GPT-Live-1 vs Voxtral 3: Harga yang Bukan Harga

Voxtral 3 mengiklankan agen suara lengkap seharga $0.04 per menit. GPT-Live-1 mengiklankan $0.05 per menit lalu menagih Anda lagi untuk proses berpikirnya. Berdasarkan angka utama, Mistral 20% lebih murah dan mencakup lebih banyak — speech-to-text, text-to-speech, dan model penalaran dalam satu tarif — sementara angka OpenAI hanya mencakup lapisan suara. Pembacaan itu secara teknis benar tetapi secara praktis menyesatkan, karena kedua tarif tersebut tidak membeli hal yang sama.

Keduanya dirilis dalam rentang enam minggu satu sama lain: GPT-Live-1 ke API pada 10 September 2026, Voxtral 3 dalam pratinjau publik pada 20 Oktober. Keduanya menyasar pelanggan yang sama — seseorang yang membangun agen telepon yang harus mampu melakukan percakapan. Mereka mencapainya melalui jalur yang berlawanan, dan selisih biaya hanya bertahan jika Anda tidak pernah menyela mereka.

Apa yang sebenarnya ada di dalam setiap menit

Mulailah dengan apa saja yang termasuk dalam meter, karena di sinilah perbandingan mulai berubah.

• Voxtral 3 agen penuh — $0.04 per menit dengan Mistral Small 4 sebagai penalar, $0.08 dengan model yang lebih kuat. Itu mencakup transkripsi, sintesis, dan model bahasa.

• GPT-Live-1 — $0.05 per menit untuk suara saja, ditagih per detik. Penalaran backend, pemanggilan alat, dan penelusuran web ditagih terpisah dengan tarif model normal.

• Voxtral 3 TTS saja — $13 per juta karakter, sekitar $0,70 per jam ucapan pada tempo bicara normal.

• Audio masukan GPT-Live-1 — diukur sebesar $5,83 per jam audio masukan pada konfigurasi penalaran tingginya, $4,47 pada konfigurasi rendahnya, menurut set 40 pertanyaan tetap milik Artificial Analysis.

Jadi, perbandingan per menit yang jujur untuk panggilan sepuluh menit adalah $0,40 untuk Voxtral 3 dengan semua biaya termasuk, dibandingkan $0,50 plus backend untuk GPT-Live-1 — sebut saja $0,50 hingga $0,55 tergantung seberapa banyak agen harus berpikir. Mistral menang dalam hitungan itu, dan menang dengan menyertakan komponen yang OpenAI tidak sertakan.

Kecuali jika panggilan sebagian besar berupa keheningan. Tarif agen suara Voxtral diukur seperti sesi; GPT-Live-1 sudah pasti demikian. Tidak ada vendor yang menerbitkan pengecualian untuk keheningan, dan penerapan apa pun yang membiarkan penelepon menunggu dalam mode tahan harus mengasumsikan kedua meteran tetap berjalan. Perbedaan itu tidak menguntungkan pihak mana pun, tetapi itu berarti tarif utama bukanlah tempat yang tepat untuk melakukan optimasi.

Pipeline versus duplex, lagi.

Voxtral 3 adalah sebuah stack, bukan model: model transkripsi (Mini Transcribe 3 dengan 4 miliar parameter, Small, dan varian realtime), model sintesis, serta SDK Agen Suara berbasis LiveKit yang menghubungkan semuanya dengan model bahasa di tengah. Klaim latensi Mistral sendiri adalah sekitar 90 milidetik hingga audio pertama, yang benar-benar cepat untuk bagian sintesis.

Sintesis cepat tidak sama dengan pergantian giliran bicara yang baik. Sistem kaskade tetap harus memutuskan kapan manusia selesai berbicara, dan keputusan itu dibuat oleh detektor aktivitas suara atau model deteksi giliran yang berada di depan pipeline. Saat tebakannya salah, agen bisa memotong pembicaraan penelepon atau menunggu terlalu lama, dan sintesis 90ms secepat apa pun tidak akan memperbaikinya.

GPT-Live-1 adalah satu jaringan yang mendengar dan berbicara sekaligus, memutuskan berkali-kali per detik apakah akan menyerahkan giliran. Itulah kemampuan yang membuat Anda membayar sen tambahan, dan itu bukan fitur yang bisa Anda rakit dari bagian-bagian. Itu juga sebabnya model OpenAI tidak memiliki pos biaya transkripsi atau sintesis: tidak ada yang perlu dirinci sebagai item.

Uji praktisnya bukan latensi, melainkan tingkat interupsi. Jika penelepon Anda berbicara dalam kalimat lengkap dan menunggu giliran, pipeline sudah cukup dan lebih murah. Jika di tengah jalan mereka berkata "tunggu, maksud saya yang satunya", Anda sedang membeli perilaku dupleks, entah Anda sudah mengakuinya atau belum.

Bahasa, dialek, dan lokasi penyimpanan data

Mistral meluncurkan Voxtral 3 dengan 35 lebih bahasa dan 50 lebih dialek, pengaturan emosi dan gaya, kloning zero-shot plus jalur adaptasi "Pro Voice" yang membutuhkan sekitar 30 menit audio referensi. Dokumentasi GPT-Live-1 tidak menyebut cakupan dialek dan menawarkan suara model tetap tanpa kloning.

Jika produk Anda berasal dari Eropa — Prancis, Jerman, Italia, Spanyol, atau Belanda — Voxtral 3 adalah penawaran yang lebih lengkap, dan posisi Mistral di UE merupakan argumen nyata dalam percakapan pengadaan yang tidak dijawab OpenAI secara langsung. Itu adalah fakta bisnis, bukan tolok ukur, dan bagi banyak pembeli hal itu menentukan kesepakatan sebelum latensi dibahas.

Jika produk Anda adalah dukungan atau pemesanan berbahasa Inggris di satu pasar saja, keluasan bahasa merupakan inventaris yang tidak akan Anda pakai, dan perilaku duplex adalah hal yang akan Anda sadari pada setiap panggilan.

Jebakan open-weights

Perlu diperhatikan karena hal ini sering mengejutkan orang: Voxtral 3 sendiri adalah API tertutup. Model yang dapat diunduh dalam keluarga ini adalah checkpoint TTS 4B yang lebih lama dari Maret 2026, dirilis di bawah CC BY-NC 4.0 — non-komersial — model yang berbeda dan lebih lama dengan skor arena yang lebih rendah. Penerapan mandiri Voxtral 3 oleh perusahaan adalah kesepakatan yang dinegosiasikan, bukan tautan unduhan.

Jadi, tidak ada model dalam perbandingan ini yang memberi Anda bobot. GPT-Live-1 tidak memilikinya secara desain. Voxtral 3 tidak memilikinya secara kebijakan. Jika memiliki modelnya merupakan persyaratan, keduanya gugur dan percakapan beralih ke Fish Audio Drama 3 atau Ming-3.0-TTS sebagai gantinya.

Apa yang diukur oleh dewan, dan apa yang tidak

Voxtral 3 TTS berada di 1223 Elo pada Provider Voice Arena milik Artificial Analysis, yang diambil pada 29 Oktober 2026 — peringkat keempat belas dari seluruh peserta, dengan harga $13 per juta karakter. Itu hasil sintesis yang solid: di belakang Eleven v4 pada 1334, dan di depan beberapa model yang biayanya lebih mahal.

GPT-Live-1 tidak muncul di papan itu, dan siapa pun yang menempatkan skor Speech-to-Speech Index-nya sebesar 83.2 di samping 1223 milik Voxtral sedang membandingkan indeks percakapan berbobot dengan Elo preferensi buta. Pada papan tempat sistem percakapan memang muncul, GPT-Live-1 mencetak 1037 hingga 1041 Elo di Speech Agent Arena dengan tingkat keberhasilan tugas 87.4% hingga 90.9%. Stack agen Voxtral 3 belum mengumpulkan cukup percakapan arena untuk dicantumkan.

Ketiadaan itu adalah fakta paling berguna di bagian ini. Tidak ada perbandingan langsung independen antara keduanya, yang berarti setiap perbandingan yang Anda baca — termasuk yang ini — merupakan penalaran berdasarkan tarif dan arsitektur yang dipublikasikan, bukan berdasarkan eksperimen terkendali. Siapa pun yang memberi tahu Anda bahwa salah satunya terukur lebih natural di telepon sedang mengutip vendor.

Di mana argumen routing itu bermuara

Tidak ada model yang dilayani oleh OrcaRouter. Voxtral 3 adalah API milik Mistral; GPT-Live-1 adalah milik OpenAI. Yang dapat dirutekan adalah reasoner yang didelegasikan oleh masing-masing model — dan di sinilah kedua arsitektur tersebut berbeda dalam cara yang penting bagi bagaimana Anda merancang arsitektur stack.

Voxtral 3 memungkinkan Anda memilih model penalaran di dalam tarif agennya sendiri: Small 4 seharga $0.04, opsi yang lebih kuat seharga $0.08. GPT-Live-1 membiarkan backend sepenuhnya terbuka, yang berarti Anda dapat mengarahkannya ke model teks apa pun yang Anda suka — termasuk GPT-6 Astra, GPT-5.6 Terra atau tier yang lebih murah, di balik satu kunci, dengan routing DSL yang memungkinkan Anda menyematkan model berbeda untuk jenis tugas berbeda di dalam deployment yang sama.

Fleksibilitas itu bernilai uang nyata pada beban kerja campuran: model murah menangani konfirmasi alamat dan model frontier menangani tagihan yang disengketakan, tanpa kontrak kedua atau integrasi kedua. Harga daftar penyedia diteruskan dengan markup 0%, sehingga penurunan tarif pada tingkat penalaran sampai ke tagihan Anda pada hari diberlakukan, bukan pada pembaruan kontrak berikutnya.

Keputusan

Pilih Voxtral 3 jika Anda membangun di Eropa, membutuhkan banyak bahasa dan dialek, menginginkan satu invoice yang mencakup transkripsi hingga sintesis, dan penelepon Anda cukup sopan soal giliran bicara. Biayanya lebih murah per menit secara keseluruhan, stack-nya lebih lengkap, dan skor sintesis 1223 tergolong layak.

Pilih GPT-Live-1 jika interupsi adalah inti produknya — intake, triage, dispatch, apa pun yang di dalamnya pemanggil mengoreksi diri sendiri dan agen harus mendengar hal itu terjadi. Anda akan membayar lebih mahal per menit, memiliki kendali lebih sedikit, dan mendapatkan satu perilaku yang tidak bisa dibeli pipeline dengan harga berapa pun.

Jebakan yang harus dihindari adalah membandingkan dua tarif utama dan menyimpulkan bahwa $0.04 lebih baik daripada $0.05. Angka-angka itu tidak mengukur menit yang sama: yang satu mencakup penyalin, penyintesis, dan penalar; yang lain mencakup telinga. Belilah yang isinya sesuai dengan pekerjaan, lalu berdebatlah soal harga.