GPT-Live-1 מול Eleven v4: יחידת החיוב מחליטה לפני שהקול מחליט

הצב את GPT-Live-1 ואת Eleven v4 זה לצד זה, וההבדל הראשון שתפגוש אינו מדד. הוא יחידת חיוב. GPT-Live-1 גובה $0.05 עבור כל דקה שהסשן פתוח. Eleven v4 גובה $0.08 עבור כל אלף תווים שהסוכן למעשה אומר. מונה אחד פועל לפי השעון, והשני לפי התסריט, ואיזה מהם כדאי לך לקנות נובע מכך עוד לפני שאף אחד מהמודלים מוציא הברה.

ההבחנה הזו הולכת לאיבוד ברוב ההשוואות, שנוטות להציב מדד speech-to-speech לצד Elo של text-to-speech ולכנות את זה השוואה ראש בראש. זה לא. הנה מה שני המוצרים באמת, מה המספרים הקיימים יכולים ולא יכולים לספר לכם, והחשבון שפותר את זה עבור קו תמיכה, ספר אודיו, והמקרים המסורבלים שביניהם.

שני מוצרים, שתי עבודות

GPT-Live-1 הוא מודל הדיבור הדו-כיווני המלא של OpenAI, זמין ב-API מאז 10 בספטמבר 2026. הוא מקשיב בזמן שהוא מדבר, מחליט כמה פעמים בשנייה אם לפנות את רשות הדיבור, ומאציל את החשיבה למודל טקסט נפרד כששאלה דורשת זאת. יש לו בדיוק נקודת קצה אחת — v1/live/sessions — ולא ממשק Chat Completions או Realtime, כלומר זה אינו מזהה מודל שמחליפים באינטגרציית Realtime קיימת; זהו סשן שפותחים.

Eleven v4 הוא מודל טקסט לדיבור, שיצא לאור ב-28 בספטמבר 2026 לצד v4 Turbo בעל השהיה נמוכה. מוסרים לו טקסט, והוא מחזיר אודיו באחת מיותר מ-90 שפות, עם שיבוט קול מיידי של 10 שניות, תגי אודיו מוטמעים לרגש ולקצב, ותקרת בקשה של 10,000 תווים. אין לו אוזניים. הוא אינו יכול לשמוע את המתקשר, להבחין שקטעו אותו, או להחליט לעצור משום שהמשפט לא נשמע טוב.

האסימטריה הזו היא כל הסיפור. סוכן קולי שנבנה על Eleven v4 הוא צינור עיבוד: תמלול, חשיבה, דיבור. סוכן קולי שנבנה על GPT-Live-1 הוא מודל אחד שאליו מצורף מודל טקסט כיועץ. צינור העיבוד זול יותר וניתן לשליטה רבה יותר. המודל מקצה לקצה טבעי יותר והרבה יותר קשה להפריע לו. אלה מוצרים שונים לחדרים שונים, לא מימושים מתחרים של אותו מוצר.

מה שלוחות הדירוג יכולים לומר בכנות

אין לוח תוצאות יחיד שבו השניים מתחרים, וכל מי שמראה לך אחד כזה משווה ציונים שאינם ניתנים להשוואה. ב-Provider Voice Arena של Artificial Analysis — קולות מקוריים, העדפה עיוורת, נתונים שנאספו ב-29 באוקטובר 2026 — Eleven v4 ניצב על 1334 אלו, שני בשדה, כש-v4 Turbo עם 1336 תופס את המקום הראשון. איש אינו חולק שאיכות הקול מצוינת: 91.7% חוסן בהגייה במדידה של אותה מעבדה, החזק ביותר מבין הדגמים המסחריים הגדולים בהשקה.

GPT-Live-1 כלל אינו מופיע בלוח הזה, משום שהוא אינו מייצר text-to-speech במובן שהלוח מודד. הוא מופיע ב-Speech Agent Arena, שמדרג העדפה עיוורת על פני שיחות שלמות בסגנון הזמנה. שם, GPT-Live-1 (Astra, medium) נמצא ב-1037 Elo עם שיעור הצלחה במשימה של 87.4%, והתצורה Sol-low ב-1041 עם 90.9%. במדד Speech-to-Speech Index — תערובת משוקללת של הסקה, ביצועים סוכניים, העדפת זירה והצלחת משימה — הוא מקבל 83.2, שני מבין 21 מודלים מדורגים.

ההשוואה שבאמת תקפה היא GPT-Live-1 מול מוצרי השיחה של Eleven, ולא מול מודל ה-TTS שלה. באותה זירה, Eleven Realtime v1 Max משיג 1003 עם 87.1% הצלחה במשימות, ומערך ברירת המחדל מסוג cascade של ElevenLabs Agents משיג 989 עם 90.5%. לכן המודל מקצה לקצה מוביל על האלטרנטיבה בזמן אמת בכ-35–50 Elo, ומערך הסוכנים ה-cascaded נמצא נמוך בכ-50 נקודות עם שיעור הצלחה מעט טוב יותר. המספרים האלה קרובים מספיק כדי שטלפוניה, עיצוב פרומפט ורעש רקע של פריסה בודדת יקבעו את התוצאה, ולא לוח הדירוג.

הסתייגות כנה נוספת: הנתונים של GPT-Live-1 נושאים תווית תצורה. החשיבה שלו נעשית על ידי backend בעל שם, ותצורות Astra-medium ו-Sol-low מקבלות ציונים שונים משום שהן מאצילות באופן שונה. המספרים של Eleven נושאים תווית מוצר במקום. אף אחד מהם אינו ניסוי מבוקר מול האחר.

החשבון, בשיחה בת שלוש דקות

קחו שיחת תמיכה נכנסת שבה הסוכן מדבר 900 תווים בדקה — קצב מהיר אך רגיל — והמתקשר מדבר במשך כ-40% משלוש הדקות.

• GPT-Live-1 — שלוש דקות ב-$0.05 מסתכמות ב-$0.15, בתוספת מודל הטקסט הבקאנד עבור כל הסקה שהשיחה חייבה. לדקה: $0.050.

• Eleven v4 — הסוכן מדבר בערך 1,620 תווים, כך ש-1.62 × $0.08 = $0.13, בתוספת תמלול ומודל השפה שלך. לדקה: כ-$0.043 לפני STT ו-LLM.

• Eleven v4 Turbo — אותם 1,620 תווים ב-$0.04 לאלף: $0.065, או בערך $0.022 לדקה לפני STT ו-LLM.

Turbo זול יותר מ-GPT-Live-1 גם אחרי שמוסיפים שלב של דיבור לטקסט ומודל שפה צנוע, וזו הסיבה שהקסקייד ממשיך לנצח בסקירות עלויות. אבל ההשוואה משתנה ברגע שהמתקשר מדבר יותר מהסוכן. כל שנייה שבה האדם מדבר במונולוג היא שנייה ש-Eleven v4 לא גובה עליה דבר ו-GPT-Live-1 גובה עליה תעריף מלא — כולל השקט בזמן שמישהו קורא מספר פוליסה מכרטיס, וכולל ההמתנה בזמן שהבקאנד שלך חושב.

זה לא הבדל של עיגול מספרים. בקו שבו הסוכן מדבר 30% מהזמן, חשבון ה-TTS יורד בשני שלישים בעוד שהחיוב לפי דקה לא זז בכלל. הדקה הקבועה היא הימור שהמתקשרים שלך ידברו, והיא משתלמת בדיוק כשהם עושים זאת.

החשבון, על קריינות בת ארבעים דקות

עכשיו אותם שני המודלים על פרק של ספר שמע — 36,000 תווים, דובר אחד, ללא הפרעות, ללא הסקה, נדרש פלט דטרמיניסטי.

• Eleven v4 — 36 × $0.08 = $2.88 עבור הפרק, ותוכל ליצור מחדש פסקה בודדת בתשעה סנט כאשר ההגייה שגויה.

• GPT-Live-1 — 40 דקות ב-$0.05 = $2.00, ולא ניתן ליצור מחדש פסקה, משום שיחידת העבודה היא סשן חי ולא קטע טקסט.

GPT-Live-1 נראה זול יותר והוא הכלי הלא נכון. אין לו דרך מתועדת לקבל תסריט באורך 36,000 תווים ולהחזיר קובץ דטרמיניסטי; זהו ממשק שיחה, ושיחה עם ספר אינה קריינות. הכרעת האמת בשורה הזו אינה "Live עולה פחות", אלא "המודל הזה לא מבצע את העבודה הזו".

איפה שהמודל לפי דקה באמת מצדיק את הפרמיה שלו

שלושה מצבים מצדיקים זאת, ולכולם תכונה אחת משותפת: האדם מחזיק ברצפת הדיבור למשכי זמן בלתי צפויים.

• קליטה מרובת קטיעות — תביעות ביטוח, מיון קליני, כל מקרה שבו המתקשר מתקן את עצמו באמצע המשפט. מפל חייב לזהות את הקטיעה, לעצור את ההשמעה ולחזור ללולאה; GPT-Live-1 כבר מקשיב.

• הזמנות ושיגור — תורות קצרים, הלוך ושוב מהיר, שימוש כבד בקריאת כלים. הנתונים של OpenAI עצמה טוענים לדיוק של 87% בקריאת כלים במודל הזה, לעומת 60% בדור ה-Realtime שהוא מחליף, ואלה נתונים שמדווחים על ידי הספק, ולא שוחזרו באופן עצמאי.

• בכל מקום שבו השהיה היא המוצר — תור של 0.8 שניות לעומת תור של 1.4 שניות הוא ההבדל בין שיחה לבין ווקי-טוקי. גם לפי דיווח הספק.

ושלושה מצבים טוענים כנגד זה:

• קריינות, קריאה בקול רם, ספרי אודיו, דיבוב לווידאו — טקסט נכנס, קובץ יוצא, בלי צורך באוזן.

• קול מותג — השיבוט של Eleven v4 הוא תכונת מוצר עם הסתייגות של אימון מחדש; GPT-Live-1 משתמש בקולות מודל קבועים, כך ש"קול המייסד שלנו" לא נמצא בתפריט.

• שתיקות ארוכות — מוזיקת המתנה, קווים מושתקים, נציגים שממתינים ל-backend איטי. כל אחת מהשניות האלה מחויבת.

גם ההגירה אינה סימטרית

המעבר ל-Eleven v4 מ-v3 הוא שינוי של model-id יחד עם הסתייגות: קולות משוכפלים קיימים זקוקים לאימון מחדש, ו-SSML מוחלף בתגי אודיו מוטמעים, כך שכל מה שהפיק SSML חייב להיכתב מחדש. מעצבן, אבל מוכל בתוך שכבת ה-TTS שלך.

מעבר ל-GPT-Live-1 מאינטגרציית Realtime הוא בנייה מחדש. נקודת קצה אחרת, סמנטיקת סשן אחרת, יחידת חיוב אחרת, ואין שכבת תאימות. הקצו תקציב לשכבת האורקסטרציה, ולא רק להחלפה — ושימו לב שרוב פלטפורמות סוכני הקול של צד שלישי עדיין אינן מציגות את GPT-Live-1 כספק לבחירה, כך שסביר שתכתבו בעצמכם את שכבת הדבק של הטלפוניה.

אילו שינויים בניתוב חלים על ההחלטה הזו?

לא משנה באיזה נתיב תבחרו, ההחלטה אינה הכול-או-כלום בכל הסטאק שלכם. שכבת הקול היא היחידה שנשארת ספציפית לספק: OrcaRouter אינו מספק את GPT-Live-1, ומודל סינתזת דיבור כמו Eleven v4 הוא חוזה נפרד בכל מקום שבו תקנו אותו. מה שנמצא מאחורי שכבת הקול הוא עניין אחר — קריאות החשיבה, מודל קריאת הכלים, מסלול הגיבוי כשספק מתדרדר, כולם עוברים דרך מפתח אחד ב-OrcaRouter, על פני יותר מ-200 מודלים כולל GPT-6 Astra, GPT-5.6 Terra ו-GPT-5.6 Sol, הדרגים שאליהם GPT-Live-1 מפנה.

הפיצול הזה הוא הגרסה המעשית של ההשוואה הזו. שכרו את האוזן ממי שיש לו את הטובה ביותר ברבעון הזה, והשאירו את המוח ניתן לניתוב כך שהורדת מחיר, תקלה או מודל טוב יותר לא יחייבו נגיעה בחלק שהמשתמשים שלכם שומעים. מחירי המחירון של הספקים מועברים הלאה ללא תוספת רווח של 0%, כך שהורדת מחיר של ספק בשכבת החשיבה תופיע בחשבונית שלכם באותו יום שבו היא מוכרזת.

בחר לפי צורת השיחה

אם המשתמשים שלך קוטעים, מתקנים את עצמם ומצפים שהסוכן ידע מתי להפסיק לדבר, GPT-Live-1 במחיר $0.05 לדקה הוא המוצר הטוב יותר וכנראה גם הקנייה הטובה יותר — המחיר הפרימיום קונה התנהגות שאי אפשר להשיג מ-pipeline בכל מחיר. אם המשתמשים שלך מקשיבים ולא מדברים, Eleven v4 או v4 Turbo זולים יותר לכל מילה שנמסרת, ניתנים לשליטה רבה יותר, ניתנים לשכפול למותג שלך, והם התשובה הנכונה; ה-1334 Elo הוא בונוס נוסף על כך.

מצב הכשל שיש להימנע ממנו הוא בחירה לפי מיקום בטבלת הדירוג. ה־1334 של v4 וה־83.2 של Live מודדים דברים שונים בסולמות שונים, וצוות שבוחר ביניהם על סמך שני המספרים האלה בוחר בין סרגל למדחום.