כרטיס כותרת שנוצר עבור Realtime 1 לעומת GPT Live 1 המציג $0.01 מול $0.05 לדקת שמע והערה שההשוואה „מרגיש קרוב מאוד” לא נבדקה, וכן לוגו של OrcaRouter.
Engineering & Research

Realtime 1 מול GPT Live 1: חמישה סנטים מול אחד, וטענה שאיש עדיין לא יכול לבדוק

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

חמישה סנט לדקה. זה מה ש-O​penAI גובה עבור G​PT Live 1 — מודל הקול הדו-כיווני המלא ש"יכול להקשיב ולדבר בו-זמנית", מחויב לפי שנייה בלי עיגול כלפי מעלה, כאשר המודל האחורי ושימוש בכלים מחויבים בנפרד. MAI Realtime 1, שהוכרז על ידי מיקרוסופט ב-17 בנובמבר 2026, עומד על סנט לדקה לפני שכבת החשיבה שלו. בלוח המחירים הפער הוא חמישה לאחד, ואדם אחד שהשתמש בשניהם סיפר לאינטרנט ש-Realtime 1 "הרגיש קרוב מאוד למודל G​PT Live". המשפט הזה הוא הדבר המעניין ביותר בהתמודדות הזו והפחות ניתן לאימות, משום שיש בדיוק דרך אחת להכריע במחלוקת, ואף גורם עצמאי לא הריץ את המבחן שיעשה זאת.

אז צריך להתייחס לזה כשתי שאלות ולא כאחת. האם מודל של סנט לדקה גרוע פי חמישה? ומה בעצם נותן הפרופיל הנמדד של G​PT Live 1 שמודל זול יותר יצטרך להשתוות אליו? לשאלה השנייה יש תשובות. לראשונה אין, עדיין.

הארכיטקטורות אינן בעלות אותה צורה

G​PT Live 1 הוא יוצא דופן, והתיעוד שלו אומר זאת בפשטות. זהו מודל דופלקס מלא — מאזין ומדבר בו-זמנית, במקום להחליף תורות — והוא אינו מנסה לבצע את ההסקה בעצמו. הוא „מעביר את ההסקה ואת עבודת הכלים לסוכן back-end”, שנגיש רק דרך v1/live/sessions, ללא תמיכה בנקודות קצה Chat Completions, Responses או Realtime. הוא מקבל ומוציא אודיו וטקסט, תומך בסטרימינג ובקריאה לפונקציות, ואינו מקבל תמונות או וידאו.

• G​PT Live 1 — קצה קדמי בדופלקס מלא, כשההסקה מואצלת לכל סוכן backend שתחבר אליו. מגבלות של 50 סשנים במקביל ב-Build, 300 ב-Launch ו-500 ב-Grow. אין מסלול חינמי.

• MAI Realtime 1 — דיבור לדיבור עם מסלול מהיר ורמת הנמקה פנימית. Microsoft מחייבת 1.00 דולר לכל מיליון טוקני קלט ו-5.00 דולר לכל מיליון טוקני פלט. החיוב בצד השיחתי הוא לפי דקת אודיו. ללא חיוב ב-Preview עד ל-public preview.

שניהם, למעשה, מערכות דו-חלקיות. ההבדל הוא מי הבעלים של החלק השני. עם GPT Live 1 הוא במפורש שלך: אתה בוחר את סוכן ה-backend, אתה משלם על הטוקנים שלו בנפרד, ואתה רואה את התפר. עם MAI Realtime 1 ההעברה מתבצעת בתוך המוצר ובדף התמחור, והחלטת הניתוב אינה משהו שאתה מגדיר.

ההבדל העיצובי היחיד הזה מסביר את רוב פער המחירים. O​penAI גובה 0.05 דולר לדקה עבור אוזן ופה טובים מאוד. Microsoft גובה 0.01 דולר עבור אוזן ופה סבירים בתוספת מנתב פנימי, ומרוויחה מהחשיבה באמצעות מד הטוקנים.

מה שהמדידות של G​PT Live 1 באמת מראות

G​PT Live 1 נמצא פעמיים בלוח ה-speech-to-speech של Artificial Analysis, כי סוכן ה-backend שאתה מחבר משנה את התוצאה:

• מדד דיבור-לדיבור — 83.2 עם backend מסוג Astra ברמה בינונית, 80.1 עם backend מסוג Sol ברמה נמוכה. שניהם מעל 74.5 של G​emini 3.8 Live והרבה מעל 77.3 של Eleven Realtime Max, מה שהופך את G​PT Live 1 למודל בעל המדד הגבוה ביותר בקבוצת ההשוואה הזו.

• הסקה מדיבור (Big Bench Audio) — 90.1% ו-89.0% בהתאמה. לא בראש הטבלה — Eleven Realtime Max משיג 98.8% — אך תחרותי בהחלט.

• דינמיקה שיחתית — 94.9% ו-97.3%. הווריאנט המוגדר Sol הוא ציון הדינמיקה הטוב ביותר בקבוצה, וזה המספר שמתאים ל"מרגיש טוב לדבר איתו".

• השלמת משימות אג'נטיות (τ-Voice) — 74.5% ו-59.3%. שתיהן עוקפות בפער ניכר את 30.1% של Gemini 3.8 Live, כפי שהייתם מצפים ממודל שכל הנחת היסוד של תכנונו היא להעביר עבודה ל-backend בעל יכולות.

• Arena Elo — 1027 ו-1037.

• שיעור הצלחת המשימות — 87.4% ו-90.9%.

• זמן עד לאודיו הראשון — 1.34 ו-1.24 שניות. איטי יותר מ-0.57 של Eleven Realtime Max, ואיטי יותר מ-1.18 של G​emini 3.8 Live, אך תכנון הדופלקס המלא גורם לכך שההמתנה הנתפסת אינה זהה לזו הנמדדת; מודל שמאשר בזמן שהוא חושב לא מרגיש כאילו עצר.

• עלות משולבת — 5.83$ ו-4.47$ לשעה לפי הנרמול של Artificial Analysis, לעומת מחירון של 0.05$ לדקה, שהם 3.00$ לשעה עבור קו הקול בלבד. הנתונים הגבוהים יותר כוללים את הוצאת הטוקנים בצד השרת, וזו הדרך הכנה לקרוא מודל שמאציל את תהליך החשיבה.

שני דברים נובעים מהמספרים האלה. ראשית, התצורה חשובה לא פחות מהמודל: אותו G​PT Live 1 משיג 83.2 או 80.1 בהתאם ל-backend שאליו מפנים אותו, ו-74.5% או 59.3% במשימות סוכניות. סקירה שמצטטת מספר אחד בלי לומר באיזה backend השתמשה כמעט ולא אומרת לך דבר. שנית, מוביל האינדקס כאן אינו מוביל הזירה — G​emini 3.8 Live מנצח ב-Elo, G​PT Live 1 מנצח באינדקס. אלה מודדים דברים שונים, ואף אחד מהם אינו מדד עקיף לעומס העבודה שלך.

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.

הטענה ששווה לבחון, ומה עולה לבחון אותה

"זה הרגיש קרוב מאוד למודל GPT Live." אם לוקחים את זה כפשוטו, זה הדבר החזק ביותר שמישהו אמר על MAI Realtime 1, והוא מגיע ממישהו שאין לו מתודולוגיה מפורסמת, בלי הקלטות ובלי סט משימות. ולמען ההגינות, זה גם בדיוק האופן שבו מגיעות רוב ההתרשמויות המוקדמות ממודלי קול — קשה לדרג שיחה בדופלקס מלא וקל להרגיש אותה, וזו בדיוק הסיבה שהזירה קיימת מלכתחילה.

הצרה היא שהטענה ניתנת לבדיקה חלקית בלבד. מיקרוסופט מפרסמת נתון דיוק אחד עבור MAI Realtime 1 — {{1}}98.8%{{/1}} ב-Big Bench Audio, בעמוד הדגם, בהרצת הספק וללא שחזור — לצד כרטיס {{2}}P50 לזמן עד לאודיו הראשון{{/2}} וכיתוב {{3}}"השהיית P50 ב-BigBench Audio"{{/3}}. היא אינה מפרסמת ציון {{4}}τ-Voice{{/4}}, התפלגות השהיה או רשימת שפות. Artificial Analysis אינה כוללת את MAI Realtime 1 נכון ל-{{5}}18 בנובמבר{{/5}}, ולכן אין קריאה בלתי־תלויה של אותו {{6}}98.8%{{/6}} להעמיד לצד {{7}}ה-90.1% של G​PT Live 1{{/7}}: האחד הוא הערכה של הספק עצמו, והאחר של צד שלישי. הטענה ההשוואתית של מיקרוסופט עצמה נוקבת בשם {{8}}G​PT Realtime 2.1{{/8}}, דגם שונה מ-{{9}}G​PT Live 1{{/9}} עם מבנה מחירים שונה לחלוטין, וגם השוואה זו מתפרסמת כעמדת חזית ולא כמספרים.

אז הגרסה השימושית של הטענה היא תוכנית בדיקה, לא פסק דין. ארבעה דברים להריץ, וכולם זולים כל עוד התצוגה המקדימה ללא חיוב:

שיחה צמודה — אותן עשרים שיחות מוקלטות דרך שני המודלים, עם ניקוד עיוור. זו הדרך היחידה לבחון אם זה "מרגיש קרוב", וזה המבחן שהטענה המקורית פסחה עליו.

• קטיעה בחפיפה — העיצוב הדופלקסי המלא של G​PT Live 1 מאפשר לו לדבר ולהקשיב בו-זמנית. בדקו אם Realtime 1 באמת מתמודד עם דיבור בו-זמני או רק עם קטיעות נקיות. אלו יכולות שונות, ורק אחת מהן באה לידי ביטוי בהדגמה.

• השהיית הסלמה — ברגע ש-Realtime 1 מעביר תור למנוע החשיבה שלו, מדוד את ההפסקה. הטענה של Microsoft היא "ללא הפסקות מביכות", וזו טענת השהיה בלי מספר מצורף.

• עלות לשיחה שהושלמה — לא לדקה. מודל שעולה חמישית מזה לדקה וזקוק לשני סבבים נוספים כדי לפתור בקשה אינו עולה חמישית מהמחיר. זהו המספר שמכריע את ההתמודדות, ואף אחד מהספקים לא מפרסם אותו.

לאן הולכים חמשת הסנטים

אם ארבעת הסנטים הנוספים לדקה של G​PT Live 1 לא קונים לך דבר, זו לא החלטה. אבל הם קונים משהו ספציפי: ציון יכולת סוכנית מדוד של 74.5% לעומת טענה שלא נמדדה, וארכיטקטורת דופלקס מלא שהיא יכולת שונה מתורנות ולא גרסה משופרת שלה.

מה שזה עולה לך מעבר לתעריף הוא שליטה ותשתית חיבור. G​PT Live 1 מחייב אותך לספק ולשלם עבור סוכן backend — שזו עבודה אמיתית וחשבון אמיתי, אבל גם הסיבה שהתצורה שלו משנה את הציונים שלו. אתה בוחר את מודל ההיסק; אתה רואה את הוצאת הטוקנים; אתה מחליט מה עובר הסלמה. MAI Realtime 1 מקבל את ההחלטה הזו בתוך המוצר וגובה עבורה $1.00 ו-$5.00 למיליון טוקנים, בלי לומר לך באיזו תדירות זה קורה.

הפשרה הזו — נראות מול נוחות — היא המקום שבו שער גישה מצדיק את מקומו. שני המודלים בסופו של דבר פונים למודלי הסקה, G​PT Live 1 מלכתחילה ו-MAI Realtime 1 באופן פנימי, ושכבת ההסקה הזו היא החלק ש-OrcaRouter מנתב: 200+ מודלים מאחורי מפתח יחיד במחיר המחירון של הספק עם 0% תוספת מחיר, כך שה-backend שקובע את תצורת ה-G​PT Live 1 שלך ניתן להחלפה בלי חוזה נוסף, וכן failover אוטומטי כדי שקריאת הסקה שנתקעה לא תהפוך לדממה באמצע משפט. היתוך מודלים הוא המנוף הנוסף שכדאי להכיר כאן — עבור סוכן קולי שהתורים הקשים שלו הם היקרים, פאנל שמשיב יחד במסלול האסקלציה הוא דרך לקנות דיוק במקום שבו זה חשוב בלי לשלם על כך בכל תור.

ליתר דיוק לגבי הכיסוי: לא G​PT Live 1 ולא MAI Realtime 1 נמצאים בקטלוג של OrcaRouter. G​PT Live 1 הוא נקודת הקצה v1/live/sessions של O​penAI עצמה; MAI Realtime 1 הוא תצוגה מקדימה בגישה מוגבלת של MAI Labs ו-Foundry. מה שעומד מאחוריהם הוא מה שאנחנו מספקים.

פרט האינטגרציה שקובע את לוח הזמנים שלך

ל-GPT Live 1 יש את האינטגרציה המסורבלת יותר ואת התיעוד הטוב יותר. נקודת הקצה הייעודית v1/live/sessions שלו פירושה ששום דבר שבניתם מול Realtime API לא עובר — זהו מודל סשנים חדש, והעובדה שהוא אינו תומך ב-Chat Completions, Responses או Realtime היא הדבר הראשון בתיעוד שלו, ולא במקרה. מגבלות הקצב סופרות סשנים מקבילים, לא טוקנים, ולכן תכנון הקיבולת הוא תרגיל אחר לגמרי: 50 סשנים מקבילים ב-Build, 300 ב-Launch, 500 ב-Grow, ללא מסלול חינמי.

MAI Realtime 1 הוא ההיפך: ממשק תואם OpenAI Realtime API, וזהו המשפט השימושי ביותר בהודעה של מיקרוסופט. אם הסטאק שלך כבר מדבר בפרוטוקול הזה, ההערכה היא מחרוזת מודל וכתובת URL בסיסית. המלכוד הוא כל מה שסביב הממשק — אין רשימת שפות, אין התפלגות השהיה, אין ציון τ-Voice, אין תאריך GA, ודמו בן שתי דקות ב-MAI Labs שהציג את ההודעה "MAI Realtime אינו זמין כרגע" כשבדקנו.

אז חוסר הסימטריה בציר הזמן הוא אמיתי. את G​PT Live 1 אפשר לשלב כבר השבוע מול תיעוד שפורסם ונקודת קצה בסביבת ייצור. את MAI Realtime 1 אפשר לתאר כאב-טיפוס מול תאימות שאתם מבינים, ואז להמתין לתצוגה מקדימה שהיא חינמית בדיוק משום שהיא אינה גמורה.

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.

פסק הדין, מנוסח כהימור

בחר ב-G​PT Live 1 אם חוויית הקול היא המוצר ואתה רוצה backend שאתה שולט בו. יש לו מדד דיבור-לדיבור הגבוה ביותר בקטגוריה שלו, הדינמיקה השיחתית הטובה ביותר עם backend ברמת Sol, ציון סוכני שעוקף כל מודל שאינו של OpenAI בהשוואה מלבד Phonic 1 ו-Grok Voice 3.0, ותיעוד שמספר לך בדיוק מה הוא עושה. חמישה סנט לדקה הוא מספר אמיתי שאפשר לתכנן לפיו.

הימרו על MAI Realtime 1 אם הכלכלה היא האילוץ ויש לכם זמן הנדסי להשקיע במדידה ולא ברכש. סנט לדקה עם תצוגה מקדימה ללא חיוב וממשק תואם OpenAI הוא הדרך הזולה ביותר לגלות אם התכנון הדו-שכבתי של Microsoft גובר על זה שבצד האפליקציה שלכם. מה שאתם מקבלים על עצמכם הוא שתהיו אלה שמייצרים את התפלגות השהיה, את נתון τ-Voice ואת רשימת השפות, מפני ש-Microsoft לא פרסמה אף אחד מהם — ושנתון הדיוק היחיד שלה, 98.8% ב-Big Bench Audio, מגיע מהספק בלי שדבר עומד מאחוריו.

הדבר היחיד שאסור לעשות הוא לחזור על הטענה ש„מרגיש ממש קרוב” כאילו הייתה תוצאה. ייתכן שהיא נכונה. מי שאמר אותה עשוי בהחלט לצדוק, ואם כך, ההשוואה הזו מפסיקה להיות מעניינת, כי המודל הזול יותר יהיה הטוב יותר בציר החשוב ביותר למשתמשים. אבל תחושה מאחר צהריים אינה שיעור השלמת משימות, והמספר שיכריע את העניין — איזה חלק מהשיחות האמיתיות כל מודל באמת מסיים — הוא המספר היחיד שאף אחד משני הספקים לא פרסם.

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.'