GPT-Live-1 vs Voxtral 3: Der Preis, der nicht der Preis ist

Voxtral 3 bewirbt einen kompletten Voice-Agenten für 0,04 US-Dollar pro Minute. GPT-Live-1 bewirbt 0,05 US-Dollar pro Minute und berechnet Ihnen danach das Denken noch einmal. Nach den Schlagzeilen-Zahlen ist Mistral 20 % günstiger und umfasst mehr – Speech-to-Text, Text-to-Speech und ein Reasoning-Modell in einem Tarif –, während die Zahl von OpenAI nur die Voice-Schicht abdeckt. Diese Lesart ist technisch korrekt und praktisch irreführend, weil die beiden Tarife nicht dasselbe kaufen.

Beide wurden innerhalb von sechs Wochen voneinander veröffentlicht: GPT-Live-1 für die API am 10. September 2026, Voxtral 3 in öffentlicher Vorschau am 20. Oktober. Beide richten sich an denselben Kunden – jemanden, der einen Telefonagenten entwickelt, der ein Gespräch führen können muss. Sie gelangen auf entgegengesetzten Wegen dorthin, und der Kostenunterschied bleibt nur bestehen, wenn man sie nie unterbricht.

Was steckt eigentlich in jeder Minute?

Beginnen Sie mit dem, was die Zähler umfassen, denn hier nimmt der Vergleich eine Wendung.

• Voxtral 3 Vollagent — 0,04 $ pro Minute mit Mistral Small 4 als Reasoner, 0,08 $ mit einem stärkeren. Das deckt Transkription, Synthese und das Sprachmodell ab.

• GPT-Live-1 — 0,05 $ pro Minute ausschließlich für Sprache, sekundengenau abgerechnet. Backend-Reasoning, Tool-Aufrufe und Web-Suche werden separat zu den normalen Modelltarifen berechnet.

• Voxtral 3 TTS allein — 13 $ pro Million Zeichen, etwa 0,70 $ pro Stunde Sprachausgabe bei normalem Tempo.

• GPT-Live-1-Eingabeaudio – gemessen mit 5,83 US-Dollar pro Stunde Eingabeaudio in seiner High-Reasoning-Konfiguration und 4,47 US-Dollar in seiner Low-Konfiguration, laut dem festen 40-Fragen-Set von Artificial Analysis.

Die ehrliche Vergleichsrechnung pro Minute für einen zehnminütigen Anruf ergibt also 0,40 $ für Voxtral 3 all-in gegenüber 0,50 $ plus Backend für GPT-Live-1 – nennen wir es 0,50 bis 0,55 $, je nachdem, wie viel der Agent nachdenken muss. Mistral gewinnt diese Rechnung, und zwar dadurch, dass eine Komponente enthalten ist, die OpenAI weglässt.

Sofern der Anruf nicht überwiegend aus Stille besteht. Der Voice-Agent-Tarif von Voxtral wird wie eine Sitzung abgerechnet; der von GPT-Live-1 ganz sicher. Keiner der Anbieter veröffentlicht eine Ausnahme für Stille, und jede Bereitstellung, die Anrufer in die Warteschleife legt, sollte davon ausgehen, dass beide Zähler weiterlaufen. Dieser Unterschied bevorzugt keine Seite, bedeutet aber, dass die beworbenen Tarife der falsche Ort für Optimierungen sind.

Pipeline gegen Duplex, schon wieder

Voxtral 3 ist ein Stack, kein Modell: Transkriptionsmodelle (Mini Transcribe 3 mit 4B Parametern, Small und eine Echtzeitvariante), ein Synthesemodell und ein LiveKit-basiertes Voice Agent SDK, das sie mit einem Sprachmodell in der Mitte miteinander verbindet. Mistrals eigene Latenzangabe betrifft etwa 90 Millisekunden bis zum ersten Audio, was für den Synthese-Teil wirklich schnell ist.

Schnelle Synthese ist nicht dasselbe wie gutes Turn-Taking. Auch eine Kaskade muss entscheiden, wann der Mensch zu sprechen aufgehört hat, und diese Entscheidung trifft ein Voice-Activity-Detektor oder ein Turn-Detection-Modell, das der Pipeline vorgeschaltet ist. Wenn es falsch rät, redet der Agent entweder über den Anrufer hinweg oder wartet einen Tick zu lange, und keine noch so schnelle 90-ms-Synthese kann das wettmachen.

GPT-Live-1 ist ein einziges Netzwerk, das gleichzeitig hört und spricht und viele Male pro Sekunde entscheidet, ob es den Gesprächsschritt abgibt. Das ist die Fähigkeit, für die Sie den zusätzlichen Cent bezahlen, und es ist keine Funktion, die sich aus Einzelteilen zusammensetzen lässt. Das ist auch der Grund, warum das Modell von OpenAI keine Einzelposten für Transkription oder Synthese hat: Es gibt nichts, was sich in Einzelposten aufschlüsseln ließe.

Der praktische Test ist nicht die Latenz, sondern die Unterbrechungsrate. Wenn Ihre Anrufer in vollständigen Sätzen sprechen und warten, bis sie an der Reihe sind, ist eine Pipeline völlig in Ordnung und günstiger. Wenn sie mitten im Satz sagen: „Nein, warten Sie, ich meinte den anderen“, kaufen Sie Duplex-Verhalten, ob Sie es zugegeben haben oder nicht.

Sprachen, Dialekte und wo die Daten liegen

Mistral bringt Voxtral 3 mit mehr als 35 Sprachen und über 50 Dialekten, Emotions- und Stilsteuerung, Zero-Shot-Cloning sowie einem „Pro Voice“-Anpassungspfad auf den Markt, der etwa 30 Minuten Referenzaudio erfordert. Die Dokumentation von GPT-Live-1 enthält keine Angaben zur Dialektabdeckung und bietet feste Modellstimmen ohne Cloning.

Wenn Ihr Produkt europäisch ist – französisch, deutsch, italienisch, spanisch, niederländisch –, dann ist Voxtral 3 das vollständigere Angebot, und Mistrals EU-Positionierung ist ein echtes Argument in Beschaffungsgesprächen, auf das OpenAI keine so direkte Antwort hat. Das ist eine Geschäftstatatsache und kein Benchmark-Wert, und für viele Käufer entscheidet sie den Deal, noch bevor über Latenz gesprochen wird.

Wenn es bei Ihrem Produkt um englischsprachigen Support oder Buchungen in einem einzigen Markt geht, ist die Sprachbreite ein Bestand, den Sie nicht nutzen werden, und das Duplex-Verhalten ist das, was Ihnen bei jedem Anruf auffallen wird.

Die Open-Weights-Falle

Erwähnenswert, weil es viele überrascht: Voxtral 3 selbst ist eine geschlossene API. Das herunterladbare Modell dieser Familie ist ein älterer 4B-TTS-Checkpoint von März 2026, veröffentlicht unter CC BY-NC 4.0 – nicht kommerziell – ein anderes, älteres Modell mit einer niedrigeren Arena-Bewertung. Der unternehmensweite Selbstbetrieb von Voxtral 3 ist eine ausgehandelte Vereinbarung, kein Download-Link.

In diesem Vergleich liefert also keines der beiden Modelle Gewichte. GPT-Live-1 hat konstruktionsbedingt keine. Voxtral 3 hat aus Richtlinien-Gründen keine. Wenn der Besitz des Modells eine Voraussetzung ist, scheiden beide aus und das Gespräch verlagert sich stattdessen auf Fish Audio Drama 3 oder Ming-3.0-TTS.

Was die Boards messen – und was nicht

Voxtral 3 TTS liegt mit 1223 Elo in Artificial Analysis' Provider Voice Arena, erfasst am 29. Oktober 2026 — auf Platz vierzehn des Feldes, bei 13 US-Dollar pro Million Zeichen. Das ist ein solides Syntheseergebnis: hinter Eleven v4 mit 1334, vor mehreren Modellen, die mehr kosten.

GPT-Live-1 erscheint nicht auf dieser Rangliste, und wer seinen Speech-to-Speech-Index-Wert von 83,2 neben Voxtrals 1223 stellt, vergleicht einen gewichteten Konversationsindex mit einem Blindpräferenz-Elo. Auf den Ranglisten, auf denen konversationelle Systeme erscheinen, erzielt GPT-Live-1 1037 bis 1041 Elo in der Speech Agent Arena bei 87,4 % bis 90,9 % Aufgabenfolg. Der Agenten-Stack von Voxtral 3 hat noch nicht genügend Arena-Konversationen gesammelt, um gelistet zu werden.

Diese Abwesenheit ist der nützlichste Fakt in diesem Abschnitt. Es gibt keinen unabhängigen direkten Vergleich zwischen diesen beiden, was bedeutet, dass jeder Vergleich, den Sie lesen — einschließlich dieses hier — eine Schlussfolgerung aus veröffentlichten Tarifen und der Architektur ist, nicht aus einem kontrollierten Experiment. Wer Ihnen erzählt, eines sei am Telefon messbar natürlicher, zitiert einen Anbieter.

Wo das Routing-Argument landet

Keines der beiden Modelle wird von OrcaRouter bereitgestellt. Voxtral 3 ist Mistrals API; GPT-Live-1 ist die von OpenAI. Routing-fähig ist jeweils der Reasoner, an den das Modell delegiert – und genau hier unterscheiden sich die beiden Architekturen auf eine Weise, die entscheidend dafür ist, wie Sie den Stack aufbauen.

Mit Voxtral 3 können Sie das Reasoning-Modell innerhalb seines eigenen Agent-Tarifs wählen: Small 4 für 0,04 US-Dollar, ein stärkeres Modell für 0,08 US-Dollar. GPT-Live-1 lässt das Backend vollständig offen, sodass Sie es auf jedes beliebige Textmodell ausrichten können – einschließlich GPT-6 Astra, GPT-5.6 Terra oder eine günstigere Tarifstufe – hinter einem einzigen Schlüssel, wobei die Routing-DSL Sie verschiedene Modelle für verschiedene Aufgabentypen innerhalb derselben Bereitstellung festlegen lässt.

Diese Flexibilität ist bei einer gemischten Workload bares Geld wert: Ein günstiges Modell übernimmt die Adressbestätigung, ein Frontier-Modell die strittige Belastung – ohne einen zweiten Vertrag oder eine zweite Integration. Die Listenpreise der Anbieter werden mit 0 % Aufschlag durchgereicht, sodass eine Preissenkung in der Reasoning-Stufe bereits am Tag ihres Inkrafttretens in Ihrer Rechnung ankommt und nicht erst zur nächsten Vertragsverlängerung.

Die Entscheidung

Wählen Sie Voxtral 3, wenn Sie in Europa entwickeln, viele Sprachen und Dialekte benötigen, eine einzige Rechnung wünschen, die von der Transkription bis zur Synthese alles abdeckt, und Ihre Anrufer einigermaßen höflich darin sind, sich abzuwechseln. Es ist rundum günstiger pro Minute, es ist der vollständigere Stack, und der Synthesewert von 1223 ist ordentlich.

Wählen Sie GPT-Live-1, wenn Unterbrechungen das Produkt sind – Intake, Triage, Dispatch, alles, wo der Anrufer sich selbst korrigiert und der Agent mitbekommen muss, dass es gerade passiert. Sie zahlen mehr pro Minute, besitzen weniger und bekommen das eine Verhalten, das eine Pipeline zu keinem Preis kaufen kann.

Die Falle, die es zu vermeiden gilt, besteht darin, die beiden beworbenen Tarife zu vergleichen und daraus zu schließen, dass $0.04 besser sei als $0.05. Diese Zahlen messen nicht dieselbe Minute: Die eine umfasst einen Transkriptor, einen Synthesizer und einen Reasoner; die andere umfasst ein Ohr. Kaufen Sie die Variante, deren Inhalt zur Aufgabe passt, und streiten Sie dann über den Preis.