Une vignette de titre générée pour Realtime 1 vs GPT Live 1 indiquant 0,01 $ contre 0,05 $ par minute audio et une note précisant que la comparaison « semble très proche » n’a pas été testée, plus un logo OrcaRouter.
Engineering & Research

Realtime 1 vs GPT Live 1 : cinq centimes contre un, et une affirmation que personne ne peut encore vérifier

Auteur

jinhao.song

Date de publication

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

Cinq centimes par minute. C’est ce qu’OpenAI facture pour GPT Live 1 — le modèle vocal duplex intégral qui « peut écouter et parler en même temps », facturé à la seconde sans arrondi au supérieur, l’utilisation du modèle back-end et des outils étant facturée séparément. MAI Realtime 1, annoncé par Microsoft le 17 novembre 2026, coûte un centime par minute avant son palier de raisonnement. Sur la grille tarifaire, l’écart est de cinq pour un, et une personne qui a utilisé les deux a déclaré sur Internet que Realtime 1 « lui avait paru très proche du modèle GPT Live ». Cette phrase est l’élément le plus intéressant de cette confrontation et le moins vérifiable, car il n’existe qu’une seule façon de trancher, et aucun tiers indépendant n’a réalisé le test qui le permettrait.

Alors, traitez cela comme deux questions plutôt qu’une seule. Un modèle à un centime la minute est-il cinq fois moins bon ? Et que procure réellement le profil mesuré de GPT Live 1 qu’un modèle moins cher devrait égaler ? La seconde a des réponses. La première n’en a pas encore.

Les architectures n'ont pas la même forme.

G​PT Live 1 est inhabituel, et sa documentation le dit clairement. C’est un modèle full-duplex — il écoute et parle simultanément, au lieu d’alterner les tours de parole — et il ne cherche pas à effectuer lui-même le raisonnement. Il « délègue le raisonnement et le travail d’outils à un agent backend », joignable uniquement via v1/live/sessions, sans prise en charge des endpoints Chat Completions, Responses ou Realtime. Il accepte et produit de l’audio et du texte, prend en charge le streaming et l’appel de fonctions, et n’accepte ni images ni vidéo.

• G​PT Live 1 — front-end full-duplex, le raisonnement étant délégué à l’agent backend que vous connectez. Limites de sessions simultanées : 50 sur Build, 300 sur Launch, 500 sur Grow. Aucune offre gratuite.

• MAI Realtime 1 — de la parole à la parole avec une voie rapide et un niveau de raisonnement interne. Microsoft facture 1,00 $ par million de jetons d’entrée et 5,00 $ par million de jetons de sortie. Facturé à la minute audio côté conversationnel. Aperçu non facturé jusqu’à l’aperçu public.

Tous deux sont, en pratique, des systèmes en deux parties. La différence, c’est qui possède la seconde partie. Avec G​PT Live 1, elle est explicitement à vous : vous choisissez l’agent backend, vous payez ses tokens séparément, vous voyez la couture. Avec MAI Realtime 1, le transfert se fait à l’intérieur du produit et de la page tarifaire, et la décision de routage n’est pas quelque chose que vous configurez.

Cette seule différence de conception explique l’essentiel de l’écart de prix. OpenAI facture $0.05 la minute pour une oreille et une bouche très performantes. Microsoft facture $0.01 pour une oreille et une bouche correctes, plus un répartiteur interne, et monétise la réflexion sur le compteur de tokens.

Ce que les mesures de G​PT Live 1 montrent réellement

G​PT Live 1 figure deux fois dans le classement parole à parole d’Artificial Analysis, car l’agent backend que vous associez modifie le résultat :

• Indice parole-à-parole — 83,2 avec un backend de classe Astra en mode moyen, 80,1 avec un backend de classe Sol en mode bas. Les deux se situent au-dessus des 74,5 de G​emini 3.8 Live et bien au-dessus des 77,3 d'Eleven Realtime Max, ce qui fait de G​PT Live 1 le modèle à l'indice le plus élevé de cet ensemble de comparaison.

• Raisonnement vocal (Big Bench Audio) — 90,1 % et 89,0 % respectivement. Pas en tête du classement — Eleven Realtime Max obtient 98,8 % — mais solidement compétitif.

• Dynamique conversationnelle — 94,9 % et 97,3 %. La variante configurée Sol obtient le meilleur score de dynamique de l’ensemble, soit le chiffre qui correspond à « il est agréable de lui parler ».

• Achèvement de tâches agentiques (τ-Voice) — 74,5 % et 59,3 %. Tous deux dépassent largement les 30,1 % de G​emini 3.8 Live, ce à quoi on peut s’attendre de la part d’un modèle dont toute la prémisse de conception consiste à confier le travail à un backend capable.

• Arena Elo — 1027 et 1037.

• Taux de réussite des tâches — 87,4 % et 90,9 %.

• Délai avant le premier audio — 1,34 et 1,24 seconde. Plus lent que les 0,57 d’Eleven Realtime Max et plus lent que les 1,18 de G​emini 3.8 Live, mais la conception full-duplex signifie que l’attente perçue n’est pas la même chose que celle mesurée ; un modèle qui accuse réception pendant qu’il réfléchit ne donne pas l’impression d’avoir marqué une pause.

• Coût blended — 5,83 $ et 4,47 $ de l’heure selon la normalisation d’Artificial Analysis, contre une grille tarifaire de 0,05 $ par minute, soit 3,00 $ de l’heure pour la seule ligne vocale. Les chiffres plus élevés incluent les dépenses en tokens du backend, ce qui est la façon honnête de lire un modèle qui délègue le raisonnement.

Deux choses découlent de ces chiffres. Premièrement, la configuration compte autant que le modèle : le même G​PT Live 1 obtient 83,2 ou 80,1 selon le backend auquel vous le connectez, et 74,5 % ou 59,3 % sur les tâches agentiques. Une évaluation qui cite un seul chiffre sans préciser quel backend elle a utilisé ne vous dit presque rien. Deuxièmement, le leader de l’indice ici n’est pas le leader de l’arène — G​emini 3.8 Live l’emporte sur l’Elo, G​PT Live 1 l’emporte sur l’indice. Ces mesures évaluent des choses différentes, et aucune ne constitue un proxy pour votre charge de travail.

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

L’affirmation qui mérite d’être testée, et ce que son test coûte

« C’était très proche du modèle GPT Live. » Pris au pied de la lettre, c’est la déclaration la plus forte que quiconque ait faite à propos de MAI Realtime 1, et elle vient de quelqu’un qui n’a ni méthodologie publiée, ni enregistrements, ni ensemble de tâches. Il faut aussi être juste : c’est exactement ainsi que arrivent la plupart des premières impressions sur les modèles vocaux — la conversation en duplex intégral est difficile à noter et facile à ressentir, ce qui explique précisément pourquoi l’arène existe.

Le problème, c’est que cette affirmation n’est vérifiable qu’à moitié. Microsoft publie un seul chiffre de précision pour MAI Realtime 1 — 98,8 % sur Big Bench Audio, sur la page du modèle, évaluation réalisée par le fournisseur et non reproduite — aux côtés d’une fiche sur le temps jusqu’au premier audio en P50 et d’une légende « P50 Latency on BigBench Audio ». Il ne publie ni score τ-Voice, ni distribution de latence, ni liste de langues. Artificial Analysis ne répertorie pas MAI Realtime 1 au 18 novembre ; il n’existe donc aucune lecture indépendante de ces 98,8 % à mettre en regard des 90,1 % de GPT Live 1 : l’un est une évaluation du fournisseur lui-même, l’autre celle d’un tiers. La propre comparaison revendiquée par Microsoft cite GPT Realtime 2.1, un modèle différent de GPT Live 1 avec une structure tarifaire complètement différente, et même cette comparaison est publiée comme une position de frontière plutôt que sous forme de chiffres.

Donc la version utile de cette affirmation est un plan de test, pas un verdict. Quatre choses à exécuter, toutes peu coûteuses tant que l’aperçu n’est pas facturé :

Conversation en succession — les mêmes vingt appels enregistrés passés dans les deux modèles, notés à l’aveugle. C’est la seule façon de tester le « ressenti de proximité », et c’est le test que l’affirmation d’origine a omis.

• Interruption en cas de chevauchement — La conception full-duplex de G​PT Live 1 lui permet de parler et d’écouter en même temps. Testez si Realtime 1 gère réellement la parole simultanée ou se contente de gérer des interruptions nettes. Ce sont des capacités différentes, et une seule d’entre elles apparaît dans une démo.

• Latence d'escalade — au moment où Realtime 1 confie un tour à son moteur de raisonnement, mesurez la pause. L'affirmation de Microsoft est « {{1}}sans pauses gênantes{{/1}} », une affirmation de latence sans chiffre associé.

• Coût par appel abouti — pas par minute. Un modèle qui coûte cinq fois moins cher à la minute et nécessite deux tours de plus pour résoudre une demande ne revient pas à un cinquième du prix. C'est ce chiffre qui décide du duel, et aucun des deux fournisseurs ne le publie.

Où vont les cinq cents

Si les quatre centimes supplémentaires par minute de G​PT Live 1 ne vous apportent rien, ce n’est pas une décision à prendre. Mais ils apportent quelque chose de précis : un score agentique mesuré de 74,5 % face à une affirmation non mesurée, et une architecture full-duplex qui constitue une capacité différente de l’alternance des tours de parole plutôt qu’une version améliorée de celle-ci.

Ce que cela vous coûte au-delà du tarif, c’est le contrôle et la plomberie. G​PT Live 1 vous oblige à fournir et à payer un agent backend — ce qui représente un vrai travail et une vraie facture, mais aussi la raison pour laquelle sa configuration modifie ses scores. Vous choisissez le modèle de raisonnement ; vous voyez la consommation de tokens ; vous décidez de ce qui est escaladé. MAI Realtime 1 prend cette décision au sein du produit et facture 1,00 $ et 5,00 $ par million de tokens pour cela, sans vous dire à quelle fréquence cela se produit.

C’est cet arbitrage — la visibilité contre la commodité — qui justifie la place d’une passerelle. Les deux modèles finissent par solliciter des modèles de raisonnement, G​PT Live 1 par conception et MAI Realtime 1 en interne, et c’est cette couche de raisonnement qu’OrcaRouter achemine : 200+ modèles derrière une seule clé, au prix catalogue du fournisseur, avec 0 % de marge, de sorte que le backend qui décide de votre configuration G​PT Live 1 soit interchangeable sans second contrat, et avec un basculement automatique pour qu’un appel de raisonnement bloqué ne se transforme pas en silence au milieu d’une phrase. La fusion de modèles est l’autre levier à connaître ici — pour un agent vocal dont les tours difficiles sont ceux qui coûtent cher, un panel qui répond ensemble sur la voie d’escalade est un moyen d’acheter de la précision là où cela compte sans la payer à chaque tour.

Pour être exact sur la couverture : ni GPT Live 1 ni MAI Realtime 1 ne figurent dans le catalogue OrcaRouter. GPT Live 1 est le point de terminaison v1/live/sessions propre à OpenAI ; MAI Realtime 1 est la préversion à accès limité de MAI Labs et de Foundry. Ce qui se trouve derrière eux, c'est ce que nous proposons.

Le détail d'intégration qui détermine votre calendrier

GPT Live 1 a une intégration plus maladroite et une meilleure documentation. Son point de terminaison dédié v1/live/sessions signifie que rien de ce que vous avez construit pour l’API Realtime n’est transposable — il s’agit d’un nouveau modèle de session, et si le fait qu’il ne prenne pas en charge Chat Completions, Responses ou Realtime est la première chose indiquée dans sa documentation, ce n’est pas un hasard. Les limites de débit comptent les sessions simultanées, et non les jetons ; la planification de capacité est donc un exercice complètement différent : 50 sessions simultanées sur Build, 300 sur Launch, 500 sur Grow, aucun niveau gratuit.

MAI Realtime 1 est l’inverse : une interface compatible avec l’API Realtime d’OpenAI, ce qui constitue la phrase la plus utile de l’annonce de Microsoft. Si votre stack parle déjà ce protocole, l’évaluation se résume à une chaîne de modèle et à une URL de base. Le hic, c’est tout ce qui entoure l’interface — aucune liste de langues, aucune distribution de latence, aucun score τ-Voice, aucune date de GA, et une démo de deux minutes dans MAI Labs qui affichait « MAI Realtime is unavailable right now » au moment où nous avons vérifié.

L’asymétrie de calendrier est donc bien réelle. Avec GPT Live 1, vous pouvez intégrer dès cette semaine en vous appuyant sur une documentation publiée et un endpoint de production. Avec MAI Realtime 1, vous pouvez prototyper sur une compatibilité que vous comprenez, puis attendre une preview qui est gratuite précisément parce qu’elle n’est pas terminée.

A screenshot of OpenAI's GPT-Live-1 documentation captured 18 November 2026, showing the model page headline, the $0.05 per minute billed-per-second pricing, the v1/live/sessions endpoint, and the note that reasoning and tool work are handed off to a backend agent.

Le verdict, énoncé sous forme de pari

Choisissez G​PT Live 1 si l’expérience vocale est le produit et que vous voulez un backend que vous maîtrisez. Il affiche l’indice parole-parole le plus élevé de sa catégorie, la meilleure dynamique conversationnelle avec un backend de classe Sol, un score agentique qui surpasse tous les modèles non-OpenAI de la comparaison, à l’exception de Phonic 1 et G​rok Voice 3.0, et une documentation qui vous dit exactement ce qu’il fait. 5 cents la minute, c’est un chiffre concret, et vous pouvez le prévoir.

Misez sur MAI Realtime 1 si l'aspect économique est la contrainte et que vous avez du temps d'ingénierie à consacrer à la mesure plutôt qu'aux achats. Un centime par minute avec un aperçu non facturé et une interface compatible OpenAI est le moyen le moins coûteux possible de savoir si la conception à deux niveaux de Microsoft surpasse celle de votre application. Ce que vous acceptez, c'est que c'est vous qui produirez la distribution des latences, la valeur τ-Voice et la liste des langues, car Microsoft n'a publié aucun de ces éléments — et que son unique chiffre de précision, 98,8 % sur Big Bench Audio, vous arrive du fournisseur sans rien pour l'étayer.

La seule chose à ne pas faire, c’est de répéter l’affirmation selon laquelle « cela semble très proche » comme s’il s’agissait d’un résultat. Elle est peut-être vraie. La personne qui l’a formulée a peut-être bien raison, et si c’est le cas, cette confrontation cesse d’être intéressante, car le modèle le moins cher serait le meilleur sur l’axe qui compte le plus pour les utilisateurs. Mais une impression après une demi-journée n’est pas un taux de réussite des tâches, et le chiffre qui trancherait — la proportion d’appels réels que chaque modèle termine réellement — est précisément celui qu’aucun des deux fournisseurs n’a publié.

A generated two-column scoreboard titled 'MAI Realtime 1 vs GPT Live 1 — the scoreboard'. Left column MAI Realtime 1: voice price $0.01 plus tokens, speech index not published, agentic not published, dynamics not published, first audio P50 only. Right column GPT Live 1: $0.05 per minute, speech index 83.2 / 80.1, agentic 74.5% / 59.3%, dynamics 94.9% / 97.3%, first audio 1.34 s / 1.24 s. Footer reads 'GPT Live 1 per Artificial Analysis, two backends; MAI index and agentic scores unpublished.'