einer laufenden Sprachsitzung passiert, und der Ort, an dem der Anbieter den Preis einer Prüfung vor der Antwort selbst benennt: Wer die automatische Antwort abschaltet, um Eingaben zu moderieren, zu prüfen oder erst etwas nachzuschlagen, bezahlt das mit Wartezeit. Dieselbe Seite nennt die Obergrenze einer Sitzung und beschreibt den Ablauf eines Tool Calls.
Dokumentationerreichbar
Google, Gemini Cookbook, Get_started_LiveAPI.py (externe Seite, raw.githubusercontent.com)
raw.githubusercontent.comgeprüft 13.11.2026
Ein Beispielskript aus Googles Cookbook für die Live-Schnittstelle. In seinem Kopf steht die Warnung, dass die Standardausgabe des Systems oft keine Echo-Unterdrückung mitbringt und das Modell sich ohne Kopfhörer selbst unterbricht.
Dokumentationerreichbar
OpenAI, Realtime client events (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Stelle, an der der Hersteller selbst schreibt, dass die Abschrift einer Sprachsitzung nicht dasselbe ist wie das, worauf das Modell geantwortet hat. Sie nennt beides beim Namen: einen eigenen Weg für die Abschrift und einen Hinweischarakter statt eines Protokolls.
Dokumentationerreichbar
OpenAI, Text to speech (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Seite zur Sprachausgabe, mit zwei Angaben, die für ein Gespräch zählen. Der Ton kommt stückweise und lässt sich abspielen, bevor die Datei fertig ist; ohne das käme die Antwort erst nach der letzten Silbe. Und die Stimme wird über eine Anweisung in Prosa geführt, mit einer Liste dessen, was sich damit erreichen lässt: Akzent, Gefühlsspanne, Betonung, Nachahmung, Tempo, Klangfarbe, Flüstern. Daneben steht, dass OpenAI für jede dieser Stimmen einen klaren Hinweis an die Hörer verlangt, dass sie KI-erzeugt ist. Seit Oktober 2026 nennt die Seite die drei Modelle dieser Schnittstelle abgekündigt, sie verschwinden am 06.01.2027.
Dokumentationerreichbar
OpenAI, Managing GPT-Live sessions (externe Seite, developers.openai.com)
developers.openai.comgeprüft 13.11.2026
Die Seite zum Betrieb einer GPT-Live-Sitzung. Die Abschrift kommt als Textstücke mit ungefähren Zeitangaben, ein Ereignis für das Ende eines Beitrags gibt es nicht, die Anwendung gruppiert selbst. Die Eingabe lässt sich stummschalten, während das Modell weitersprechen kann.