GPT-Live-1 vs Voxtral 3: El precio que no es el precio

Voxtral 3anuncia un agente de voz completo a $0,04 por minuto. GPT-Live-1anuncia $0,05 por minuto y luego te vuelve a cobrar por el razonamiento. En las cifras principales, Mistral es un 20 % más barato e incluye más —transcripción de voz a texto, síntesis de voz y un modelo de razonamiento dentro de una sola tarifa—, mientras que la cifra de OpenAI cubre solo la capa de voz. Esa lectura es técnicamente correcta y engañosa en la práctica, porque las dos tarifas no compran lo mismo.

Ambos se lanzaron con seis semanas de diferencia: GPT-Live-1 a la API el 10 de septiembre de 2026, y Voxtral 3 en vista previa pública el 20 de octubre. Ambos apuntan al mismo cliente: alguien que construye un agente telefónico que tiene que mantener una conversación. Llegan ahí por rutas opuestas, y la diferencia de coste solo se mantiene si nunca se les interrumpe.

¿Qué hay realmente dentro de cada minuto?

Empieza por lo que incluyen los medidores, porque aquí es donde la comparación da un giro.

• Agente completo Voxtral 3: 0,04 $ por minuto con Mistral Small 4 como razonador, y 0,08 $ con uno más potente. Eso cubre la transcripción, la síntesis y el modelo de lenguaje.

• GPT-Live-1 — 0,05 $ por minuto solo por voz, facturado por segundo. El razonamiento del backend, las llamadas a herramientas y la búsqueda web se facturan por separado según las tarifas habituales del modelo.

• Solo Voxtral 3 TTS: $13 por millón de caracteres, aproximadamente $0,70 por hora de habla a un ritmo normal.

• Audio de entrada de GPT-Live-1 — medido en $5.83 por hora de audio de entrada en su configuración de razonamiento alto, $4.47 en la baja, según el conjunto fijo de 40 preguntas de Artificial Analysis.

La comparación honesta por minuto en una llamada de diez minutos es de 0,40 dólares para Voxtral 3 con todo incluido frente a 0,50 dólares más el backend para GPT-Live-1 — digamos entre 0,50 y 0,55 dólares según cuánto tenga que pensar el agente. Mistral gana en esa aritmética, y lo hace incluyendo un componente que OpenAI deja fuera.

A menos que la llamada sea en su mayoría silencio. La tarifa de agente de voz de Voxtral se mide como una sesión; la de GPT-Live-1 sin duda también. Ninguno de los proveedores publica una exención por silencio, y cualquier implementación que deje a quienes llaman en espera debería asumir que ambos medidores siguen corriendo. Esa diferencia no favorece a ninguna de las partes, pero sí significa que las tarifas destacadas no son el lugar adecuado para optimizar.

Pipeline contra dúplex, otra vez

Voxtral 3 es un conjunto de componentes, no un modelo: modelos de transcripción (Mini Transcribe 3 con 4B parámetros, Small y una variante en tiempo real), un modelo de síntesis y un SDK de Voice Agent basado en LiveKit que los conecta entre sí con un modelo de lenguaje en el medio. La afirmación de latencia de Mistral es de aproximadamente 90 milisegundos hasta el primer audio, lo que es realmente rápido para la etapa de síntesis.

Una síntesis rápida no es lo mismo que una buena toma de turnos. Una cascada todavía tiene que decidir cuándo ha terminado de hablar la persona, y esa decisión la toma un detector de actividad de voz o un modelo de detección de turnos situado delante de la pipeline. Cuando se equivoca, el agente o habla encima de quien llama o espera un instante de más, y ninguna cantidad de síntesis a 90 ms lo soluciona.

GPT-Live-1 es una única red que escucha y habla a la vez, y decide muchas veces por segundo si ceder el turno. Esa es la capacidad por la que pagas ese céntimo extra, y no es una función que puedas ensamblar a partir de piezas. También es la razón por la que el modelo de OpenAI no tiene partidas de transcripción ni de síntesis: no hay nada que desglosar.

La prueba práctica no es la latencia, sino la tasa de interrupciones. Si quienes llaman hablan en frases completas y esperan su turno, un pipeline está bien y resulta más barato. Si dicen «no espera, me refería al otro» a mitad de camino, estás comprando comportamiento dúplex, lo hayas admitido o no.

Idiomas, dialectos y dónde residen los datos

Mistral lanza Voxtral 3 con más de 35 idiomas y más de 50 dialectos, control de emoción y estilo, clonación zero-shot y una ruta de adaptación "Pro Voice" que requiere unos 30 minutos de audio de referencia. La documentación de GPT-Live-1 no menciona la cobertura de dialectos y ofrece voces de modelo fijas sin clonación.

Si tu producto es europeo — francés, alemán, italiano, español, neerlandés — Voxtral 3 es la propuesta más completa, y el posicionamiento de Mistral en la UE es un argumento real en las conversaciones de adquisición que OpenAI no aborda de forma tan directa. Eso es un hecho empresarial más que un benchmark, y para muchos compradores decide el acuerdo antes de que se discuta la latencia.

Si tu producto es soporte o reservas en inglés en un único mercado, la amplitud de idiomas es inventario que no usarás, y el comportamiento dúplex es lo que notarás en cada llamada.

La trampa de los pesos abiertos

Vale la pena señalarlo porque sorprende a muchos: Voxtral 3 en sí es una API cerrada. El modelo descargable de esta familia es un checkpoint TTS de 4B más antiguo, de marzo de 2026, publicado bajo CC BY-NC 4.0 — no comercial —, un modelo diferente y más antiguo con una puntuación de arena inferior. El autodespliegue empresarial de Voxtral 3 es un acuerdo negociado, no un enlace de descarga.

Así que ninguno de los modelos de esta comparación te entrega los pesos. GPT-Live-1 no tiene ninguno por diseño. Voxtral 3 no tiene ninguno por política. Si poseer el modelo es un requisito, ambos quedan descartados y la conversación pasa a Fish Audio Drama 3 o Ming-3.0-TTS en su lugar.

Lo que miden las juntas directivas y lo que no

Voxtral 3 TTS se sitúa en 1223 Elo en Provider Voice Arena de Artificial Analysis, capturado el 29 de octubre de 2026 — decimocuarto del conjunto, a 13 USD por millón de caracteres. Es un sólido resultado de síntesis: por detrás de Eleven v4, con 1334, y por delante de varios modelos que cuestan más.

GPT-Live-1 no aparece en ese ranking, y cualquiera que coloque su puntuación de 83,2 en el Speech-to-Speech Index junto al 1223 de Voxtral está comparando un índice de conversación ponderado con un Elo de preferencia a ciegas. En los rankings donde sí aparecen sistemas conversacionales, GPT-Live-1 obtiene de 1037 a 1041 Elo en el Speech Agent Arena, con un éxito en tareas del 87,4 % al 90,9 %. El stack de agentes de Voxtral 3 aún no ha acumulado suficientes conversaciones de arena para aparecer en la lista.

Esa ausencia es el dato más útil de esta sección. No existe una comparación directa e independiente entre estos dos, lo que significa que cada comparación que leas —incluida esta— se basa en tasas publicadas y arquitectura, no en un experimento controlado. Cualquiera que te diga que uno es mensurablemente más natural por teléfono está citando a un proveedor.

Dónde termina el argumento sobre el enrutamiento

Ninguno de los dos modelos lo sirve OrcaRouter. Voxtral 3 es la API de Mistral; GPT-Live-1 es la de OpenAI. Lo que es enrutable es el razonador al que delega cada uno, y aquí las dos arquitecturas divergen de una forma que importa para cómo arquitecturas la pila.

Voxtral 3 te permite elegir el modelo de razonamiento dentro de su propia tarifa de agente: Small 4 a $0.04, algo más potente a $0.08. GPT-Live-1 deja el backend totalmente abierto, lo que significa que puedes apuntarlo a cualquier modelo de texto que quieras — incluidos GPT-6 Astra, GPT-5.6 Terra o un nivel más económico, detrás de una sola clave, con el DSL de enrutamiento que te permite fijar distintos modelos para distintos tipos de tareas dentro del mismo despliegue.

Esa flexibilidad vale dinero real en una carga de trabajo mixta: un modelo barato gestiona la confirmación de dirección y un modelo de vanguardia gestiona el cargo disputado, sin un segundo contrato ni una segunda integración. Los precios de lista de los proveedores se repercuten con un margen de 0 %, así que una reducción en el nivel de razonamiento llega a tu factura el mismo día en que se aplica, no en la siguiente renovación de contrato.

La decisión

Elige Voxtral 3 si estás desarrollando en Europa, necesitas muchos idiomas y dialectos, quieres una sola factura que abarque desde la transcripción hasta la síntesis, y quienes te llaman son razonablemente educados a la hora de turnarse. Es más barato por minuto, todo incluido, es la pila más completa, y la puntuación de síntesis de 1223 es respetable.

Elija GPT-Live-1 si las interrupciones son el producto — recepción, triaje, despacho, cualquier caso en el que quien llama se corrija a sí mismo y el agente tenga que oírlo suceder. Pagará más por minuto, tendrá menos control y obtendrá el único comportamiento que ningún pipeline puede comprar a ningún precio.

La trampa que hay que evitar es comparar las dos tarifas anunciadas y concluir que $0.04 supera a $0.05. Esos números no están midiendo el mismo minuto: uno incluye un transcriptor, un sintetizador y un razonador; el otro incluye un oído. Compra la que tenga los contenidos que correspondan al trabajo, y luego discute el precio.