GPT-Live-1 vs Grok Voice Think Fast 2.0: Dua API Suara yang Bergerak ke Arah Harga yang Berlawanan

Fakta paling berguna tentang perbandingan ini adalah arah, bukan angka. Ketika xAI merilis Grok Voice Think Fast 2.0 pada akhir Juli 2026, perusahaan itu menaikkan tarif audio per menit sebesar 60%, dari $0,05 yang dikenakan Think Fast 1.0 menjadi $0,08. Enam minggu kemudian, pada 10 September 2026, OpenAI memasukkan GPT-Live-1 ke dalam API pengembang dengan harga persis yang baru saja ditinggalkan xAI. Itu memberi Anda situasi langka di mana dua API suara full-duplex terkemuka dapat dibandingkan langsung berdasarkan harga, dan di mana pendatang baru adalah yang lebih murah — sementara model yang lebih lama dan lebih mahal adalah model yang punya skor benchmark pihak ketiga di belakangnya.

Buku besar, sebelum tolok ukur apa pun

Kedua ini adalah model speech-to-speech yang dibuat untuk beban kerja berbentuk panggilan telepon: percakapan langsung dengan pelanggan, interupsi, pemanggilan alat, dan tagihan yang diukur dalam hitungan menit. Di luar itu, keduanya dengan cepat mulai berbeda.

• Harga per menit audio — GPT-Live-1 $0.05 vs Gr​ok Voice Think Fast 2.0 $0.08

• Unit penagihan — GPT-Live-1 menagih per detik tanpa pembulatan ke atas ke menit penuh berikutnya; Gr​ok Voice Think Fast 2.0 dihargai per menit audio dan setara dengan sekitar $4,80 per jam

• Rilis — GPT-Live-1 dirilis di dalam ChatGPT pada 8 Juli 2026 dan hadir di API pada 10 September 2026; Gr​ok Voice Think Fast 2.0 diumumkan sekitar 29–30 Juli 2026, kira-kira tiga bulan setelah Think Fast 1.0

• Endpoint — GPT-Live-1 hanya Live Sessions, di v1/live/sessions, melalui WebRTC; Gr​ok Voice Think Fast 2.0 berjalan di API Speech-to-Speech milik x​AI melalui WebSocket dan WebRTC

• Permukaan alat — GPT-Live-1 mendelegasikan ke model penalaran backend melalui Responses API; Gr​ok Voice Think Fast 2.0 memiliki pencarian web, pencarian X, pencarian file, server MCP, dan fungsi sisi klien yang tersedia di dalam sesi

• Portabilitas suara — GPT-Live-1 menggunakan set dua belas suara yang diremaster oleh Ope​nAI; Gr​ok Voice Think Fast 2.0 mendukung suara bawaan dan kustom

Jalur WebSocket lebih kecil daripada yang terlihat dan lebih penting daripada yang seharusnya. Sebagian besar infrastruktur teleponi — perpipaan aliran media di dalam sebagian besar produk CPaaS — berbicara WebSocket, bukan WebRTC. Gr​ok Voice Think Fast 2.0 menemui infrastruktur itu apa adanya; GPT-Live-1 tidak, dan mencapai WebRTC dari jalur panggilan yang hanya WebSocket adalah pekerjaan rekayasa yang nyata, bukan sekadar flag konfigurasi.

Asimetri benchmark adalah cerita sebenarnya

Di sinilah perbandingannya tidak lagi berimbang, dan di sinilah sebagian besar tulisan justru keliru dengan memperlakukan kedua kumpulan angka itu sebagai jenis bukti yang sama.

Skor utama Gr​ok Voice Think Fast 2.0 berasal dari Speech-to-Speech Quality Index milik Artificial Analysis, pengukuran pihak ketiga yang menempatkan model ini pada 82,9%, naik dari 75,7% pada versi 1.0, di atas GPT-Realtime-2.1 pada 79,1% dan Gemini 3.1 Flash pada 69,5%. x​AI juga melaporkan posisi pertama pada τ-voice Bench untuk perilaku agentik pada 56,5%, di atas GPT-Realtime-2.1 pada 45,7%. Itu semua adalah pengukuran yang dijalankan secara eksternal terhadap model x​AI.

Skor utama GPT-Live-1 adalah milik Ope​nAI sendiri. Perusahaan melaporkan interaktivitas dupleks penuh sebesar 80,1% dibandingkan 45,4% milik GPT-Realtime-2.1, latensi pergantian giliran dipangkas dari 1,4 detik menjadi 0,8 detik, dan akurasi pemanggilan alat naik dari 60% menjadi 87%. Setiap angka tersebut dilaporkan vendor, belum direproduksi oleh laboratorium independen, dan membandingkan model baru Ope​nAI dengan model sebelumnya milik Ope​nAI sendiri, bukan dengan pesaing.

Itu bukan alasan untuk mengabaikan angka-angka itu — arah pergerakannya konsisten dengan apa yang dilaporkan para pengadopsi awal — tetapi itu memang berarti satu-satunya perbandingan lintas vendor yang tersedia saat ini mengunggulkan model xAI pada pengujian yang dijalankan secara independen, sementara satu-satunya angka yang tersedia untuk keunggulan latensi OpenAI adalah angka OpenAI sendiri. Jangan menganggap 0,8 detik dan 0,70 detik sebagai adu nyata; hanya satu dari kedua angka itu yang diukur oleh pihak yang tidak berkepentingan terhadap hasilnya.

Jebakan alias, dan mengapa kenaikan harga membuat orang terkejut

Peningkatan 60% itu akan menjadi kesalahan pembulatan di sebagian besar catatan rilis jika xAI tidak juga menggulirkannya melalui alias. Aplikasi yang mengarah ke alias grok-voice-latest otomatis mewarisi model baru sekaligus tarif yang lebih tinggi pada 5 Agustus 2026, kecuali jika mereka secara eksplisit menyematkan grok-voice-think-fast-1.0. Itu adalah keputusan desain yang layak dipahami, bukan dikeluhkan: alias mengambang memberi Anda peningkatan gratis dan juga mengubah ekonomi unit Anda tanpa bertanya.

Solusi yang jelas lebih lemah daripada kelihatannya. Gr​ok Voice Think Fast 1.0 — model seharga $0,05 per menit, dirilis 23 April 2026 — kini ditandai sebagai usang di daftar model x​AI sendiri. Mem-pin-nya melindungi Anda dari upgrade otomatis, dan itu membeli waktu, bukan jalur yang lebih murah secara permanen, karena model yang sudah usang memiliki tanggal pensiun di suatu tempat di depannya. Rencanakan migrasi sesuai jadwal Anda sendiri, bukan jadwal alias.

Tampilan harga itu sendiri layak dibaca dengan cermat sebelum Anda menetapkan angka. Halaman model x​AI mencantumkan tarif per versi secara eksplisit — grok-voice-think-fast-2.0 sebesar $0,08 per menit audio, $4,80 per jam, ditambah $0,004 per input teks — sementara kartu Voice API terpisah di halaman yang sama mengiklankan harga agen "mulai dari $0,05 per menit", yang merupakan titik masuk, bukan tarif yang ditagihkan oleh model 2.0. Jika perencanaan kapasitas Anda didasarkan pada angka pemasaran, itu sekitar 60% terlalu rendah.

Model OpenAI tidak mengalami masalah ini dalam bentuk yang sama, karena tidak ada yang bisa di-float ke sana. GPT-Live-1 hanya memiliki satu ID model, gpt-live-1, yang juga merupakan snapshot default-nya sendiri — tidak ada varian bertanggal untuk di-pin, dan karena itu tidak ada alias yang dapat diam-diam mengubah model maupun harganya. Trade-off-nya adalah Anda juga tidak dapat membekukan perilaku yang sudah terbukti baik dan menggunakannya selagi sesuatu yang baru mulai mapan.

Kedua model menagih lapisan penalaran secara terpisah dari lapisan suara, dan di sinilah tarif utama tidak lagi menjadi keseluruhan biaya. Panggilan Responses yang didelegasikan dari GPT-Live-1 ditagih dengan tarif per token normal model backend yang dikonfigurasi. xAI menambahkan $0,004 per input teks pada sesi suara, ditambah pemanggilan tool, nomor telepon yang disediakan sekitar $0,01 per menit jika Anda memerlukannya, teleponi dan penyimpanan, di atas tarif audio per menit. Agen suara yang sebagian besar mendengarkan dan sesekali mencari sesuatu akan mendekati tarif utamanya; agen yang memanggil tool di setiap giliran tidak akan demikian, dan keduanya tidak akan menyimpang ke arah yang sama, karena desain backend yang didelegasikan dan desain tool dalam sesi membakar token di tempat yang berbeda.

Di pihak kami, perubahan tarif per menit layak dicermati karena OrcaRouter meneruskan harga daftar penyedia tanpa markup. Ketika vendor mengubah tarif yang dipublikasikan, angka di pihak kami berubah pada hari yang sama, bukan pada siklus kontrak berikutnya.

Berapa biaya yang harus Anda tanggung akibat pemisahan delegasi dalam bidang teknik

Jika Anda memilih di antara keduanya berdasarkan arsitektur dan bukan harga, pertanyaan penentunya adalah di mana letak sambungannya.

Model x​AI menyimpan alat-alat di dalam sesi. Itu lebih sederhana untuk dinalar — satu koneksi, satu percakapan, satu tempat di mana pemanggilan fungsi terjadi — dan ini berarti model dapat memutuskan di tengah kalimat bahwa ia perlu mencari dan terus berbicara sambil menunggu.

Model Ope​nAI mendorong pekerjaan itu keluar. Lapisan suara menjaga percakapan tetap hidup dan menyerahkan tugas tersebut kepada model penalaran terpisah melalui Responses API, yang berarti definisi alat Anda, pengambilan Anda, dan logika bisnis Anda berada dalam integrasi model teks biasa, bukan di dalam aliran peristiwa sesi. Ini melibatkan lebih banyak bagian yang bergerak, dan juga lebih portabel: separuh yang didelegasikan adalah panggilan API biasa yang dapat Anda tukar, tetapkan harganya, dan lakukan failover secara independen dari lapisan suara.

Itu penting karena tepat satu alasan. Baik GPT-Live-1 maupun Gr​ok Voice Think Fast 2.0 tidak dilayani oleh siapa pun selain vendor mereka sendiri — keduanya bersumber tunggal, dan router tidak dapat membantu Anda dengan bagian audio. Yang dapat dilakukan router adalah menyatukan bagian yang benar-benar dapat Anda pilih. GPT-5.6 Terra, backend dalam contoh delegasi milik Ope​nAI sendiri, tersedia melalui OrcaRouter dengan $2,00 per juta token input dan $12,00 per juta output dengan kedua /v1/chat/completions dan /v1/responses diekspos, bersama dengan sekitar 190 model lain dalam satu kunci. Jika agen suara Anda memanggil model penalaran per giliran, itulah pos biaya yang memiliki daya ungkit perutean di dalamnya.

Putusannya, dipecah berdasarkan beban kerja

• Pilih GPT-Live-1 jika harga per menit menjadi kendala, jika jalur panggilan Anda sudah menggunakan WebRTC, atau jika Anda ingin otak penalaran di balik suara menjadi model teks yang dapat ditukar, bukan bagian tetap dari sesi.

• Pilih Gr​ok Voice Think Fast 2.0 jika Anda memerlukan kualitas yang terverifikasi secara independen yang sudah tersedia sebelum Anda berkomitmen, jika stack teleponi Anda native WebSocket, atau jika alat dalam sesi — khususnya pencarian X — menjadi inti produk, bukan sekadar pelengkap.

• Perhatikan alias jika Anda sudah menggunakan x​AI. Menyematkan ID model berversi adalah satu-satunya hal yang menghalangi Anda dari perubahan tarif otomatis berikutnya, dan disiplin yang sama layak diterapkan di mana pun alias mengambang muncul.

Ringkasan yang tidak nyaman: model yang lebih murah adalah model yang tidak punya bukti pihak ketiga di belakangnya, dan model yang dokumentasinya lebih baik adalah model yang baru saja menjadi 60% lebih mahal. Jika Anda masih cukup awal dalam proses pembangunan sehingga belum ada integrasi yang terkunci, langkah paling rendah risiko adalah membuat prototipe untuk keduanya — jalur audionya hanya beberapa ratus baris untuk masing-masing pilihan — dan biarkan kualitas transkrip Anda sendiri yang menentukan, karena bukti publik saat ini belum menyelesaikannya.