Tarjeta de título generada titulada «GPT-Live-1.1 vs SeedRealtime», con el subtítulo «Uno vende minutos, el otro no vende nada», que muestra una tarjeta izquierda etiquetada GPT-Live-1.1 con $0.05 por minuto activo, $0.02 por minuto en espera y una API pública, y una tarjeta derecha etiquetada SeedRealtime sin API pública, sin pesos abiertos y disponibilidad solo dentro de Doubao.
Guides & Insights

GPT-Live-1.1 vs SeedRealtime: uno vende minutos, el otro no vende nada

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Pon GPT-Live-1.1 y SeedRealtime uno al lado del otro y la comparación deja de inmediato de girar en torno a la calidad. GPT-Live-1.1 es un modelo de voz de dúplex completo al que puedes llamar hoy mismo, alquilar por segundo e integrar en un producto; apareció en la API de OpenAI el 19 de noviembre de 2026, cinco semanas después de reemplazar a GPT-Live-1 dentro de ChatGPT Voice. SeedRealtime, que el equipo Seed de ByteDance anunció el 5 de agosto de 2026, es la arquitectura más interesante sobre el papel —un modelo audiovisual nativo de dúplex completo que observa, escucha y habla en un mismo sistema— y no es algo que puedas invocar. Sin API pública, sin pesos abiertos en Hugging Face, sin recuento de parámetros, sin informe técnico con cifras.

Entonces, el planteamiento honesto no es «cuál es mejor». Es: uno de estos es un producto con una lista de precios, y el otro es una demostración de una capacidad que el primero ha declinado explícitamente lanzar. Ambas afirmaciones son ciertas a la vez, y cuál de ellas importa depende enteramente de si estás construyendo algo.

La superficie de entrada no tiene la misma forma

GPT-Live-1.1 oye. Esa es toda la historia de su entrada. La página del modelo enumera audio y texto como modalidades de entrada, y audio y texto como salida, y nada más: ni imagen, ni vídeo, ni documento. Lo que hace con la audición es realmente poco habitual: es dúplex completo, lo que significa que escucha mientras habla en lugar de alternar turnos, y decide muchas veces por segundo si seguir escuchando, hacer una pausa, interrumpir o pasar el trabajo a un backend. El único cambio de capacidad declarado en este salto de versión está en esta capa: en comparación con GPT-Live-1, "transcribe el habla con mayor precisión y mantiene un acento y una voz más coherentes entre idiomas". No se adjunta ninguna cifra a esa afirmación.

SeedRealtime oye y ve, en un único modelo en lugar de una pipeline. La publicación de lanzamiento de ByteDance describe una arquitectura unificada que fusiona audio, vídeo y texto, y ejecuta percepción, comprensión, toma de decisiones y expresión en paralelo sobre flujos continuos. Las consecuencias concretas que enumera son las que un modelo de voz solo de texto no puede alcanzar estructuralmente: resolver un homófono mirando la escena, determinar a qué se refiere «esto» a partir de los gestos y la mirada, y hablar sin que se le pregunte cuando un objeto objetivo aparece en el encuadre. Las demostraciones son concretas: asociar nombres con rostros en una mesa de cena ruidosa, traducir un menú solo en chino para un comensal extranjero, darse cuenta de que entran granos enteros en un portafiltro y decirlo antes de la extracción, y mantener una pieza de museo a la vista hasta que llegue la pieza solicitada por el usuario y, entonces, recordárselo.

• Entradas — GPT-Live-1.1 solo audio y texto frente a SeedRealtime con audio, vídeo y texto fusionados en un único modelo

• Toma de turnos — GPT-Live-1.1 decide internamente a alta frecuencia, mientras que SeedRealtime traslada la toma de turnos al interior del modelo y elimina el detector externo de actividad de voz

• Comportamiento proactivo — GPT-Live-1.1 responde, delega y llama a herramientas, mientras que se describe a SeedRealtime como que toma la palabra sin que se le pida cuando algo aparece a la vista

• Dónde se ejecuta — GPT-Live-1.1 en v1/live/sessions a una tarifa publicada por minuto frente a SeedRealtime dentro de la app Doubao de ByteDance

• Evidencia — GPT-Live-1.1 tiene puntuaciones de terceros para su predecesor en Artificial Analysis, frente a que SeedRealtime tiene una evaluación humana de extremo a extremo sin tamaño de muestra y sin cifra

Generated two-column scoreboard titled 'GPT-Live-1.1 vs SeedRealtime — the scoreboard' with six matched rows: inputs (audio and text vs audio, video and text fused), turn-taking (decided inside the model vs moved into the model), proactive behaviour, where each runs (v1/live/sessions vs inside Doubao only), evidence (index scores for GPT-Live-1 only vs a vendor human evaluation with no figure), and price ($0.05/$0.02 per minute vs no developer product).

Lo que realmente pagas y a quién

GPT-Live-1.1 factura las sesiones de voz por duración, por segundo, a $0.05 por minuto activo. Desde el 19 de noviembre de 2026, una sesión de WebRTC también se puede configurar para pausar la inferencia durante la inactividad y facturar a $0.02 por minuto mientras espera, reanudándose cuando alguien habla. El uso del modelo de backend y de herramientas —el trabajo de razonamiento y de herramientas que delega la capa de voz— se cobra por separado en el medidor de tokens del modelo que indiques. Crear una sesión de WebRTC factura 15 segundos de duración de voz en la inicialización, que se abonan como crédito contra la duración una vez que la sesión se ejecuta.

El precio de SeedRealtime para un desarrollador no es un número, porque no existe un producto para desarrolladores. Está disponible dentro de Doubao, el asistente para consumidores, donde ByteDance afirma que se ha "implementado por completo" desde el lanzamiento de agosto. Se trata de un despliegue real a escala real, y no es una API. No se indica si la plataforma de modelos como servicio de ByteDance lo ofrecerá, ni a qué tarifa, en la publicación de lanzamiento ni en el sitio de Seed tal como se leyó el 20 de noviembre de 2026.

La asimetría tiene una consecuencia de coste más allá de la obvia. Un modelo que alquilas por segundo se puede presupuestar, comparar y apagar. Un modelo dentro de la app de consumo de otra persona no puede ser ninguna de esas cosas, y por tanto la comparación entre ambos no tiene tipo de cambio. No estás eligiendo entre $0.05 por minuto y algo más barato; estás eligiendo entre una partida presupuestaria y una demo.

Donde la evidencia se vuelve escasa

GPT-Live-1.1 no tiene una puntuación independiente. El índice de voz a voz de Artificial Analysis, consultado el 20 de noviembre de 2026, enumera GPT-Live-1 dos veces —83,2 con un backend de clase Astra en esfuerzo medio y 80,1 con un backend de clase Sol en esfuerzo bajo— y aún no incluye la 1.1. Es un modelo de API de hace un día, así que la diferencia es esperable y no condenatoria, pero sí significa que la mejora de consistencia del acento es, esta semana, una afirmación del proveedor. Lo que sí muestra el índice es que la configuración mueve la cifra tanto como la versión: el mismo modelo obtiene 83,2 u 80,1 según el backend que le conectes. Cualquier reseña que cite una sola cifra de GPT-Live sin nombrar su backend le habrá dicho muy poco.

La evidencia de SeedRealtime es más escasa de otra manera. ByteDance publica un único resultado destacado —una evaluación humana de extremo a extremo en la que el modelo "reduce a la mitad los problemas de ritmo conversacional audiovisual" en comparación con sistemas en cascada de ASR, visión y TTS, con menos cortes a mitad de frase, menos respuestas lentas tras una pausa y menos activaciones falsas por conversaciones de fondo—. No hay tamaño de muestra, ni metodología, ni intervalo de confianza, ni cifra de latencia. Tampoco hay número de parámetros ni informe técnico. Eso no es evidencia de un modelo débil —las demostraciones son lo bastante específicas como para sugerir un sistema real—, pero es una afirmación que no se puede comprobar y no aparece en ningún ranking independiente.

Screenshot of the ByteDance Seed blog post announcing SeedRealtime, showing the 2026-08-05 publication date, the Audio category label, and the three stated breakthroughs of the model.

Ten en cuenta lo que eso significa específicamente para la comparación: los dos modelos no están en una escala común. Uno tiene cifras de terceros de la versión anterior y una tarifa publicada; el otro tiene una frase del proveedor y ninguna forma de comprarlo. Clasificarlos uno frente al otro sería inventar una medición.

Por qué la brecha de la API es todo el argumento

Es tentador tratar «no API» como un estado temporal que se resolverá por sí solo y, por lo tanto, como un detalle. Para una decisión de compilación, es lo contrario: es el único hecho que determina por completo la respuesta.

Si vas a lanzar un producto de voz el próximo trimestre, SeedRealtime no está en tu lista de opciones, y por mucha ambición arquitectónica que tengas, eso no cambia. GPT-Live-1.1 sí está en la lista, con una configuración de sesión documentada, una tarifa publicada, un modo de espera que abarata las conexiones inactivas y un modelo de delegación que te permite mantener el razonamiento en un backend que controlas. Lo único que no hará es mirar la cámara de tu usuario.

Esa última limitación merece valorarse con honestidad, porque es justo donde las necesidades de un equipo se dividen de verdad. Una línea de atención, un asistente para el automóvil, un tutor de idiomas, un agente de programación: ninguno de ellos necesita vídeo, y todos se benefician de un modelo que gestione bien las interrupciones y la delegación con un coste conocido. Un agente que observa una reparación, lee un menú o sigue una demostración necesita la modalidad de la que dispone SeedRealtime y de la que carece GPT-Live-1.1, y para esa carga de trabajo la respuesta hoy es esperar o construir la cascada contra la que argumenta ByteDance.

Generated decision card titled 'Which voice workload fits which model', with a left column headed 'GPT-Live-1.1 can take this today' listing support lines, in-car assistants, language tutors and scheduling agents, and a right column headed 'This needs a camera' listing repair guidance, menu reading and demonstration following, captioned 'SeedRealtime shows these; no public API yet.'

Dónde encaja un router es la mitad de la delegación. OrcaRouter no ofrece GPT-Live-1.1 ni SeedRealtime — ninguno es un modelo de chat, y el catálogo no incluye ningún endpoint de voz full-duplex. Sí ofrece el backend al que la capa de voz le pasa el trabajo: gpt-6-luna, gpt-6-sol y el resto de la familia GPT-6 están disponibles con una sola clave al precio de lista del proveedor, sin recargo, con conmutación por error automática entre proveedores y un DSL de enrutamiento para componer varios modelos en una sola llamada. Si tu sesión de Live delega en un backend, ese backend es la parte que puedes enrutar hoy.

Qué observar y qué hacer ahora

Dos cosas cambiarían esta comparación, y ninguna ha ocurrido. Un endpoint público de SeedRealtime —en la propia plataforma de ByteDance o en cualquier otro lugar— convertiría una demostración en una opción de la noche a la mañana y plantearía de inmediato la cuestión de si el contexto visual merece el trabajo de integración. Una medición independiente de GPT-Live-1.1 en el índice de voz a voz indicaría si la afirmación sobre el acento multilingüe es real y si el 83.2 que GPT-Live-1 registra con un backend Astra se mantiene.

Hasta entonces, la decisión es inusualmente clara. Si necesitas lanzar voz, GPT-Live-1.1 se puede invocar, tiene precio y, con standby, resulta más barato dejarlo conectado de lo que era hace una semana. Si necesitas un modelo que vea, ninguna cantidad de capacidad por parte de ByteDance se convierte en una clave de API, y lo responsable es decirlo en lugar de posicionar un producto frente a una vista previa.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario