Carte de titre générée intitulée « GPT-Live-1.1 vs SeedRealtime », avec le sous-titre « L’un vend des minutes, l’autre ne vend rien », montrant une carte de gauche étiquetée GPT-Live-1.1 avec 0,05 $ par minute active, 0,02 $ par minute en veille et une API publique, et une carte de droite étiquetée SeedRealtime sans API publique, sans poids ouverts et une disponibilité uniquement au sein de Doubao.
Guides & Insights

GPT-Live-1.1 vs SeedRealtime : l'un vend des minutes, l'autre ne vend rien

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Mettez GPT-Live-1.1 et SeedRealtime côte à côte, et la comparaison cesse immédiatement de porter sur la qualité. GPT-Live-1.1 est un modèle vocal full-duplex que vous pouvez appeler dès aujourd'hui, louer à la seconde et intégrer à un produit ; il est apparu sur l'API OpenAI le 19 novembre 2026, cinq semaines après avoir remplacé GPT-Live-1 dans ChatGPT Voice. SeedRealtime, que l'équipe Seed de ByteDance a annoncé le 5 août 2026, est, sur le papier, l'architecture la plus intéressante — un modèle full-duplex audiovisuel natif qui regarde, écoute et parle au sein d'un même système — et ce n'est pas quelque chose que vous pouvez appeler. Pas d'API publique, pas de poids ouverts sur Hugging Face, pas de nombre de paramètres, pas de rapport technique contenant des chiffres.

La formulation honnête n’est donc pas « laquelle est meilleure ». C’est : l’une d’elles est un produit avec une grille tarifaire, et l’autre est la démonstration d’une capacité que la première a explicitement refusé de commercialiser. Les deux affirmations sont vraies en même temps, et celle qui compte dépend entièrement de si vous êtes en train de construire quelque chose.

La surface d’entrée n’a pas la même forme

GPT-Live-1.1 entend. Voilà toute l’histoire de son entrée. La page du modèle indique l’audio et le texte comme modalités d’entrée, et l’audio et le texte comme sortie, et rien d’autre — ni image, ni vidéo, ni document. Ce qu’il fait de l’ouïe est vraiment inhabituel : il est en duplex intégral, ce qui signifie qu’il écoute pendant qu’il parle au lieu d’alterner les tours, et il décide plusieurs fois par seconde s’il doit continuer à écouter, faire une pause, interrompre ou confier le travail à un backend. Le seul changement de capacité annoncé pour cette montée de version concerne cette couche : par rapport à GPT-Live-1, il « transcrit la parole plus précisément et conserve un accent et une voix plus cohérents d’une langue à l’autre ». Aucun chiffre n’est associé à cette affirmation.

SeedRealtime entend et voit au sein d’un seul modèle plutôt que d’un pipeline. La publication de lancement de ByteDance décrit une architecture unifiée qui fusionne l’audio, la vidéo et le texte, en exécutant en parallèle la perception, la compréhension, la prise de décision et l’expression sur des flux continus. Les conséquences concrètes qu’elle énumère sont celles qu’un modèle vocal uniquement textuel ne peut structurellement pas atteindre : résoudre un homophone en observant la scène, déterminer à quoi « ceci » renvoie à partir du geste et du regard, et prendre la parole spontanément lorsqu’un objet cible apparaît dans le champ. Les démonstrations sont précises — associer des noms à des visages autour d’une table de dîner bruyante, traduire un menu uniquement en chinois pour un client étranger, remarquer que des grains entiers sont versés dans un porte-filtre et le signaler avant l’extraction, garder un objet exposé dans un musée dans le champ de vision jusqu’à ce que la pièce demandée par l’utilisateur arrive, puis le lui rappeler.

• Entrées — GPT-Live-1.1 audio et texte uniquement, contre SeedRealtime audio, vidéo et texte fusionnés dans un seul modèle

• Prise de parole — GPT-Live-1.1 décide en interne à haute fréquence, tandis que SeedRealtime intègre la prise de parole au sein du modèle et supprime le détecteur d'activité vocale externe

• Comportement proactif — GPT-Live-1.1 répond, délègue et appelle des outils, tandis que SeedRealtime est décrit comme prenant la parole sans y être invité lorsqu'un élément apparaît dans son champ de vision

• Où ça tourne — GPT-Live-1.1 sur v1/live/sessions à un tarif par minute publié, face à SeedRealtime dans l'application Doubao de ByteDance

• Preuve — GPT-Live-1.1 dispose de scores de tiers pour son prédécesseur sur Artificial Analysis, tandis que SeedRealtime dispose d'une évaluation humaine de bout en bout sans taille d'échantillon ni chiffre

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).

Ce que vous payez réellement, et à qui

GPT-Live-1.1 facture les sessions vocales à la durée, à la seconde, à 0,05 $ par minute active. Depuis le 19 novembre 2026, une session WebRTC peut également être configurée pour suspendre l’inférence pendant l’inactivité et facturer 0,02 $ par minute pendant l’attente, puis reprendre lorsqu’une personne parle. L’utilisation des modèles backend et des outils — le raisonnement et le travail d’outils délégués par la couche vocale — est facturée séparément sur le compteur de tokens du modèle que vous nommez. La création d’une session WebRTC facture 15 secondes de durée vocale à l’initialisation, créditées sur la durée dès que la session est en cours.

Le prix de SeedRealtime pour un développeur n’est pas un nombre, car il n’existe pas de produit destiné aux développeurs. Il est disponible au sein de Doubao, l’assistant grand public, où ByteDance affirme qu’il a été « entièrement déployé » depuis le lancement d’août. Il s’agit d’un déploiement réel à grande échelle, et ce n’est pas une API. Que la plateforme de modèle en tant que service de ByteDance le propose, et à quel tarif, n’est indiqué ni dans l’article de lancement ni sur le site Seed tel que consulté le 20 novembre 2026.

L’asymétrie a une conséquence en termes de coût qui va au-delà de l’évidente. Un modèle que vous louez à la seconde peut être budgété, comparé et désactivé. Un modèle intégré à l’application grand public de quelqu’un d’autre ne peut être aucune de ces choses, et la comparaison entre les deux n’a donc aucun taux de change. Vous ne choisissez pas entre 0,05 $ la minute et quelque chose de moins cher ; vous choisissez entre un poste budgétaire et une démo.

Là où les preuves se raréfient

GPT-Live-1.1 lui-même n’a pas de score indépendant. L’indice parole-à-parole d’Artificial Analysis, consulté le 20 novembre 2026, répertorie GPT-Live-1 deux fois — 83,2 avec un backend de classe Astra à effort moyen et 80,1 avec un backend de classe Sol à faible effort — et ne fait pas encore figurer la 1.1. C’est un modèle d’API qui date d’un jour, donc cet écart est attendu plutôt qu’accablant, mais cela signifie bien que l’amélioration de la cohérence d’accent n’est, cette semaine, qu’une déclaration du fournisseur. Ce que l’indice montre en revanche, c’est que la configuration fait autant varier le chiffre que la version : le même modèle obtient 83,2 ou 80,1 selon le backend qui lui est associé. Toute évaluation qui cite un chiffre de GPT-Live sans préciser son backend ne vous apprend pas grand-chose.

Les preuves de SeedRealtime sont plus minces, mais d’une autre manière. ByteDance publie un résultat phare : une évaluation humaine de bout en bout dans laquelle le modèle « réduit de moitié les problèmes de rythme conversationnel audio-visuel » par rapport aux systèmes en cascade ASR + vision + TTS, avec moins de coupures en milieu de phrase, moins de réponses molles après une pause et moins de déclenchements intempestifs dus aux bruits de fond. Aucune taille d’échantillon, aucune méthodologie, aucun intervalle de confiance et aucun chiffre de latence ne sont fournis. Il n’y a pas non plus de nombre de paramètres ni de rapport technique. Ce n’est pas la preuve d’un modèle faible — les démonstrations sont suffisamment précises pour suggérer un système réel — mais c’est une affirmation qu’on ne peut pas vérifier, et elle n’apparaît sur aucun classement indépendant.

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.

Notez ce que cela signifie précisément pour la comparaison : les deux modèles ne sont pas sur une échelle commune. L’un dispose de chiffres de tiers pour la version précédente et d’un tarif publié ; l’autre n’a qu’une phrase du fournisseur et aucun moyen de l’acheter. Les classer l’un par rapport à l’autre reviendrait à inventer une mesure.

Pourquoi l'écart d'API constitue tout l'argument

Il est tentant de traiter « l’absence d’API » comme un état temporaire qui se résoudra de lui-même, et donc comme un détail. Pour une décision de build, c’est l’inverse : c’est le seul fait qui détermine entièrement la réponse.

Si vous lancez un produit vocal au cours du prochain trimestre, SeedRealtime ne figure pas sur votre liste d’options, et aucune ambition architecturale, quelle qu’elle soit, n’y changera rien. GPT-Live-1.1 y figure, avec une configuration de session documentée, un tarif publié, un mode de veille qui rend les connexions inactives peu coûteuses, et un modèle de délégation qui vous permet de conserver le raisonnement dans un backend que vous contrôlez. La seule chose qu’il ne fera pas, c’est regarder la caméra de votre utilisateur.

Cette dernière limite mérite d’être évaluée honnêtement, car c’est là que les exigences d’une équipe se divisent réellement. Une ligne d’assistance, un assistant embarqué, un tuteur linguistique, un agent de planification : aucun d’entre eux n’a besoin de vidéo, et tous bénéficient d’un modèle qui gère bien l’interruption et la délégation à un coût connu. Un agent qui observe une réparation, lit un menu ou suit une démonstration a besoin de la modalité que possède SeedRealtime et que GPT-Live-1.1 n’a pas ; et pour cette charge de travail, la réponse aujourd’hui est d’attendre, ou de construire la cascade contre laquelle plaide 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.'

Le rôle d’un routeur se joue dans la partie délégation. OrcaRouter ne sert ni GPT-Live-1.1 ni SeedRealtime — aucun des deux n’est un modèle de conversation, et le catalogue ne propose aucun point de terminaison vocal full-duplex. Il sert en revanche le backend auquel la couche vocale confie le travail : gpt-6-luna, gpt-6-sol et le reste de la famille GPT-6 sont disponibles derrière une seule clé au prix catalogue du fournisseur, sans majoration, avec bascule automatique entre fournisseurs et un DSL de routage permettant de composer plusieurs modèles en un seul appel. Si votre session Live délègue à un backend, ce backend est la partie que vous pouvez router dès aujourd’hui.

Quoi surveiller, et que faire maintenant

Deux choses changeraient cette comparaison, et aucune ne s’est produite. Un point de terminaison public SeedRealtime — sur la plateforme de ByteDance elle-même ou ailleurs — transformerait une démonstration en option du jour au lendemain, et poserait immédiatement la question de savoir si le contexte visuel vaut le travail d’intégration. Une mesure indépendante de GPT-Live-1.1 sur l’indice parole à parole vous dirait si l’affirmation sur les accents multilingues est réelle, et si le 83,2 que GPT-Live-1 obtient avec un backend Astra se maintient.

D’ici là, la décision est d’une netteté inhabituelle. Si vous devez livrer la voix, GPT-Live-1.1 est appelable, tarifé et — avec le mode veille — moins cher à laisser connecté qu’il y a une semaine. Si vous avez besoin d’un modèle qui voit, aucune capacité côté ByteDance ne se convertit en clé API, et la chose responsable est de le dire plutôt que de classer un produit par rapport à une préversion.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement