GPT-Live-1 vs Eleven v4: Die Abrechnungseinheit entscheidet, bevor die Stimme es tut

Stellen Sie GPT-Live-1 und Eleven v4 nebeneinander, und der erste Unterschied, auf den Sie stoßen, ist kein Benchmark. Es ist eine Einheit. GPT-Live-1 berechnet 0,05 US-Dollar für jede Minute, in der die Sitzung offen ist. Eleven v4 berechnet 0,08 US-Dollar für je tausend Zeichen, die der Agent tatsächlich sagt. Der eine Zähler basiert auf der Uhr, der andere auf dem Skript, und daraus folgt, welchen Sie kaufen sollten, bevor eines der beiden Modelle auch nur eine Silbe hervorbringt.

Diese Unterscheidung geht in den meisten Vergleichen verloren, bei denen ein Speech-to-Speech-Index neben einem Text-to-Speech-Elo-Wert abgestellt und das dann als direkter Vergleich bezeichnet wird. Das ist es nicht. Hier steht, was die beiden Produkte tatsächlich sind, was die vorhandenen Zahlen Ihnen sagen können und was nicht, und welche Rechnung die Frage für eine Support-Hotline, ein Hörbuch und die unangenehmen Fälle dazwischen entscheidet.

Zwei Produkte, zwei Aufgaben

GPT-Live-1 ist OpenAIs Vollduplex-Sprachmodell und seit dem 10. September 2026 in der API verfügbar. Es hört zu, während es spricht, entscheidet viele Male pro Sekunde, ob es das Rederecht abgibt, und delegiert das Reasoning an ein separates Textmodell, wenn eine Frage es erfordert. Es hat genau einen Endpoint — v1/live/sessions — und keine Chat-Completions- oder Realtime-Oberfläche. Das bedeutet: Es ist keine Modell-ID, die man in eine bestehende Realtime-Integration einsetzt; es ist eine Session, die man öffnet.

Eleven v4 ist ein Text-to-Speech-Modell, das am 28. September 2026 zusammen mit einem latenzarmen v4 Turbo veröffentlicht wurde. Man übergibt ihm Text, und es liefert Audio in einer von über 90 Sprachen zurück – mit 10-Sekunden-Instant-Voice-Cloning, Inline-Audio-Tags für Emotion und Tempo sowie einer Obergrenze von 10.000 Zeichen pro Anfrage. Es hat keine Ohren. Es kann den Anrufer nicht hören, nicht bemerken, dass er unterbrochen hat, oder entscheiden, aufzuhören, weil der Satz schlecht ankam.

Diese Asymmetrie ist die ganze Geschichte. Ein auf Eleven v4 basierender Sprachagent ist eine Pipeline: transkribieren, denken, sprechen. Ein auf GPT-Live-1 basierender Sprachagent ist ein Modell mit einem angehängten Textmodell als Berater. Die Pipeline ist günstiger und besser kontrollierbar. Das End-to-End-Modell ist natürlicher und deutlich schwerer zu unterbrechen. Das sind unterschiedliche Produkte für unterschiedliche Räume, keine konkurrierenden Implementierungen desselben.

Was die Bestenlisten ehrlich sagen können

Es gibt kein einzelnes Board, auf dem diese beiden gegeneinander antreten, und wer Ihnen eines zeigt, vergleicht ungleiche Punktzahlen. In der Provider Voice Arena von Artificial Analysis – native Stimmen, blinde Präferenz, erfasst am 29. Oktober 2026 – liegt Eleven v4 mit 1334 Elo auf dem zweiten Platz im Feld, während v4 Turbo mit 1336 den ersten Platz belegt. Niemand bestreitet, dass die Stimmqualität hervorragend ist: 91,7 % Ausspracherobustheit in der Messung dieses Labors, der stärkste Wert unter den großen kommerziellen Modellen zum Marktstart.

GPT-Live-1 erscheint auf dieser Rangliste überhaupt nicht, weil es keine Text-to-Speech in dem Sinne erzeugt, wie die Rangliste sie misst. Es erscheint in der Speech Agent Arena, die die blinde Präferenz bei vollständigen Konversationen im Buchungsstil bewertet. Dort liegt GPT-Live-1 (Astra, medium) bei 1037 Elo mit einer Aufgaben-Erfolgsrate von 87,4 %, und die Sol-low-Konfiguration bei 1041 mit 90,9 %. Auf dem Speech-to-Speech Index – einer gewichteten Mischung aus Reasoning, agentischer Leistung, Arena-Präferenz und Aufgaben-Erfolg – erzielt es 83,2 und liegt damit auf Platz zwei von 21 bewerteten Modellen.

Der Vergleich, der tatsächlich Bestand hat, ist GPT-Live-1 gegen die konversationellenProdukte von Eleven, nicht gegen dessen TTS-Modell. In derselben Arena erzielt Eleven Realtime v1 Max 1003 mit 87,1 % Aufgaben-Erfolgsquote, und die Standard-Kaskade von ElevenLabs Agents erzielt 989 mit 90,5 %. Das End-to-End-Modell liegt also rund 35–50 Elo vor der Realtime-Alternative, und der kaskadierte Agent-Stack liegt etwa 50 Punkte darunter bei einer etwas besseren Erfolgsquote. Diese Zahlen liegen nah genug beieinander, dass Telefonie, Prompt-Design und Hintergrundgeräusche einer einzelnen Bereitstellung über das Ergebnis entscheiden, nicht die Rangliste.

Noch ein ehrlicher Vorbehalt: Die GPT-Live-1-Werte tragen ein Konfigurationslabel. Ihr Reasoning erfolgt durch ein namentlich genanntes Backend, und die Konfigurationen Astra-medium und Sol-low schneiden unterschiedlich ab, weil sie anders delegieren. Die Zahlen von Eleven tragen stattdessen ein Produktlabel. Keines davon ist ein kontrolliertes Experiment gegen das andere.

Die Rechnung, in einem dreiminütigen Telefonat

Nehmen Sie einen eingehenden Supportanruf, bei dem der Agent 900 Zeichen pro Minute spricht – ein zügiges, aber normales Tempo – und der Anrufer etwa 40 % der drei Minuten spricht.

• GPT-Live-1 — drei Minuten à 0,05 $ ergeben 0,15 $, zuzüglich des Backend-Textmodells für die Reasoning-Leistung, die der Anruf erforderte. Pro Minute: 0,050 $.

• Eleven v4 — der Agent spricht etwa 1.620 Zeichen, also 1,62 × $0,08 = $0,13, plus Transkription und Ihr eigenes Sprachmodell. Pro Minute: etwa $0,043 vor STT und LLM.

• Eleven v4 Turbo — dieselben 1.620 Zeichen zu 0,04 $ pro Tausend: 0,065 $, oder etwa 0,022 $ pro Minute vor STT und LLM.

Turbo ist billiger als GPT-Live-1, selbst wenn man eine Sprach-zu-Text-Komponente und ein bescheidenes Sprachmodell hinzurechnet – deshalb gewinnt die Kaskade weiterhin Kostenprüfungen. Doch der Vergleich ändert sich, sobald der Anrufer mehr spricht als der Agent. Jede Sekunde, in der der Mensch monologisiert, ist eine Sekunde, für die Eleven v4 nichts berechnet und GPT-Live-1 den vollen Tarif berechnet – einschließlich der Stille, während jemand eine Policennummer von einer Karte abliest, und einschließlich der Wartezeit, während Ihr Backend rechnet.

Das ist keine Rundungsdifferenz. Auf einer Leitung, auf der der Agent 30 % der Zeit spricht, sinkt die TTS-Abrechnung um zwei Drittel, während sich an der Minutenabrechnung überhaupt nichts ändert. Die Pauschale pro Minute ist eine Wette darauf, dass Ihre Anrufer sprechen, und sie zahlt sich genau dann aus, wenn sie es tun.

Die Rechnung für eine vierzigminütige Erzählung

Jetzt dieselben beiden Modelle an einem Hörbuchkapitel – 36.000 Zeichen, ein Sprecher, keine Unterbrechungen, keine Denkschritte, deterministische Ausgabe erforderlich.

• Eleven v4 — 36 × $0,08 = $2,88 für das Kapitel, und Sie können einen einzelnen Absatz für neun Cent neu generieren, wenn die Aussprache nicht stimmt.

• GPT-Live-1 — 40 Minuten zu 0,05 $ = 2,00 $; ein Absatz lässt sich nicht neu generieren, da die Arbeitseinheit eine Live-Sitzung und nicht ein Textabschnitt ist.

GPT-Live-1 wirkt billiger und ist das falsche Werkzeug. Es gibt keinen dokumentierten Weg, ein 36.000-Zeichen-Skript zu übernehmen und eine deterministische Datei zurückzugeben; es ist eine Konversationsoberfläche, und ein Gespräch mit einem Buch ist keine Erzählung. Das ehrliche Urteil zu dieser Zeile lautet nicht „Live kostet weniger“, sondern „dieses Modell erledigt diese Aufgabe nicht“.

Wo das Minutenmodell seinen Aufpreis tatsächlich rechtfertigt

Drei Situationen rechtfertigen es, und sie haben eine Eigenschaft gemeinsam: Der Mensch hat unvorhersehbar lange das Wort.

• Unterbrechungsintensive Aufnahme — Versicherungsansprüche, klinische Triage, alles, wo der Anrufer sich mitten im Satz korrigiert. Eine Kaskade muss die Unterbrechung erkennen, die Wiedergabe stoppen und wieder in die Schleife eintreten; GPT-Live-1 hört bereits zu.

• Buchung und Disposition – kurze Turns, schnelles Hin und Her, intensives Tool-Calling. Die eigenen Zahlen von OpenAI nennen für dieses Modell eine Tool-Calling-Genauigkeit von 87 % gegenüber 60 % für die Realtime-Generation, die es ersetzt; dabei handelt es sich um Herstellerangaben, die nicht unabhängig reproduziert wurden.

• Wo Latenz das Produkt ist, ist ein 0,8-Sekunden-Turn gegenüber einem 1,4-Sekunden-Turn der Unterschied zwischen einem Gespräch und einem Walkie-Talkie. Zudem vom Anbieter angegeben.

Und drei Situationen sprechen dagegen:

• Erzählung, Vorlesen, Hörbücher, Video-Voiceover — Text rein, Datei raus, kein Ohr erforderlich.

• Markenstimme — Das Klonen von Eleven v4 ist eine Produktfunktion mit dem Vorbehalt eines Retrainings; GPT-Live-1 verwendet feste Modellstimmen, daher ist „die Stimme unseres Gründers“ nicht im Angebot.

Lange Stille – Warteschleifenmusik, stummgeschaltete Leitungen, Agenten, die auf ein langsames Backend warten. Jede einzelne dieser Sekunden kostet Geld.

Auch Migration ist nicht symmetrisch.

Der Umstieg von Eleven v3 auf v4 ist eine Änderung der Modell-ID plus ein Vorbehalt: Bestehende geklonte Stimmen müssen neu trainiert werden, und SSML wird durch Inline-Audio-Tags ersetzt, sodass alles, was SSML generiert hat, umgeschrieben werden muss. Ärgerlich, aber auf deine TTS-Schicht beschränkt.

Der Wechsel von einer Realtime-Integration zu GPT-Live-1 ist ein Neuaufbau. Anderer Endpoint, andere Session-Semantik, andere Abrechnungseinheit und kein Kompatibilitäts-Shim. Plane Budget für die Orchestrierungsschicht ein, nicht nur für den Austausch – und beachte, dass die meisten Drittanbieter-Plattformen für Voice-Agents GPT-Live-1 noch immer nicht als auswählbaren Anbieter führen, sodass du die Telefonie-Anbindung wahrscheinlich selbst schreiben wirst.

Welche Routing-Änderungen gibt es zu dieser Entscheidung?

Welchen Weg du auch wählst, die Entscheidung ist über deinen gesamten Stack hinweg keine Alles-oder-Nichts-Entscheidung. Die Sprachschicht ist der einzige Teil, der anbieterspezifisch bleibt: OrcaRouter bietet GPT-Live-1 nicht an, und ein Sprachsynthesemodell wie Eleven v4 ist ein separater Vertrag, egal wo du es kaufst. Was hinter der Sprachschicht liegt, ist eine andere Sache — die Reasoning-Aufrufe, das Tool-Calling-Modell und der Fallback-Pfad, wenn die Leistung eines Anbieters nachlässt, laufen alle über einen einzigen Schlüssel auf OrcaRouter, über mehr als 200 Modelle hinweg, darunter GPT-6 Astra, GPT-5.6 Terra und GPT-5.6 Sol, die Stufen, an die GPT-Live-1 delegiert.

Diese Aufteilung ist die praktische Variante dieses Vergleichs. Mieten Sie das Ohr bei dem Anbieter, der dieses Quartal das beste hat, und halten Sie das Gehirn routingfähig, damit eine Preissenkung, ein Ausfall oder ein besseres Modell nicht dazu zwingt, den Teil anzufassen, den Ihre Nutzer hören können. Listenpreise der Anbieter werden mit 0 % Aufschlag durchgereicht, sodass eine Preissenkung eines Anbieters für die Reasoning-Stufe am selben Tag auf Ihrer Rechnung erscheint, an dem sie angekündigt wird.

Wähle nach der Form des Gesprächs.

Wenn Ihre Nutzer unterbrechen, sich selbst korrigieren und erwarten, dass der Agent weiß, wann er aufhören muss zu sprechen, ist GPT-Live-1 für $0.05 pro Minute das bessere Produkt und wahrscheinlich die bessere Kaufentscheidung – das Premium bezahlt Verhalten, das man von einer Pipeline zu keinem Preis bekommt. Wenn Ihre Nutzer eher zuhören als sprechen, ist Eleven v4 oder v4 Turbo günstiger pro ausgeliefertem Wort, kontrollierbarer, auf Ihre Marke klonbar und die richtige Antwort; die 1334 Elo ist obendrein ein Bonus.

Das zu vermeidende Fehlverhalten besteht darin, nach der Ranglistenposition auszuwählen. v4s 1334 und Lives 83.2 messen unterschiedliche Dinge auf unterschiedlichen Skalen, und ein Team, das zwischen ihnen anhand dieser beiden Zahlen wählt, wählt zwischen einem Lineal und einem Thermometer.