GPT-Live-1 vs Eleven v4: Unit Penagihan Menentukan Sebelum Suara

Letakkan GPT-Live-1 dan Eleven v4berdampingan, dan perbedaan pertama yang Anda temui bukanlah tolok ukur. Itu adalah satuan. GPT-Live-1 mengenakan biaya $0,05 untuk setiap menit sesi dibuka. Eleven v4 mengenakan biaya $0,08 untuk setiap seribu karakter yang benar-benar diucapkan agen. Satu pengukur berjalan berdasarkan waktu, yang lain berdasarkan naskah, dan mana yang harus Anda beli mengikuti hal itu sebelum salah satu model menghasilkan satu suku kata pun.

Perbedaan itu hilang dalam sebagian besar perbandingan, yang cenderung menyejajarkan indeks speech-to-speech dengan Elo text-to-speech lalu menyebutnya adu langsung. Tidak begitu. Berikut adalah apa sebenarnya kedua produk tersebut, apa yang dapat dan tidak dapat diberitahukan oleh angka-angka yang ada, serta perhitungan yang menyelesaikannya untuk saluran dukungan, buku audio, dan kasus-kasus canggung di antaranya.

Dua produk, dua pekerjaan

GPT-Live-1 adalah model ucapan full-duplex OpenAI, yang tersedia di API sejak 10 September 2026. Model ini mendengarkan sambil berbicara, memutuskan berkali-kali dalam satu detik apakah akan menyerahkan giliran bicara, dan mendelegasikan penalaran ke model teks terpisah ketika sebuah pertanyaan membutuhkannya. Model ini memiliki tepat satu endpoint — v1/live/sessions — dan tidak memiliki permukaan Chat Completions atau Realtime, yang berarti ini bukanlah id model yang bisa Anda tukar ke dalam integrasi Realtime yang sudah ada; ini adalah sesi yang Anda buka.

Eleven v4 adalah model text-to-speech, dirilis 28 September 2026 bersamaan dengan v4 Turbo berlatensi rendah. Anda memberinya teks, ia mengembalikan audio dalam salah satu dari lebih dari 90 bahasa, dengan kloning suara instan 10 detik, tag audio inline untuk emosi dan tempo, serta batas permintaan 10.000 karakter. Ia tidak memiliki telinga. Ia tidak dapat mendengar penelepon, menyadari bahwa mereka menyela, atau memutuskan untuk berhenti karena kalimatnya terdengar kurang tepat.

Asimetri itulah inti keseluruhannya. Agen suara yang dibangun di atas Eleven v4 adalah sebuah pipeline: transkripsi, berpikir, berbicara. Agen suara yang dibangun di atas GPT-Live-1 adalah satu model dengan model teks yang dilampirkan sebagai konsultan. Pipeline lebih murah dan lebih mudah dikendalikan. Model end-to-end lebih natural dan jauh lebih sulit untuk diinterupsi. Itu adalah produk yang berbeda untuk ruangan yang berbeda, bukan implementasi yang saling bersaing dari produk yang sama.

Apa yang bisa dikatakan papan peringkat dengan jujur

Tidak ada satu papan peringkat pun tempat keduanya bersaing, dan siapa pun yang menunjukkan satu kepada Anda sedang membandingkan skor yang tidak sebanding. Di Provider Voice Arena milik Artificial Analysis — suara native, preferensi buta, direkam pada 29 Oktober 2026 — Eleven v4 berada di 1334 Elo, peringkat kedua dari seluruh peserta, dengan v4 Turbo di 1336 mengambil posisi pertama. Tidak ada yang membantah bahwa kualitas suaranya sangat baik: 91,7% ketangguhan pelafalan dalam pengukuran lab tersebut, yang terkuat di antara model komersial utama saat peluncuran.

GPT-Live-1 tidak muncul sama sekali di papan tersebut, karena model ini tidak menghasilkan text-to-speech dalam pengertian yang diukur oleh papan itu. Model ini muncul di Speech Agent Arena, yang menilai preferensi secara buta atas percakapan lengkap bergaya pemesanan. Di sana, GPT-Live-1 (Astra, medium) berada pada 1037 Elo dengan tingkat keberhasilan tugas 87,4%, dan konfigurasi Sol-low pada 1041 dengan 90,9%. Pada Speech-to-Speech Index — campuran berbobot dari penalaran, kinerja agentik, preferensi arena, dan keberhasilan tugas — model ini memperoleh skor 83,2, peringkat kedua dari 21 model yang dinilai.

Perbandingan yang sebenarnya relevan adalah GPT-Live-1 dengan produk percakapan Eleven, bukan dengan model TTS-nya. Di arena yang sama, Eleven Realtime v1 Max memperoleh skor 1003 dengan tingkat keberhasilan tugas 87,1%, dan kaskade default ElevenLabs Agents memperoleh skor 989 dengan 90,5%. Jadi model end-to-end unggul sekitar 35–50 Elo atas alternatif realtime, dan tumpukan agen berkaskade berada sekitar 50 poin lebih rendah dengan tingkat keberhasilan yang sedikit lebih baik. Angka-angka itu cukup berdekatan sehingga hasil akhirnya akan ditentukan oleh teleponi, desain prompt, dan kebisingan latar dalam satu penerapan, bukan oleh papan skor.

Satu catatan jujur lagi: angka-angka GPT-Live-1 membawa label konfigurasi. Penalaran untuknya dilakukan oleh backend yang disebutkan namanya, dan konfigurasi Astra-medium serta Sol-low memperoleh skor berbeda karena cara mereka mendelegasikan tugas berbeda. Angka-angka Eleven membawa label produk. Tidak satu pun merupakan eksperimen terkontrol yang membandingkan yang satu dengan yang lain.

Perhitungannya, dalam panggilan tiga menit

Ambil contoh panggilan dukungan masuk di mana agen berbicara 900 karakter per menit — tempo yang cepat tetapi wajar — dan penelepon berbicara sekitar 40% dari tiga menit tersebut.

• GPT-Live-1 — tiga menit dengan tarif $0.05 menjadi $0.15, ditambah model teks backend untuk penalaran apa pun yang dibutuhkan panggilan tersebut. Per menit: $0.050.

• Eleven v4 — agen berbicara sekitar 1.620 karakter, jadi 1,62 × $0,08 = $0,13, ditambah transkripsi dan model bahasa Anda sendiri. Per menit: sekitar $0,043 sebelum STT dan LLM.

• Eleven v4 Turbo — 1.620 karakter yang sama dengan tarif $0,04 per seribu: $0,065, atau kira-kira $0,022 per menit sebelum STT dan LLM.

Turbo lebih murah daripada GPT-Live-1 bahkan setelah Anda menambahkan tahap speech-to-text dan model bahasa yang sederhana; itulah sebabnya cascade terus unggul dalam tinjauan biaya. Namun perbandingannya berubah begitu pemanggil berbicara lebih banyak daripada agen. Setiap detik saat manusia berbicara panjang lebar adalah detik ketika Eleven v4 tidak menagih apa pun dan GPT-Live-1 menagih tarif penuh — termasuk keheningan saat seseorang membaca nomor polis dari kartu, dan termasuk waktu tunggu saat backend Anda sedang berpikir.

Itu bukan perbedaan pembulatan. Pada saluran tempat agen berbicara 30% dari waktu, tagihan TTS turun dua pertiga sementara tagihan per menit tidak bergerak sama sekali. Menit tetap adalah taruhan bahwa penelepon Anda akan berbicara, dan taruhan itu terbayar tepat ketika mereka melakukannya.

Perhitungan, atas narasi berdurasi empat puluh menit

Sekarang dua model yang sama pada sebuah bab buku audio — 36.000 karakter, satu pembicara, tanpa interupsi, tanpa penalaran, keluaran deterministik diperlukan.

• Eleven v4 — 36 × $0,08 = $2,88 untuk bab ini, dan Anda dapat membuat ulang satu paragraf seharga sembilan sen jika pengucapannya salah.

• GPT-Live-1 — 40 menit dengan tarif $0.05 = $2.00, dan Anda tidak dapat meregenerasi sebuah paragraf, karena unit kerjanya adalah sesi langsung, bukan sepotong teks.

GPT-Live-1 tampak lebih murah dan merupakan alat yang salah. Tidak ada cara terdokumentasi untuk mengambil skrip 36.000 karakter dan mengembalikan file deterministik; itu adalah permukaan percakapan, dan percakapan dengan sebuah buku bukanlah narasi. Penilaian jujur untuk baris ini bukanlah "Live lebih murah", melainkan "model ini tidak melakukan pekerjaan ini".

Di mana model per menit benar-benar membenarkan harga premiumnya

Tiga situasi membenarkannya, dan ketiganya memiliki satu sifat yang sama: manusia memegang giliran bicara dengan durasi yang tak dapat diprediksi.

• Penerimaan panggilan yang sarat interupsi — klaim asuransi, triase klinis, apa pun yang membuat penelepon mengoreksi ucapannya sendiri di tengah kalimat. Kaskade harus mendeteksi interupsi, menghentikan pemutaran, dan masuk kembali ke loop; GPT-Live-1 sudah mendengarkan.

• Pemesanan dan pengiriman — giliran singkat, bolak-balik cepat, pemanggilan alat yang intensif. Angka dari OpenAI sendiri mengklaim akurasi pemanggilan alat sebesar 87% pada model ini dibandingkan 60% untuk generasi Realtime yang digantikannya, dan itu dilaporkan oleh vendor, bukan direproduksi secara independen.

Di mana pun latensi adalah produknya — giliran 0,8 detik versus giliran 1,4 detik adalah perbedaan antara percakapan dan walkie-talkie. Juga dilaporkan oleh vendor.

Dan tiga situasi menentangnya:

• Narasi, membaca nyaring, buku audio, sulih suara video — teks masuk, berkas keluar, tanpa perlu telinga.

Suara merek — kloning Eleven v4 adalah fitur produk dengan syarat pelatihan ulang; GPT-Live-1 menggunakan suara model tetap, jadi "suara pendiri kami" bukan pilihan yang tersedia.

• Keheningan panjang — musik tunggu, saluran yang dibisukan, agen menunggu backend yang lambat. Setiap detik itu tetap menimbulkan biaya.

Migrasi juga tidak simetris

Berpindah ke Eleven v4 dari v3 berarti perubahan model-id plus satu catatan penting: suara hasil kloning yang sudah ada perlu dilatih ulang, dan SSML digantikan oleh tag audio inline, jadi apa pun yang menghasilkan SSML harus ditulis ulang. Menjengkelkan, tetapi tetap terbatas di lapisan TTS Anda.

Berpindah ke GPT-Live-1 dari integrasi Realtime adalah pembangunan ulang. Endpoint berbeda, semantik sesi berbeda, unit penagihan berbeda, dan tidak ada shim kompatibilitas. Anggarkan untuk lapisan orkestrasi, bukan sekadar penggantian — dan perhatikan bahwa sebagian besar platform agen suara pihak ketiga masih belum mencantumkan GPT-Live-1 sebagai penyedia yang dapat dipilih, jadi kemungkinan besar Anda menulis sendiri perekat teleponinya.

Perubahan routing apa yang terkait dengan keputusan ini

Mana pun jalur yang Anda pilih, keputusan itu tidak bersifat semua-atau-tidak di seluruh stack Anda. Lapisan suara adalah satu-satunya bagian yang tetap khusus vendor: OrcaRouter tidak menyediakan GPT-Live-1, dan model sintesis suara seperti Eleven v4 merupakan kontrak terpisah di mana pun Anda membelinya. Yang berada di balik lapisan suara adalah hal yang berbeda — panggilan penalaran, model pemanggilan alat, jalur cadangan saat penyedia mengalami degradasi, semuanya berjalan melalui satu kunci di OrcaRouter, di lebih dari 200 model termasuk GPT-6 Astra, GPT-5.6 Terra dan GPT-5.6 Sol, tingkatan yang menjadi tujuan delegasi GPT-Live-1.

Pemisahan itu adalah versi praktis dari perbandingan ini. Sewa "telinga" dari siapa pun yang memiliki yang terbaik kuartal ini, dan jaga "otak" tetap dapat dirutekan sehingga penurunan harga, gangguan layanan, atau model yang lebih baik tidak mengharuskan Anda menyentuh bagian yang dapat didengar pengguna. Harga daftar penyedia diteruskan dengan markup 0%, sehingga pemotongan harga dari vendor pada tier penalaran muncul di tagihan Anda pada hari yang sama saat diumumkan.

Pilih berdasarkan bentuk percakapan

Jika pengguna Anda menyela, mengoreksi diri sendiri, dan mengharapkan agen tahu kapan harus berhenti berbicara, GPT-Live-1 seharga $0.05 per menit adalah produk yang lebih baik dan mungkin pembelian yang lebih baik — harga premium itu membeli perilaku yang tidak bisa Anda dapatkan dari pipeline dengan harga berapa pun. Jika pengguna Anda lebih banyak mendengarkan daripada berbicara, Eleven v4 atau v4 Turbo lebih murah per kata yang disampaikan, lebih mudah dikendalikan, dapat dikloning untuk merek Anda, dan merupakan jawaban yang tepat; 1334 Elo adalah bonus tambahan di atasnya.

Mode kegagalan yang harus dihindari adalah memilih berdasarkan posisi papan peringkat. Angka 1334 milik v4 dan 83,2 milik Live mengukur hal yang berbeda pada skala yang berbeda, dan tim yang memilih di antara keduanya berdasarkan dua angka tersebut ibarat memilih antara penggaris dan termometer.