GPT-Live-1 vs Eleven v4: La unidad de facturación decide antes de que lo haga la voz.

Pon GPT-Live-1 y Eleven v4 uno al lado del otro y la primera diferencia con la que te encuentras no es un benchmark. Es una unidad. GPT-Live-1 cobra $0.05 por cada minuto que la sesión esté abierta. Eleven v4 cobra $0.08 por cada mil caracteres que el agente dice realmente. Un medidor funciona con el reloj, el otro con el guion, y cuál deberías comprar se deduce de eso antes de que ninguno de los dos modelos produzca una sílaba.

Esa distinción se pierde en la mayoría de las comparaciones, que tienden a colocar un índice de voz a voz junto a un Elo de texto a voz y llamarlo comparación directa. No lo es. Esto es lo que realmente son los dos productos, lo que los números existentes pueden y no pueden decirte, y la aritmética que lo resuelve para una línea de soporte, un audiolibro y los incómodos casos intermedios.

Dos productos, dos trabajos

GPT-Live-1 es el modelo de voz full-duplex de OpenAI, en la API desde el 10 de septiembre de 2026. Escucha mientras habla, decide muchas veces por segundo si cede el turno y delega el razonamiento a un modelo de texto aparte cuando una pregunta lo requiere. Tiene exactamente un endpoint — v1/live/sessions — y ninguna superficie de Chat Completions ni Realtime, lo que significa que no es un id de modelo que se pueda sustituir en una integración Realtime existente; es una sesión que se abre.

Eleven v4 es un modelo de texto a voz, lanzado el 28 de septiembre de 2026 junto con un v4 Turbo de baja latencia. Le entregas texto y devuelve audio en más de 90 idiomas, con clonación instantánea de voz en 10 segundos, etiquetas de audio integradas para emoción y ritmo, y un límite de 10.000 caracteres por solicitud. No tiene oídos. No puede oír a la persona que llama, darse cuenta de que interrumpió, ni decidir detenerse porque la frase quedó mal.

Esa asimetría lo explica todo. Un agente de voz construido sobre Eleven v4 es una canalización: transcribir, pensar, hablar. Un agente de voz construido sobre GPT-Live-1 es un único modelo con un modelo de texto adjunto a modo de consultor. La canalización es más barata y más controlable. El modelo de extremo a extremo es más natural y mucho más difícil de interrumpir. Son productos distintos para entornos distintos, no implementaciones rivales del mismo producto.

Lo que las clasificaciones pueden decir honestamente

No hay un único ranking en el que estos dos compitan, y cualquiera que te muestre uno está comparando puntuaciones no comparables. En el Provider Voice Arena de Artificial Analysis — voces nativas, preferencia a ciegas, registrado el 29 de octubre de 2026 — Eleven v4 se sitúa en 1334 de Elo, segundo de la clasificación, mientras que v4 Turbo, con 1336, ocupa el primer puesto. Nadie discute que la calidad de la voz es excelente: 91,7 % de robustez de pronunciación en la medición de ese laboratorio, la más alta de los principales modelos comerciales en el momento de su lanzamiento.

GPT-Live-1 no aparece en absoluto en ese panel, porque no genera texto a voz en el sentido que mide ese panel. Aparece en el Speech Agent Arena, que puntúa la preferencia a ciegas sobre conversaciones completas del estilo de reservas. Allí, GPT-Live-1 (Astra, medium) se sitúa en 1037 de Elo con una tasa de éxito de tareas del 87.4%, y la configuración Sol-low en 1041 con 90.9%. En el Speech-to-Speech Index — una combinación ponderada de razonamiento, rendimiento agéntico, preferencia de arena y éxito de tareas — obtiene 83.2, segundo de 21 modelos puntuados.

La comparación que realmente se sostiene es GPT-Live-1 frente a los conversacionales de Eleven, no frente a su modelo TTS. En la misma arena, Eleven Realtime v1 Max obtiene 1003 puntos con un 87,1 % de éxito en tareas, y la cascada predeterminada de ElevenLabs Agents obtiene 989 con un 90,5 %. Así que el modelo de extremo a extremo aventaja a la alternativa en tiempo real en aproximadamente 35–50 Elo, y la pila de agentes en cascada se sitúa unos 50 puntos por debajo con una tasa de éxito ligeramente mejor. Esos números están lo suficientemente cerca como para que la telefonía, el diseño de prompts y el ruido de fondo de un despliegue concreto decidan el resultado, no la tabla de clasificación.

Una salvedad honesta más: las cifras de GPT-Live-1 llevan una etiqueta de configuración. Su razonamiento lo realiza un backend con nombre, y las configuraciones Astra-medium y Sol-low obtienen puntuaciones distintas porque delegan de forma distinta. Las cifras de Eleven llevan, en cambio, una etiqueta de producto. Ninguna de las dos es un experimento controlado frente a la otra.

La aritmética, en una llamada de tres minutos

Imagina una llamada entrante de soporte en la que el agente habla a 900 caracteres por minuto —un ritmo rápido pero normal— y la persona que llama habla durante aproximadamente el 40% de los tres minutos.

• GPT-Live-1 — tres minutos a $0.05 ascienden a $0.15, más el modelo de texto de backend por el razonamiento que requiera la llamada. Por minuto: $0.050.

• Eleven v4 — el agente habla aproximadamente 1.620 caracteres, así que 1,62 × $0,08 = $0,13, más la transcripción y tu propio modelo de lenguaje. Por minuto: alrededor de $0,043 antes de STT y LLM.

• Eleven v4 Turbo — los mismos 1.620 caracteres a $0,04 por mil: $0,065, o aproximadamente $0,022 por minuto antes de STT y LLM.

Turbo es más barato que GPT-Live-1 incluso después de añadir un tramo de voz a texto y un modelo de lenguaje modesto, y por eso la cascada sigue ganando en las revisiones de costos. Pero la comparación cambia de forma en el momento en que la persona que llama habla más que el agente. Cada segundo que la persona monologa es un segundo por el que Eleven v4 no cobra nada y GPT-Live-1 cobra tarifa completa — incluido el silencio mientras alguien lee de una tarjeta un número de póliza, e incluida la espera mientras tu backend piensa.

Eso no es una diferencia de redondeo. En una línea en la que el agente habla el 30 % del tiempo, la factura de TTS se reduce en dos tercios mientras que la factura por minuto no se mueve en absoluto. El minuto plano es una apuesta a que quienes llaman hablarán, y da sus frutos exactamente cuando lo hacen.

La aritmética, sobre una narración de cuarenta minutos

Ahora los mismos dos modelos en un capítulo de audiolibro: 36.000 caracteres, un solo hablante, sin interrupciones, sin razonamiento, se requiere una salida determinista.

Eleven v4 — 36 × $0.08 = $2.88 por el capítulo, y puedes regenerar un solo párrafo por nueve centavos cuando la pronunciación es incorrecta.

• GPT-Live-1 — 40 minutos a $0.05 = $2.00, y no puedes regenerar un párrafo, porque la unidad de trabajo es una sesión en vivo en lugar de un fragmento de texto.

GPT-Live-1 parece más barato y es la herramienta equivocada. No tiene una forma documentada de tomar un guion de 36.000 caracteres y devolver un archivo determinista; es una superficie de conversación, y una conversación con un libro no es una narración. El veredicto honesto sobre esta fila no es "Live cuesta menos", sino "este modelo no hace este trabajo".

Dónde el modelo por minuto realmente justifica su prima

Tres situaciones lo justifican, y comparten una misma propiedad: la persona tiene la palabra durante cantidades impredecibles de tiempo.

• Recepción con muchas interrupciones — reclamaciones de seguros, triaje clínico, cualquier situación en la que la persona que llama se corrige a mitad de frase. Una cascada tiene que detectar la interrupción, detener la reproducción y volver a entrar en el bucle; GPT-Live-1 ya está escuchando.

• Reservas y despacho — turnos cortos, ida y vuelta rápida, uso intensivo de llamadas a herramientas. Las propias cifras de OpenAI afirman una precisión del 87 % en llamadas a herramientas con este modelo frente al 60 % de la generación Realtime a la que sustituye, y se trata de datos reportados por el proveedor, no reproducidos de forma independiente.

• Donde la latencia es el producto — un turno de 0,8 segundos frente a uno de 1,4 segundos es la diferencia entre una conversación y un walkie-talkie. También reportado por el proveedor.

Y tres situaciones argumentan en contra:

• Narración, lectura en voz alta, audiolibros, locución de vídeo — entra texto, sale archivo, sin necesidad de oído.

• Voz de marca: la clonación de Eleven v4 es una función del producto con la salvedad de que requiere reentrenamiento; GPT-Live-1 utiliza voces de modelo fijas, así que «la voz de nuestro fundador» no es una opción disponible.

• Silencios prolongados: música en espera, líneas silenciadas, agentes esperando a un backend lento. Cada uno de esos segundos se factura.

La migración tampoco es simétrica

Pasar de Eleven v4 desde v3 es un cambio de model-id más una advertencia: las voces clonadas existentes necesitan reentrenamiento, y SSML se sustituye por etiquetas de audio en línea, así que cualquier cosa que generara SSML tiene que reescribirse. Molesto, pero queda contenido dentro de tu capa de TTS.

Pasar de una integración con Realtime a GPT-Live-1 es una reconstrucción. Endpoint distinto, semántica de sesión distinta, unidad de facturación distinta y ninguna capa de compatibilidad. Presupuesta la capa de orquestación, no solo el cambio, y ten en cuenta que la mayoría de las plataformas de agentes de voz de terceros todavía no incluyen GPT-Live-1 como proveedor seleccionable, así que probablemente tendrás que escribir tú mismo el código de integración de telefonía.

¿Qué cambios de enrutamiento implica esta decisión?

Sea cual sea la vía que elijas, la decisión no es todo o nada en todo tu stack. La capa de voz es la única pieza que sigue siendo específica del proveedor: OrcaRouter no ofrece GPT-Live-1, y un modelo de síntesis de voz como Eleven v4 es un contrato aparte dondequiera que lo compres. Lo que está detrás de la capa de voz es otra cuestión: las llamadas de razonamiento, el modelo de invocación de herramientas y la ruta de respaldo cuando un proveedor se degrada se ejecutan todos mediante una sola clave en OrcaRouter, en más de 200 modelos, incluidos GPT-6 Astra, GPT-5.6 Terra y GPT-5.6 Sol, los niveles a los que delega GPT-Live-1.

Esa separación es la versión práctica de esta comparación. Alquila el oído a quien tenga el mejor en este trimestre y mantén el cerebro enrutable, de modo que una rebaja de precio, una caída de servicio o un modelo mejor no requieran tocar la parte que tus usuarios pueden oír. Los precios de lista de los proveedores se trasladan con un 0 % de margen, así que un recorte de un proveedor en el nivel de razonamiento se refleja en tu factura el mismo día en que se anuncia.

Elige según la forma de la conversación

Si tus usuarios interrumpen, se corrigen a sí mismos y esperan que el agente sepa cuándo dejar de hablar, GPT-Live-1 a $0,05 por minuto es el mejor producto y probablemente la mejor compra: lo premium compra un comportamiento que no puedes obtener de un pipeline a ningún precio. Si tus usuarios escuchan en lugar de hablar, Eleven v4 o v4 Turbo es más barato por palabra entregada, más controlable, clonable para tu marca y la respuesta correcta; el Elo de 1334 es un bonus adicional.

El modo de fallo que hay que evitar es elegir según la posición en la tabla de clasificación. El 1334 de v4 y el 83.2 de Live miden cosas distintas en escalas distintas, y un equipo que elige entre ellos basándose en esos dos números está eligiendo entre una regla y un termómetro.