
GPT-Live-1.1 vs. SeedRealtime: Der eine verkauft Minuten, der andere verkauft nichts
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 187 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 414 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 138 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0748 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 116 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Stellt man GPT-Live-1.1 und SeedRealtime nebeneinander, geht es bei dem Vergleich sofort nicht mehr um Qualität. GPT-Live-1.1 ist ein Vollduplex-Sprachmodell, das man heute aufrufen, sekundenweise mieten und in ein Produkt einbauen kann; es erschien am 19. November 2026 in der OpenAI-API, fünf Wochen nachdem es GPT-Live-1 in ChatGPT Voice ersetzt hatte. SeedRealtime, das das Seed-Team von ByteDance am 5. August 2026 angekündigt hat, ist die auf dem Papier interessantere Architektur – ein natives audiovisuelles Vollduplexmodell, das in einem System beobachtet, zuhört und spricht – und es ist nichts, das man aufrufen kann. Keine öffentliche API, keine offenen Gewichte auf Hugging Face, keine Parameteranzahl, kein technischer Bericht mit Zahlen darin.
Die ehrliche Einordnung lautet also nicht „Welche ist besser?“. Sie lautet: Eines davon ist ein Produkt mit einer Preisliste, und das andere ist eine Demonstration einer Fähigkeit, deren Auslieferung das erste ausdrücklich abgelehnt hat. Beide Aussagen sind gleichzeitig wahr, und welche davon relevant ist, hängt vollständig davon ab, ob du etwas baust.
Die Eingabeoberfläche hat nicht die gleiche Form.
GPT-Live-1.1 hört. Das ist die ganze Geschichte seiner Eingabe. Die Modellseite führt Audio und Text als Eingabemodalitäten sowie Audio und Text als Ausgabe auf, und sonst nichts – kein Bild, kein Video, kein Dokument. Was es mit dem Hören macht, ist wirklich ungewöhnlich: Es ist Vollduplex, das heißt, es hört zu, während es spricht, statt sich mit Gesprächsbeiträgen abzuwechseln, und es entscheidet viele Male pro Sekunde, ob es weiter zuhören, pausieren, unterbrechen oder Arbeit an ein Backend abgeben soll. Die einzige angegebene Änderung der Fähigkeiten durch den Versionssprung betrifft diese Schicht: Im Vergleich zu GPT-Live-1 „transkribiert es Sprache genauer und behält über Sprachen hinweg einen konsistenteren Akzent und eine konsistentere Stimme bei.“ Für diese Behauptung wird keine Zahl genannt.
SeedRealtime hört und sieht – in einem einzigen Modell statt in einer Pipeline. ByteDances Ankündigungspost beschreibt eine einheitliche Architektur, die Audio, Video und Text zusammenführt und Wahrnehmung, Verständnis, Entscheidungsfindung und Ausdruck parallel über kontinuierliche Streams laufen lässt. Die konkreten Folgen, die er auflistet, sind genau diejenigen, die ein rein textbasiertes Sprachmodell strukturell nicht erreichen kann: ein Homophon durch einen Blick auf die Szene auflösen, anhand von Gestik und Blick ermitteln, worauf sich „dies“ bezieht, und sich unaufgefordert zu Wort melden, wenn ein Zielobjekt im Bild erscheint. Die Demonstrationen sind konkret – Namen Gesichtern an einem lauten Esstisch zuordnen, eine nur auf Chinesisch vorhandene Speisekarte für einen ausländischen Gast übersetzen, bemerken, wie ganze Bohnen in einen Siebträger gelangen, und das vor der Extraktion sagen, ein Museumsstück im Blick behalten, bis das vom Nutzer gewünschte Stück eintrifft, und den Nutzer dann daran erinnern.
• Eingaben — GPT-Live-1.1 nur Audio und Text vs. SeedRealtime Audio, Video und Text in einem einzigen Modell vereint
• Sprecherwechsel — GPT-Live-1.1 entscheidet intern mit hoher Frequenz, während SeedRealtime den Sprecherwechsel ins Modell verlagert und den externen Voice-Activity-Detector entfernt
• Proaktives Verhalten — GPT-Live-1.1 reagiert, delegiert und ruft Tools auf, wohingegen SeedRealtime so beschrieben wird, dass es sich unaufgefordert zu Wort meldet, wenn etwas im Sichtfeld erscheint
• Wo es läuft — GPT-Live-1.1 unter v1/live/sessions zu einem veröffentlichten Minutenpreis vs. SeedRealtime in der Doubao-App von ByteDance
• Beleg — GPT-Live-1.1 hat Drittanbieter-Werte für seinen Vorgänger bei Artificial Analysis, während SeedRealtime eine End-to-End-Bewertung durch Menschen ohne Stichprobengröße und ohne Zahlenangabe bietet

Was Sie tatsächlich zahlen – und an wen
GPT-Live-1.1 rechnet Sprachsitzungen nach Dauer sekundengenau mit $0.05 pro aktiver Minute ab. Seit dem 19. November 2026 kann eine WebRTC-Sitzung außerdem so konfiguriert werden, dass die Inferenz bei Inaktivität pausiert und während der Wartezeit mit $0.02 pro Minute abgerechnet wird; sie wird fortgesetzt, sobald jemand spricht. Die Nutzung von Backend-Modellen und Tools – die Reasoning- und Tool-Arbeit, die die Sprachschicht delegiert – wird separat über den Token-Zähler des Modells abgerechnet, das Sie angeben. Beim Erstellen einer WebRTC-Sitzung werden bei der Initialisierung 15 Sekunden Sprachdauer berechnet, die bei laufender Sitzung auf die Dauer angerechnet werden.
Der Preis von SeedRealtime für Entwickler ist keine Zahl, denn es gibt kein Entwicklerprodukt. Es ist innerhalb von Doubao verfügbar, dem Verbraucherassistenten, wo es laut ByteDance seit dem Start im August „vollständig ausgerollt“ ist. Das ist ein echter Einsatz in echtem Maßstab, und es ist keine API. Ob die Model-as-a-Service-Plattform von ByteDance es führen wird und zu welchem Tarif, wird weder im Launch-Beitrag noch auf der Seed-Website in der am 20. November 2026 gelesenen Fassung genannt.
Die Asymmetrie hat eine Kostenfolge, die über die offensichtliche hinausgeht. Ein Modell, das man sekundenweise mietet, lässt sich budgetieren, vergleichen und abschalten. Ein Modell in der Consumer-App von jemand anderem kann nichts davon, und der Vergleich zwischen beiden hat daher keinen Wechselkurs. Man wählt nicht zwischen $0.05 pro Minute und etwas Billigerem; man wählt zwischen einer Rechnungsposition und einer Demo.
Wo die Beweislage dünner wird
GPT-Live-1.1 selbst hat keinen eigenständigen Score. Der Speech-to-Speech-Index von Artificial Analysis, abgerufen am 20. November 2026, führt GPT-Live-1 zweimal auf – 83,2 mit einem Backend der Astra-Klasse bei mittlerem Aufwand und 80,1 mit einem Backend der Sol-Klasse bei niedrigem Aufwand – und enthält 1.1 noch nicht. Es handelt sich um ein erst einen Tag altes API-Modell, die Lücke ist also eher zu erwarten als verhängnisvoll; sie bedeutet aber, dass die Verbesserung der Akzentkonsistenz diese Woche lediglich eine Herstellerbehauptung ist. Was der Index zeigt, ist, dass die Konfiguration die Zahl ebenso stark verschiebt wie die Version: Dasselbe Modell erzielt 83,2 oder 80,1, je nachdem, welches Backend man anbindet. Jeder Testbericht, der eine einzelne GPT-Live-Zahl zitiert, ohne ihr Backend zu nennen, hat Ihnen sehr wenig gesagt.
Die Belege für SeedRealtime sind auf andere Weise dünner. ByteDance veröffentlicht ein Schlagzeilergebnis – eine End-to-End-Menschbewertung, in der das Modell „audio-visuelle Probleme beim Gesprächsrhythmus um die Hälfte reduziert“ im Vergleich zu kaskadierten ASR-plus-Vision-plus-TTS-Systemen, mit weniger Unterbrechungen mitten im Satz, weniger trägen Antworten nach einer Pause und weniger Fehlauslösungen durch Hintergrundgerede. Es gibt keine Stichprobengröße, keine Methodik, kein Konfidenzintervall und keine Latenzangabe. Es gibt auch keine Parameteranzahl und keinen technischen Bericht. Das ist kein Beleg für ein schwaches Modell – die Demonstrationen sind spezifisch genug, um ein reales System nahezulegen –, aber es ist eine Behauptung, die man nicht überprüfen kann, und sie taucht auf keiner unabhängigen Rangliste auf.

Beachte, was das speziell für den Vergleich bedeutet: Die beiden Modelle sind nicht auf einer gemeinsamen Skala. Das eine hat Zahlen von Dritten für die vorherige Version und einen veröffentlichten Preis; das andere hat einen Satz des Anbieters und keine Möglichkeit, es zu kaufen. Sie gegeneinander einzustufen, hieße, eine Messung zu erfinden.
Warum die API-Lücke das ganze Argument ausmacht
Es ist verlockend, „keine API“ als vorübergehenden Zustand zu betrachten, der sich von selbst auflösen wird, und sie daher als Detail abzutun. Für eine Build-Entscheidung gilt das Gegenteil: Sie ist der einzige Umstand, der die Antwort vollständig bestimmt.
Wenn Sie im nächsten Quartal ein Sprachprodukt auf den Markt bringen, steht SeedRealtime nicht auf Ihrer Liste der Optionen, und daran ändert auch noch so viel architektonischer Ehrgeiz nichts. GPT-Live-1.1 steht auf der Liste – mit einer dokumentierten Sitzungskonfiguration, einem veröffentlichten Tarif, einem Standby-Modus, der Leerlaufverbindungen günstig macht, und einem Delegationsmodell, mit dem Sie das Reasoning in einem Backend behalten können, das Sie kontrollieren. Das Einzige, was es nicht tun wird, ist, auf die Kamera Ihres Nutzers zu schauen.
Diese letzte Einschränkung sollte man ehrlich bewerten, denn genau hier trennen sich die Anforderungen eines Teams tatsächlich. Eine Support-Hotline, ein In-Car-Assistent, ein Sprachlehrer, ein Terminplanungsagent – keiner davon braucht Video, und alle profitieren von einem Modell, das Unterbrechungen und Delegation zu bekannten Kosten gut handhabt. Ein Agent, der eine Reparatur beobachtet, eine Speisekarte liest oder einer Vorführung folgt, braucht die Modalität, die SeedRealtime hat und GPT-Live-1.1 nicht, und für diese Arbeitslast lautet die Antwort heute: warten oder die Kaskade bauen, gegen die ByteDance argumentiert.

Der Punkt, an dem ein Router ansetzt, ist die Delegationshälfte. OrcaRouter bedient weder GPT-Live-1.1 noch SeedRealtime – keines davon ist ein Chatmodell, und der Katalog enthält keinen Vollduplex-Sprach-Endpunkt. Wohl aber bedient es das Backend, an das die Sprachschicht Aufgaben übergibt: gpt-6-luna, gpt-6-sol und der Rest der GPT-6-Familie sind über einen einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag verfügbar, mit automatischem Failover zwischen Anbietern und einer Routing-DSL, mit der sich mehrere Modelle zu einem einzigen Aufruf zusammensetzen lassen. Wenn Ihre Live-Sitzung an ein Backend delegiert, ist dieses Backend der Teil, den Sie heute routen können.
Was zu beobachten ist und was jetzt zu tun ist
Zwei Dinge würden diesen Vergleich verändern, und keines von beiden ist eingetreten. Ein öffentlicher SeedRealtime-Endpunkt – auf ByteDances eigener Plattform oder anderswo – würde eine Demonstration über Nacht in eine Option verwandeln und sofort die Frage aufwerfen, ob visueller Kontext den Integrationsaufwand wert ist. Eine unabhängige Messung von GPT-Live-1.1 auf dem Speech-to-Speech-Index würde zeigen, ob die Behauptung zum mehrsprachigen Akzent zutrifft und ob die 83,2, die GPT-Live-1 mit einem Astra-Backend erzielt, auch dort Bestand hat.
Bis dahin ist die Entscheidung ungewöhnlich klar. Wenn du Sprachfunktionen ausliefern musst, ist GPT-Live-1.1 aufrufbar, bepreist und – mit Standby – günstiger verbunden zu lassen als noch vor einer Woche. Wenn du ein Modell brauchst, das sieht, führt keine noch so große Fähigkeit aufseiten von ByteDance zu einem API-Schlüssel, und das Verantwortungsvolle ist, das zu sagen, statt ein Produkt gegen eine Vorschau zu stellen.
In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
