GPT-Live-1 vs SeedRealtime: SeedRealtime Adalah Model yang Lebih Ambisius, dan Anda Tidak Bisa Membelinya

Membandingkan GPT-Live-1 dan SeedRealtime dari segi kapabilitas menghasilkan jawaban yang tidak nyaman, karena kedua model tersebut tidak bersaing dengan syarat yang sama. GPT-Live-1 adalah model suara dupleks penuh milik OpenAI, yang dirilis di dalam ChatGPT pada 8 Juli 2026 dan dibuka untuk pengembang melalui Live Sessions API pada 10 September 2026, dengan 12 suara, tarif per menit yang dipublikasikan, dan satu celah signifikan: input gambar dan video secara eksplisit tidak didukung. SeedRealtime, yang dirilis oleh tim Seed milik ByteDance pada 5 Agustus 2026, dibangun sepenuhnya di sekitar celah itu. Ini adalah model dupleks penuh audio-visual native yang mengamati, mendengarkan, dan berbicara dalam satu arsitektur end-to-end — dan hanya tersedia di dalam aplikasi konsumen Doubao, tanpa API publik, tanpa bobot terbuka, tanpa laporan teknis, dan tanpa jumlah parameter yang dipublikasikan.

Apa yang sebenarnya dapat dipersepsikan oleh masing-masing

Cara paling jelas untuk melihat kesenjangan itu adalah dengan menanyakan apa yang diketahui masing-masing model tentang ruangan tempatnya berada.

GPT-Live-1 mendengar. Itulah keseluruhan permukaan inputnya. Audio dan teks masuk, audio dan teks keluar, dan dokumentasi Ope​nAI mencantumkan gambar dan video sebagai tidak didukung. Ia menangani mekanika percakapan dalam mendengar dengan sangat baik — ia memutuskan berkali-kali dalam satu detik apakah akan terus mendengarkan, berhenti sejenak, menyela, atau memanggil alat, dan ia mempertahankan dupleks penuh sehingga tetap memproses audio yang masuk saat ia berbicara. Ia juga mengembalikan transkrip pengenalan ucapan bersama audionya, semacam detail tak glamor yang menghemat satu minggu kerja integrasi.

SeedRealtime mendengar dan melihat, dalam satu model, bukan pipeline. ByteDance menjelaskan arsitektur terpadu yang menangani audio, video, dan teks secara bersamaan, menyelesaikan ambiguitas dengan konteks visual — membedakan homofon, memahami apa yang dimaksud dengan "ini" dari pemandangan, gestur, tatapan, dan tindakan sebelumnya — serta menjalankan persepsi, pemahaman, pengambilan keputusan, dan ekspresi secara paralel, bukan berurutan. Demonstrasi yang dipublikasikan ByteDance mencakup makan malam kelompok yang berisik, saat model harus mengaitkan suara dengan identitas, kunjungan museum, mengoreksi alur kerja espresso, dan menekan gangguan di bandara sambil mempertahankan memori di luar layar dan melakukan pencarian daring.

• Input — GPT-Live-1 hanya audio dan teks, gambar dan video secara eksplisit tidak didukung vs SeedRealtime audio, video, dan teks yang digabungkan dalam satu model

• Pengambilan giliran — GPT-Live-1 memutuskan secara internal, berkali-kali per detik vs SeedRealtime memindahkan pengambilan giliran ke dalam model dan sepenuhnya menghilangkan detektor aktivitas suara eksternal

• Perilaku proaktif — GPT-Live-1 merespons, mendelegasikan, dan memanggil alat vs SeedRealtime digambarkan berbicara tanpa diminta ketika objek target muncul dalam pandangan

• Ketersediaan — GPT-Live-1 tersedia secara umum di API Ope​nAI dengan biaya $0,05 per menit vs SeedRealtime gratis di dalam Doubao, tanpa API dan tanpa jadwal untuk menyediakannya

Kualitas bukti justru berbanding terbalik dengan ambisinya.

Di sinilah perbandingan itu berhenti menyanjung ByteDance.

Ope​nAI menerbitkan angka. Angka itu miliknya sendiri, mereka membandingkan GPT-Live-1 dengan GPT-Realtime-2.1 alih-alih dengan pesaing, dan tidak ada laboratorium independen yang mereproduksinya — 80,1% pada interaktivitas dupleks penuh versus 45,4%, latensi pergantian giliran dipangkas dari 1,4 detik menjadi 0,8, akurasi pemanggilan alat dari 60% menjadi 87%. Dijalankan vendor dan tidak direproduksi adalah peringatan nyata, dan itu peringatan yang setidaknya bisa Anda kaitkan dengan sebuah angka.

ByteDance hampir tidak menerbitkan apa pun. Klaim utama tentang SeedRealtime adalah evaluasi manusia end-to-end yang menyatakan bahwa teknologi ini memangkas separuh masalah tempo percakapan audio-visual dibandingkan sistem bertingkat ASR-plus-vision-plus-TTS — lebih sedikit pemotongan di tengah kalimat, lebih sedikit balasan lambat setelah jeda, lebih sedikit pemicu palsu dari obrolan latar belakang. Tidak ada ukuran sampel, tidak ada metodologi, tidak ada angka pasti untuk peningkatan itu, dan sama sekali tidak ada angka latensi. Juga tidak ada jumlah parameter dan tidak ada laporan teknis.

Hasilnya adalah bahwa model dengan arsitektur yang lebih menarik justru yang paling sedikit dapat Anda evaluasi. Itu tidak sama dengan mengatakan performanya lebih buruk — demonstrasinya benar-benar mencolok, dan uraian rekayasanya seputar input audio-visual yang dipecah menjadi bagian-bagian serta generasi streaming menunjukkan sistem sungguhan, bukan sekadar demo — tetapi itu berarti bahwa setiap perbandingan antara keduanya dalam hal kualitas saat ini adalah perbandingan antara model yang terdokumentasi dan video yang mengesankan.

Mengapa kesenjangan API bukan hal sepele

SeedRealtime telah diluncurkan sepenuhnya di dalam Doubao sejak 5 Agustus 2026, baik untuk suara maupun video, tanpa biaya. Layanan ini tidak memiliki endpoint Volcano Engine atau BytePlus, tidak ada paket berbayar, tidak ada kuota yang dipublikasikan, dan tidak ada linimasa yang dinyatakan untuk membuka akses pengembang. Peta jalan ByteDance menyebutkan latensi lebih rendah, pelacakan pembicara yang lebih tajam, dan tugas yang terhubung dengan alat; tidak disebutkan tanggalnya.

Ada catatan akses yang memperparah hal itu. Doubao adalah produk yang mengutamakan Tiongkok daratan dan biasanya memerlukan nomor seluler Tiongkok daratan untuk mendaftar, tanpa versi bahasa Inggris yang dilokalkan yang diumumkan. Bagi tim di luar Tiongkok, SeedRealtime bukan sekadar belum diluncurkan sebagai API — produk itu juga tidak dapat dijangkau sebagai produk.

Bandingkan itu dengan beban integrasi GPT-Live-1 sendiri, dan trade-off-nya menjadi konkret. API OpenAI terbatas dalam beberapa hal yang mengejutkan orang: satu ID model, satu endpoint di v1/live/sessions, transport WebRTC dengan penanganan peristiwa pada kanal data, dan tidak ada jalur melalui Chat Completions, Responses, Realtime, Batch, atau endpoint fine-tuning. Batas laju dinyatakan dalam sesi bersamaan — 25 pada Tier 1, naik melalui 50, 200, 300, dan 500 — bukan permintaan per menit, dan tier Gratis tidak dapat memanggil model itu sama sekali. Itu adalah integrasi baru, dan tetap merupakan integrasi yang bisa Anda mulai sore ini.

Dua jawaban untuk masalah delegasi yang sama

Kedua model menolak desain kaskade lama, ketika pengenalan ucapan, model bahasa, dan sintesis ucapan berjalan berurutan dengan sekitar 1,7 detik keheningan di antara giliran. Keduanya menolaknya dengan cara yang berbeda, dan perbedaannya memberi tahu Anda mana yang dirancang untuk panggilan telepon dan mana yang dirancang untuk ruangan.

GPT-Live-1 membagi pekerjaan secara vertikal. Lapisan suara yang cepat menangani percakapan; apa pun yang lebih berat — penelusuran web, penalaran yang lebih mendalam, pekerjaan agentic — diserahkan ke model penalaran terpisah melalui Responses API selagi percakapan berlanjut. Contoh WebRTC yang diterbitkan OpenAI menghubungkan backend itu ke GPT-5.6 Terra. Konsekuensinya, bagian berpikir adalah panggilan model teks biasa, dihargai per token, dan karena itu merupakan sesuatu yang dapat Anda pilih, tukar, dan rutekan secara independen dari lapisan suara. Untuk saluran dukungan, itulah bentuk yang tepat: suara adalah antarmuka dan penalaran adalah produknya.

SeedRealtime menyimpan semuanya dalam satu jaringan, dan itulah yang memungkinkannya melihat sebuah gestur saat gestur itu berada di tengah kalimat. Itu juga yang membuatnya mustahil untuk diuraikan — Anda tidak dapat menukar separuh penalarannya, karena tidak ada separuh penalaran, dan Anda tidak dapat menjalankannya di mana pun, karena tidak ada tempat untuk menjalankannya.

Jika Anda membangun agen suara hari ini, perbedaan itulah keseluruhan keputusannya. Hanya satu dari keduanya yang merupakan komponen yang dapat Anda masukkan ke dalam arsitektur. GPT-5.6 Terra, backend dalam contoh delegasi Ope​nAI, dilayani melalui OrcaRouter dengan $2.00 per juta token input dan $12.00 per juta output dengan konteks 1M token dan baik /v1/chat/completions maupun /v1/responses tersedia — bersama dengan sekitar 190 model lain pada satu kunci, sehingga lapisan penalaran di balik agen suara dapat dipisah, diberi harga, dan dialihkan saat gagal tanpa menyentuh jalur audio. Baik GPT-Live-1 maupun SeedRealtime tidak dilayani oleh OrcaRouter; keduanya bersumber tunggal dari vendor masing-masing, dan tidak ada router yang dapat mengubah itu.

Apa yang bisa mengubah jawabannya

Tiga hal, dalam urutan kemungkinan.

• API pengembang ByteDance. Jika SeedRealtime muncul di Volcano Engine atau BytePlus dengan tarif yang dipublikasikan, itu tidak lagi menjadi studi kasus dan menjadi produk yang benar-benar terdiferensiasi — dupleks penuh audio-visual tanpa pesaing terkelola di Barat. Itulah sinyal yang perlu diperhatikan, dan sinyal itu belum muncul.

• Visi yang hadir di API suara terkelola. Dokumentasi GPT-Live-1 secara eksplisit menyatakan bahwa gambar dan video tidak didukung, yang terdengar bukan seperti kelalaian melainkan seperti batas rilis pertama yang disengaja. Jika OpenAI merilis permukaan video yang telah mereka peragakan di tempat lain di ChatGPT, kesenjangan kemampuan yang membuat SeedRealtime menarik akan menyempit secara signifikan.

• Pengukuran independen apa pun terhadap SeedRealtime. Angka latensi pihak ketiga atau jumlah parameter akan memungkinkan keduanya dibandingkan atas dasar selain ambisi.

Putusan praktis bagi siapa pun yang membangun sekarang ini singkat. GPT-Live-1 adalah satu-satunya dari kedua model ini yang dapat Anda terapkan, dan pada $0,05 per menit yang ditagih per detik, dengan dua belas suara dan endpoint yang terdokumentasi, model ini adalah default yang wajar untuk suara percakapan. SeedRealtime adalah model yang lebih menarik dan mungkin saja lebih mumpuni; untuk saat ini, ia juga merupakan demonstrasi tentang seperti apa arsitektur audio-visual terkonvergensi, bukan produk yang dapat Anda hadapkan kepada pelanggan. Klasifikasikan sebagai sesuatu yang perlu diperhatikan, bukan yang dijadikan landasan untuk membangun.