GPT-Live-1 vs Eleven v4 : l’unité de facturation décide avant la voix.

Mettez GPT-Live-1 et Eleven v4 côte à côte, et la première différence que vous rencontrez n'est pas un benchmark. C'est une unité. GPT-Live-1 facture 0,05 $ pour chaque minute pendant laquelle la session reste ouverte. Eleven v4 facture 0,08 $ pour chaque millier de caractères que l'agent prononce réellement. Un compteur tourne sur l'horloge, l'autre sur le script, et le choix de celui que vous devez acheter en découle avant même que l'un ou l'autre modèle ait produit une syllabe.

Cette distinction se perd dans la plupart des comparaisons, qui ont tendance à placer un indice parole-à-parole à côté d’un Elo texte-à-parole et à appeler cela une comparaison directe. Ce n’en est pas une. Voici ce que sont réellement les deux produits, ce que les chiffres existants peuvent et ne peuvent pas vous dire, et l’arithmétique qui permet de trancher pour une ligne d’assistance, un livre audio et les cas délicats entre les deux.

Deux produits, deux missions

GPT-Live-1 est le modèle vocal full-duplex d'OpenAI, disponible dans l'API depuis le 10 septembre 2026. Il écoute pendant qu'il parle, décide plusieurs fois par seconde s'il doit céder la parole, et délègue le raisonnement à un modèle texte distinct lorsqu'une question le nécessite. Il possède exactement un point de terminaison — v1/live/sessions — et aucune interface Chat Completions ou Realtime, ce qui signifie qu'il ne s'agit pas d'un identifiant de modèle à substituer dans une intégration Realtime existante ; c'est une session que vous ouvrez.

Eleven v4 est un modèle de synthèse vocale, publié le 28 septembre 2026 en même temps qu'une version v4 Turbo à faible latence. Vous lui fournissez du texte, et il renvoie de l'audio dans l'une de plus de 90 langues, avec un clonage vocal instantané à partir de 10 secondes, des balises audio intégrées pour l'émotion et le rythme, et une limite de 10 000 caractères par requête. Il n'a pas d'oreilles. Il ne peut pas entendre l'appelant, remarquer qu'il a interrompu, ni décider de s'arrêter parce que la phrase tombe mal.

Cette asymétrie dit tout. Un agent vocal construit sur Eleven v4 est un pipeline : transcrire, réfléchir, parler. Un agent vocal construit sur GPT-Live-1 est un seul modèle auquel est attaché un modèle de texte comme consultant. Le pipeline est moins cher et plus contrôlable. Le modèle de bout en bout est plus naturel et bien plus difficile à interrompre. Ce sont des produits différents destinés à des contextes différents, et non des implémentations concurrentes d’un même produit.

Ce que les classements peuvent honnêtement dire

Il n'existe pas de classement unique où ces deux modèles s'affrontent, et quiconque vous en présente un compare des scores qui ne sont pas comparables. Dans le Provider Voice Arena d'Artificial Analysis — voix natives, préférence à l'aveugle, relevé du 29 octobre 2026 — Eleven v4 se place à 1334 Elo, deuxième du classement, tandis que v4 Turbo, à 1336, occupe la première place. Personne ne conteste l'excellence de la qualité vocale : 91,7 % de robustesse de prononciation selon les mesures de ce laboratoire, le meilleur résultat parmi les grands modèles commerciaux au lancement.

GPT-Live-1 n'apparaît pas du tout sur ce classement, car il ne génère pas de synthèse vocale au sens où ce classement la mesure. Il figure sur le Speech Agent Arena, qui évalue la préférence en aveugle sur des conversations complètes de type réservation. Là, GPT-Live-1 (Astra, medium) se situe à 1037 Elo avec un taux de réussite des tâches de 87,4 %, et la configuration Sol-low à 1041 avec 90,9 %. Sur le Speech-to-Speech Index — un mélange pondéré de raisonnement, de performance agentique, de préférence d'arène et de réussite des tâches — il obtient 83,2, deuxième de 21 modèles évalués.

La comparaison qui est réellement valable est celle entre GPT-Live-1 et les produits conversationnels d’Eleven, et non avec son modèle TTS. Sur la même arène, Eleven Realtime v1 Max obtient 1003 avec 87,1 % de réussite sur les tâches, et la cascade par défaut d’ElevenLabs Agents obtient 989 avec 90,5 %. Ainsi, le modèle de bout en bout devance l’alternative temps réel d’environ 35 à 50 Elo, et la pile d’agents en cascade se situe environ 50 points en dessous avec un taux de réussite légèrement supérieur. Ces chiffres sont suffisamment proches pour que, dans un déploiement donné, la téléphonie, la conception des prompts et le bruit de fond décident du résultat, et non le classement.

Une dernière mise en garde honnête : les chiffres de GPT-Live-1 portent une étiquette de configuration. Son raisonnement est effectué par un backend nommé, et les configurations Astra-medium et Sol-low obtiennent des scores différents parce qu’elles délèguent différemment. Les chiffres d’Eleven portent quant à eux une étiquette de produit. Ni l’un ni l’autre ne constitue une expérience contrôlée par rapport à l’autre.

L’arithmétique, lors d’un appel de trois minutes

Prenez un appel entrant au support où l’agent parle à 900 caractères par minute — un rythme soutenu mais ordinaire — et l’appelant parle pendant environ 40 % des trois minutes.

• GPT-Live-1 — trois minutes à 0,05 $ reviennent à 0,15 $, plus le modèle de texte backend pour tout raisonnement requis par l’appel. Par minute : 0,050 $.

• Eleven v4 — l’agent prononce environ 1 620 caractères, donc 1,62 × 0,08 $ = 0,13 $, plus la transcription et votre propre modèle de langage. Par minute : environ 0,043 $ avant la STT et le LLM.

• Eleven v4 Turbo — les mêmes 1 620 caractères à 0,04 $ par millier : 0,065 $, soit environ 0,022 $ par minute avant la STT et le LLM.

Turbo est moins cher que GPT-Live-1, même après avoir ajouté un volet de transcription vocale et un modèle de langage léger, et c’est pourquoi la cascade continue de l’emporter lors des revues de coûts. Mais la comparaison change de forme dès que l’appelant parle plus que l’agent. Chaque seconde où l’humain monologue est une seconde que Eleven v4 ne facture pas et que GPT-Live-1 facture au plein tarif — y compris le silence pendant que quelqu’un lit un numéro de contrat sur une carte, et y compris l’attente pendant que votre backend réfléchit.

Ce n’est pas une différence d’arrondi. Sur une ligne où l’agent parle 30 % du temps, la facture TTS baisse des deux tiers, tandis que la facture à la minute ne bouge pas du tout. La minute forfaitaire est un pari sur le fait que vos appelants parleront, et il s’avère payant précisément lorsqu’ils le font.

L’arithmétique, sur une narration de quarante minutes

Maintenant, les deux mêmes modèles sur un chapitre de livre audio — 36 000 caractères, un seul locuteur, aucune interruption, aucun raisonnement, sortie déterministe requise.

• Eleven v4 — 36 × 0,08 $ = 2,88 $ pour le chapitre, et vous pouvez régénérer un seul paragraphe pour neuf cents lorsque la prononciation est incorrecte.

• GPT-Live-1 — 40 minutes à 0,05 $ = 2,00 $, et vous ne pouvez pas régénérer un paragraphe, car l’unité de travail est une session en direct plutôt qu’un fragment de texte.

GPT-Live-1 semble moins cher et c’est le mauvais outil. Il n’existe aucun moyen documenté de lui faire prendre un script de 36 000 caractères et de renvoyer un fichier déterministe ; c’est une surface de conversation, et une conversation avec un livre n’est pas une narration. Le verdict honnête sur cette ligne n’est pas « Live coûte moins cher », c’est « ce modèle ne fait pas ce travail ».

Là où le modèle à la minute justifie réellement son surcoût

Trois situations le justifient, et elles partagent une propriété : la personne garde la parole pendant des durées imprévisibles.

• Prise en charge riche en interruptions — déclarations de sinistres, tri clinique, tout cas où l’appelant se corrige en pleine phrase. Une cascade doit détecter l’interruption, arrêter la lecture et revenir dans la boucle ; GPT-Live-1 est déjà à l’écoute.

Réservation et répartition — des tours courts, des allers-retours rapides, un recours intensif aux outils. Les propres chiffres d'OpenAI avancent 87 % de précision dans l'appel d'outils sur ce modèle, contre 60 % pour la génération Realtime qu'il remplace, et ces chiffres sont déclarés par le fournisseur, sans reproduction indépendante.

• Partout où la latence est le produit — un échange de 0,8 seconde contre un échange de 1,4 seconde, c’est la différence entre une conversation et un talkie-walkie. Également rapporté par le fournisseur.

Et trois situations plaident contre :

• Narration, lecture à voix haute, livres audio, voix off vidéo — texte en entrée, fichier en sortie, aucune oreille requise.

• Voix de marque — le clonage d'Eleven v4 est une fonctionnalité produit assortie d'une mise en garde sur le réentraînement ; GPT-Live-1 utilise des voix de modèle fixes, donc « la voix de notre fondateur » ne figure pas au menu.

• Longs silences — musique d’attente, lignes en sourdine, agents en attente d’un backend lent. Chacune de ces secondes est facturée.

La migration n'est pas non plus symétrique

Passer à Eleven v4 depuis v3, c’est un changement d’identifiant de modèle accompagné d’une mise en garde : les voix clonées existantes doivent être réentraînées, et le SSML est remplacé par des balises audio en ligne, donc tout ce qui générait du SSML doit être réécrit. Pénible, mais circonscrit à votre couche TTS.

Passer à GPT-Live-1 depuis une intégration Realtime, c’est une reconstruction. Point de terminaison différent, sémantique de session différente, unité de facturation différente, et aucune couche de compatibilité. Prévoyez un budget pour la couche d’orchestration, pas seulement pour le remplacement — et notez que la plupart des plateformes d’agents vocaux tiers ne listent toujours pas GPT-Live-1 comme fournisseur sélectionnable, donc vous devrez vraisemblablement écrire vous-même la glue de téléphonie.

Qu'est-ce que le routage change dans cette décision

Quelle que soit la voie que vous choisissez, la décision n'est pas du tout ou rien sur l'ensemble de votre pile. La couche vocale est le seul élément qui reste propre au fournisseur : OrcaRouter ne sert pas GPT-Live-1, et un modèle de synthèse vocale comme Eleven v4 constitue un contrat distinct, où que vous l'achetiez. Ce qui se trouve derrière la couche vocale est une autre affaire — les appels de raisonnement, le modèle d'appel d'outils, le chemin de repli lorsqu'un fournisseur se dégrade passent tous par une seule clé sur OrcaRouter, sur plus de 200 modèles, dont GPT-6 Astra, GPT-5.6 Terra et GPT-5.6 Sol, les paliers auxquels GPT-Live-1 délègue.

Cette séparation est la version pratique de cette comparaison. Louez l’oreille auprès de celui qui dispose de la meilleure ce trimestre, et gardez le cerveau routable afin qu’une baisse de prix, une panne ou un meilleur modèle ne nécessite pas de toucher à la partie que vos utilisateurs peuvent entendre. Les prix catalogue des fournisseurs sont répercutés avec 0 % de marge, de sorte qu’une baisse tarifaire d’un fournisseur sur le niveau de raisonnement apparaît sur votre facture le jour même où elle est annoncée.

Choisissez selon la forme de la conversation.

Si vos utilisateurs interrompent, se corrigent et attendent de l’agent qu’il sache quand s’arrêter de parler, GPT-Live-1 à 0,05 $ la minute est le meilleur produit et probablement le meilleur achat — le premium paie pour un comportement qu’aucun pipeline ne peut offrir, quel qu’en soit le prix. Si vos utilisateurs écoutent plutôt qu’ils ne parlent, Eleven v4 ou v4 Turbo coûte moins cher par mot livré, est plus contrôlable, clonable aux couleurs de votre marque, et constitue la bonne réponse ; les 1334 Elo ne sont qu’un bonus par-dessus.

Le piège à éviter, c’est de choisir d’après la position au classement. Le 1334 de v4 et le 83,2 de Live mesurent des choses différentes sur des échelles différentes, et une équipe qui choisit entre eux sur la base de ces deux chiffres choisit entre une règle et un thermomètre.