GPT-Live-1 vs Voxtral 3 : Le prix qui n’est pas le prix

Voxtral 3annonce un agent vocal complet à $0.04 la minute. GPT-Live-1annonce $0.05 la minute, puis vous facture à nouveau pour la réflexion. Sur les chiffres phares, Mistral est 20 % moins cher et inclut davantage — transcription vocale, synthèse vocale et un modèle de raisonnement dans un seul tarif — tandis que le chiffre d'OpenAI ne couvre que la couche vocale. Cette lecture est techniquement correcte et pratiquement trompeuse, car les deux tarifs n'achètent pas la même chose.

Les deux sont sortis à six semaines d’intervalle : GPT-Live-1 via l’API le 10 septembre 2026, Voxtral 3 en aperçu public le 20 octobre. Les deux ciblent le même client — une personne qui développe un agent téléphonique devant tenir une conversation. Ils y parviennent par des voies opposées, et l’écart de coût ne subsiste que si vous ne les interrompez jamais.

Que contient réellement chaque minute ?

Commencez par ce que les compteurs incluent, car c’est là que la comparaison change.

• Agent complet Voxtral 3 — 0,04 $ par minute avec Mistral Small 4 comme raisonneur, 0,08 $ avec un modèle plus puissant. Cela couvre la transcription, la synthèse et le modèle de langage.

• GPT-Live-1 — 0,05 $ par minute pour la voix uniquement, facturé à la seconde. Le raisonnement backend, les appels d’outils et la recherche web sont facturés séparément aux tarifs normaux du modèle.

• Voxtral 3 TTS seul — 13 $ par million de caractères, soit environ 0,70 $ par heure de parole à un rythme normal.

• Audio d'entrée GPT-Live-1 — mesuré à 5,83 $ par heure d'audio d'entrée sur sa configuration à raisonnement élevé, 4,47 $ sur sa configuration à raisonnement faible, selon le jeu fixe de 40 questions d'Artificial Analysis.

La comparaison honnête par minute sur un appel de dix minutes donne 0,40 $ pour Voxtral 3 tout compris, contre 0,50 $ plus le backend pour GPT-Live-1 — disons 0,50 $ à 0,55 $ selon combien l’agent doit réfléchir. Mistral gagne sur ce calcul, et il gagne en incluant un composant qu’OpenAI omet.

À moins que l'appel ne soit essentiellement du silence. Le tarif d'agent vocal de Voxtral est facturé au compteur, comme une session ; celui de GPT-Live-1 l'est assurément. Aucun des deux fournisseurs ne publie d'exemption pour le silence, et tout déploiement qui met des appelants en attente doit partir du principe que les deux compteurs continuent de tourner. Cette différence n'avantage aucun des deux camps, mais elle signifie bel et bien que les tarifs vitrine ne sont pas le bon endroit pour optimiser.

Pipeline contre duplex, encore.

Voxtral 3 est un ensemble de composants, pas un modèle : des modèles de transcription (Mini Transcribe 3 à 4 milliards de paramètres, Small, et une variante temps réel), un modèle de synthèse, et un SDK Voice Agent basé sur LiveKit qui les relie avec un modèle de langage au milieu. La latence revendiquée par Mistral est d'environ 90 millisecondes jusqu'au premier audio, ce qui est vraiment rapide pour la partie synthèse.

Une synthèse rapide ne équivaut pas à une bonne gestion des tours de parole. Une cascade doit encore décider quand l’humain a fini de parler, et cette décision est prise par un détecteur d’activité vocale ou un modèle de détection des tours de parole placé en amont du pipeline. Lorsqu’il se trompe, l’agent parle par-dessus l’appelant ou attend un instant de trop, et aucune synthèse de 90 ms ne peut corriger cela.

GPT-Live-1 est un seul réseau qui entend et parle en même temps, en décidant plusieurs fois par seconde s’il doit céder la parole. C’est cette capacité que vous payez un centime de plus, et ce n’est pas une fonctionnalité que vous pouvez assembler à partir de pièces. C’est aussi pourquoi le modèle d’OpenAI n’a pas de lignes de facturation pour la transcription ou la synthèse : il n’y a rien à détailler.

Le test pratique n’est pas la latence, mais le taux d’interruption. Si vos interlocuteurs parlent en phrases complètes et attendent leur tour, un pipeline convient et coûte moins cher. S’ils disent « non attends, je voulais dire l’autre » en cours de route, vous achetez un comportement duplex, que vous l’ayez admis ou non.

Langues, dialectes et où se trouvent les données

Mistral propose Voxtral 3 avec plus de 35 langues et plus de 50 dialectes, le pilotage de l’émotion et du style, le clonage zéro-shot, ainsi qu’une voie d’adaptation « Pro Voice » qui nécessite environ 30 minutes d’audio de référence. La documentation de GPT-Live-1 ne dit rien sur la couverture des dialectes et propose des voix de modèle fixes, sans clonage.

Si votre produit est européen — français, allemand, italien, espagnol, néerlandais — Voxtral 3 est l’offre la plus complète, et le positionnement UE de Mistral est un véritable argument dans les discussions d’achat auquel OpenAI ne répond pas aussi directement. C’est un fait commercial plutôt qu’un benchmark, et pour beaucoup d’acheteurs, cela scelle l’accord avant même que la latence ne soit abordée.

Si votre produit est un support ou une réservation en anglais sur un seul marché, l'étendue des langues est un inventaire que vous n'utiliserez pas, et le comportement duplex est ce que vous remarquerez à chaque appel.

Le piège des poids ouverts

Cela vaut la peine d’être signalé, car cela piège les gens : Voxtral 3 lui-même est une API fermée. Le modèle téléchargeable de cette famille est un ancien checkpoint TTS 4B de mars 2026, publié sous CC BY-NC 4.0 — non commercial — un modèle différent et plus ancien, avec un score d’arène plus faible. Le déploiement autonome de Voxtral 3 en entreprise est un arrangement négocié, et non un lien de téléchargement.

Ainsi, aucun des deux modèles de cette comparaison ne vous fournit de poids. GPT-Live-1 n'en a aucun par conception. Voxtral 3 n'en a aucun par politique. Si posséder le modèle est une exigence, les deux sont donc écartés et la conversation se tourne plutôt vers Fish Audio Drama 3 ou Ming-3.0-TTS.

Ce que les conseils d'administration mesurent, et ce qu'ils ne mesurent pas

Voxtral 3 TTS occupe la 1223e place Elo du Provider Voice Arena d’Artificial Analysis, relevé le 29 octobre 2026 — quatorzième du classement, à 13 $ par million de caractères. C’est un solide résultat de synthèse : derrière Eleven v4 à 1334, devant plusieurs modèles plus coûteux.

GPT-Live-1 n’apparaît pas sur ce tableau, et quiconque place son score de 83,2 au Speech-to-Speech Index à côté du 1223 de Voxtral compare un indice de conversation pondéré à un Elo de préférence aveugle. Sur les tableaux où les systèmes conversationnels apparaissent, GPT-Live-1 obtient un Elo de 1037 à 1041 sur la Speech Agent Arena, avec un taux de réussite des tâches de 87,4 % à 90,9 %. La pile d’agents de Voxtral 3 n’a pas encore accumulé assez de conversations d’arène pour être listée.

Cette absence est le fait le plus utile de cette section. Il n’existe pas de comparaison directe indépendante entre ces deux solutions, ce qui signifie que chaque comparaison que vous lisez — y compris celle-ci — repose sur des tarifs et une architecture publiés, et non sur une expérience contrôlée. Quiconque vous affirme que l’une est mesurablement plus naturelle au téléphone cite un fournisseur.

Où aboutit le débat sur le routage

Aucun des deux modèles n’est servi par OrcaRouter. Voxtral 3 est l’API de Mistral ; GPT-Live-1 est celle d’OpenAI. Ce qui est routable, c’est le raisonneur auquel chacun délègue — et ici, les deux architectures divergent d’une manière qui compte pour la façon dont vous concevez l’architecture de la pile.

Voxtral 3 vous permet de choisir le modèle de raisonnement au sein de son propre tarif d'agent : Small 4 à 0,04 $, un modèle plus puissant à 0,08 $. GPT-Live-1 laisse le backend entièrement ouvert, ce qui signifie que vous pouvez le diriger vers le modèle de texte de votre choix — y compris GPT-6 Astra, GPT-5.6 Terra ou un niveau moins coûteux, derrière une seule clé, le DSL de routage vous permettant de fixer différents modèles selon les types de tâches au sein d'un même déploiement.

Cette flexibilité vaut de l'argent réel sur une charge de travail mixte : un modèle bon marché gère la confirmation d'adresse et un modèle de pointe gère le paiement contesté, sans second contrat ni seconde intégration. Les prix catalogue des fournisseurs sont répercutés avec une marge de 0 %, de sorte qu'une baisse sur le palier de raisonnement se répercute sur votre facture dès son entrée en vigueur, et non lors du prochain renouvellement de contrat.

La décision

Choisissez Voxtral 3 si vous développez en Europe, avez besoin de nombreuses langues et dialectes, voulez une seule facture couvrant de la transcription à la synthèse, et que vos appelants savent raisonnablement attendre leur tour. Son coût par minute est plus faible, tout compris, sa stack est plus complète et son score de synthèse de 1223 est respectable.

Choisissez GPT-Live-1 si les interruptions sont le produit — réception, triage, répartition, tout cas où l’appelant se corrige et où l’agent doit l’entendre en temps réel. Vous paierez plus à la minute, vous en posséderez moins, et vous obtiendrez le seul comportement qu’un pipeline ne peut acheter à aucun prix.

Le piège à éviter, c’est de comparer les deux tarifs annoncés et d’en conclure que 0,04 $ l’emporte sur 0,05 $. Ces chiffres ne mesurent pas la même minute : l’un comprend un transcripteur, un synthétiseur et un raisonneur ; l’autre comprend une oreille. Achetez celui dont le contenu correspond à la tâche, puis discutez du prix.