Grok Voice 3.0 vs GPT-Live-1: xAI Menang di Indeks dan Kalah dalam Uji yang Penting

Dua model unggulan, terpaut 3,7 poin pada Speech to Speech Index milik Artificial Analysis, dan keduanya kalah pada satu komponen yang menentukan apakah sebuah agen suara layak diterapkan. Grok Voice 3.0 mencatat 86,9 pada indeks yang diumumkan SpaceXAI pada 14 Oktober 2026, dibandingkan 83,2 untuk GPT-Live-1 dalam konfigurasi Astra medium-nya, versi yang dituju oleh integrasi WebRTC menurut dokumentasi OpenAI sendiri ketika sebuah sesi mendelegasikan penalaran ke backend. Pada τ-Voice — tolok ukur layanan pelanggan yang menilai apakah sebuah agen benar-benar menyelesaikan pekerjaan bertahap — Grok Voice 3.0 mencapai 71,6% dan GPT-Live-1 Astra medium mencapai 74,5%. Model dengan skor komposit terbaik di kategori ini justru tidak menguasai komponen yang berkorelasi dengan terselesaikannya pekerjaan, dan OpenAI pun tidak menerbitkan tajuk berita tentang hal itu.

Hal kedua yang layak diperhatikan adalah arah harga. GPT-Live-1 menagih $0.05 per menit suara, dihitung per detik, yaitu $3.00 per jam. Grok Voice 3.0 menagih $0.08 per menit, yaitu $4.80 per jam. Model yang lebih baru biayanya 60% lebih tinggi per menit audio, dan inilah model yang vendornya menghabiskan kuartal terakhir masa hidup pendahulunya untuk menyerap kenaikan tarif alih-alih mengumumkan pemotongan.

Pemisahan arsitektur yang tidak pernah dimasukkan siapa pun ke dalam bagan perbandingan

Tidak satu pun dari keduanya adalah model ucapan yang berpikir. Keduanya adalah lapisan suara yang mendelegasikan, dan kedua desain delegasi itu bukan hewan yang sama — itulah sebabnya biaya integrasinya berbeda jauh lebih besar daripada perbedaan harga per menitnya.

GPT-Live-1 menyerahkan pekerjaan melintasi batas asinkron kepada backend yang disebutkan dalam konfigurasi sesi. Contoh WebRTC yang dipublikasikan OpenAI menghubungkan backend itu ke GPT-5.6 Terra melalui Responses API. Lapisan suara menjaga percakapan tetap berjalan selagi backend berpikir, dan melipat kembali jawabannya saat jawaban itu tiba. Konsekuensinya, bagian penalaran adalah panggilan teks biasa yang diukur berdasarkan token, yang dapat Anda pilih, tetapkan harganya, dan tukar secara independen. Bagian suara sama sekali tidak portabel: hanya ada satu ID model, gpt-live-1, satu endpoint di v1/live/sessions, WebRTC alih-alih transport WebSocket yang menjadi dasar sebagian besar integrasi Realtime, dan tidak ada jalur melalui Chat Completions, Responses, Batch, atau endpoint fine-tuning. Batas laju dinyatakan dalam sesi simultan — 25 pada Tier 1, meningkat melalui 50, 200, 300, dan 500 — yang memberi tahu Anda bahwa OpenAI menganggap unit skala adalah saluran telepon, bukan permintaan.

Grok Voice 3.0 lebih sempit dan lebih murah untuk diadopsi. Ia berjalan melalui endpoint WebSocket realtime yang sama seperti Grok Voice 2.0, dengan parameter sesi yang sama, nama event yang sama, dan handshake token bearer yang sama, dan penggunaan alat melalui array tools dalam pembaruan sesi seperti sebelumnya. Tidak ada migrasi transport. Juga tidak ada pola delegasi backend terdokumentasi seperti yang dipublikasikan GPT-Live-1, yang berarti penalaran yang Anda butuhkan harus dapat dijangkau sebagai alat yang dipanggil model suara secara sinkron, bukan sebagai pekerjaan latar belakang yang diawasinya.

Perbedaan itu menentukan lebih banyak deployment daripada indeksnya. Tim yang sudah menggunakan API realtime xAI beralih ke Grok Voice 3.0 hanya dengan mengubah string model — atau tanpa melakukan apa pun, karena grok-voice-latest kini mengarah ke sana dan deployment alias yang sudah ada dipindahkan secara otomatis. Tim yang menggunakan model Realtime lama OpenAI dan beralih ke GPT-Live-1 menghadapi penulisan ulang transport plus penulisan ulang delegasi.

Baris demi baris

Setiap angka di bawah ini merupakan pengukuran Artificial Analysis sendiri yang bertanggal 13 Oktober 2026, kecuali jika barisnya menyatakan sebaliknya.

• Indeks Speech to Speech — Grok Voice 3.0 86,9 vs GPT-Live-1 (Astra, medium) 83,2. Ada juga konfigurasi GPT-Live-1 yang lebih rendah yang terukur 80,1 pada varian Sol low-effort-nya, dan selisih indeksnya sepenuhnya bergantung pada yang mana yang Anda maksud.

• Performa agentik, τ-Voice — GPT-Live-1 Astra medium 74,5% vs Grok Voice 3.0 71,6%. O​penAI memimpin dalam hal ini, dan memimpin pada komponen yang memprediksi apakah masalah penelepon terselesaikan.

• Penalaran ucapan, Big Bench Audio — Grok Voice 3.0 98.5% vs GPT-Live-1 Astra medium, yang berada di rentang yang sama. Keduanya cukup dekat dengan plafon sehingga sumbu ini tidak lagi membedakan siapa pun.

• Preferensi arena — Grok Voice 3.0 memegang Elo tertinggi di papan dengan 1070. GPT-Live-1 tidak memegang arena dalam konfigurasi apa pun.

• Waktu hingga audio pertama — Grok Voice 3.0 0,81 detik vs GPT-Live-1 Astra medium pada 1,34 detik. Kira-kira 40% lebih cepat untuk mulai berbicara, dan klaim performa paling konkret yang dibuat oleh vendor mana pun.

• Biaya per tugas yang diselesaikan, Big Bench Audio — Grok Voice 3.0 $0,025 vs GPT-Live-1 Astra medium $0,030. Murah dan akurat per tugas adalah kombinasi yang mengakhiri debat pengadaan.

• Harga per menit audio — GPT-Live-1 $0.05, ditagih per detik, tanpa pembulatan ke atas menit parsial dan biaya inisialisasi sesi 15 detik yang dikreditkan terhadap durasi berikutnya, bukan ditumpuk di atasnya; Grok Voice 3.0 $0.08 per menit ditambah $0.004 per input teks.

• Input multimodal — GPT-Live-1 menerima audio dan teks, dan dokumentasinya mencantumkan gambar dan video sebagai hal yang secara eksplisit tidak didukung; Grok Voice 3.0 juga tidak memiliki landasan visual. Tidak satu pun dari keduanya dapat melihat, dan tidak ada vendor yang telah menerbitkan tanggal untuk mengubah hal tersebut.

• Suara — GPT-Live-1 hadir dengan 12; Grok Voice 3.0 mempertahankan set bawaan xAI dan endpoint suara kustom yang melatih suara dari klip referensi berdurasi hingga 120 detik.

Tagihannya, untuk beban kerja yang dapat Anda bayangkan.

Sepuluh ribu menit percakapan sehari selama tiga puluh hari sama dengan 300.000 menit sebulan.

• GPT-Live-1 — $0,05 per menit suara, jadi $15.000 sebulan hanya untuk lapisan suara saja.

• Grok Voice 3.0 — $0,08 per menit, jadi $24.000 per bulan, ditambah $0,004 per input teks.

Kedua angka tersebut hanya mencakup separuh bagian suara. Penalaran backend GPT-Live-1, panggilan alatnya, dan pencarian web apa pun ditagih secara terpisah dengan tarif model backend itu sendiri, dan sesi yang diarahkan ke model penalaran mutakhir yang mencari di setiap giliran bisa memakan biaya lebih besar untuk delegasi daripada untuk audio. Panggilan alat sinkron Grok Voice 3.0 berjalan di backend mana pun yang menjawabnya, dengan aturan yang sama. Dalam kedua kasus, "harga model suara" hanyalah sebagian kecil dari biaya panggilan, dan besarnya bagian itu bergantung pada seberapa keras penelepon Anda berpikir.

Itulah lapisan tempat router benar-benar berguna, dan penting untuk tepat soal batasnya. OrcaRouter tidak melayani kedua endpoint realtime — gpt-live-1 berada di balik Live Sessions API milik O​penAI dan Grok Voice 3.0 di balik API milik xAI sendiri, dan tidak ada yang bisa menyela sesi audio duplex yang menjadi milik satu vendor. Yang kami jalankan adalah bagian delegasinya. GPT-5.6 Terra, backend persis yang ada dalam contoh resmi terbitan OpenAI sendiri, dilayani melalui OrcaRouter pada harga daftar O​penAI sebesar $2,00 per juta token input dan $12,00 per juta token output dengan endpoint chat dan Responses keduanya tersedia, bersamalebih dari 200 model lain dalam satu kunci, pada harga daftar penyedia tanpa markup dan failover otomatis saat penyedia mengalami penurunan layanan. Karena tidak ada markup, pemotongan harga vendor pada tier penalaran langsung berlaku di sisi kami pada hari yang sama — yang penting dalam kategori di mana satu model unggulan menaikkan tarif per menitnya 60% dalam waktu tiga bulan sementara yang lain menahannya tetap.

Apa yang dikatakan setiap vendor yang tidak dibahas oleh dewan mana pun

Kedua vendor menerbitkan angka tentang lalu lintas produksi mereka sendiri. Tak satu pun dapat diverifikasi secara independen, dan cara yang jujur untuk membacanya adalah sebagai bukti kepercayaan diri, bukan kemampuan.

Angka-angka OpenAI, yang diterbitkan bersama rilis API dan tidak direproduksi oleh siapa pun: interaktivitas dupleks penuh sebesar 80,1% dibandingkan 45,4% untuk GPT-Realtime-2.1, latensi pergantian giliran dipangkas dari 1,4 detik menjadi 0,8 detik, akurasi pemanggilan alat dari 60% menjadi 87%. Yelp dikutip terkait peningkatan penanganan reservasi melalui telepon, dan platform pembelajaran bahasa Speak melaporkan interupsi hampir 80% lebih sedikit dibandingkan sistem berbasis giliran sebelumnya — dilaporkan sendiri oleh perusahaan yang berkepentingan atas hasil tersebut, dan tetap menjadi angka penerapan paling konkret dalam rilis itu.

Angka-angka SpaceXAI, yang diterbitkan bersama peluncurannya dan sama-sama tidak direproduksi: Grok Voice 3.0 menggerakkan jutaan percakapan harian di kendaraan Tesla dan SpaceX, pusat panggilan Starlink menjalankan 20.000 panggilan pelanggan sehari dalam berbagai bahasa dengan sekitar 70% diselesaikan tanpa manusia dan sekitar satu dari empat panggilan penjualan berakhir dengan pembelian, serta 74% yang dibulatkan pada EVA-Bench milik ServiceNow. Perlakukan tingkat containment sebagai angka tingkat sistem yang mengenakan kostum tingkat model — ia mencerminkan desain prompt, retrieval, dan kebijakan eskalasi sama besarnya dengan model, dan tidak ada pihak eksternal yang dapat memisahkannya.

Yang mana yang sebenarnya harus dipilih

Pilih Grok Voice 3.0 ketika latensi menjadi kendala dan stack sudah berada di xAI. Waktu ke audio pertama sebesar 0,81 detik adalah angka tercepat yang dipublikasikan di antara model suara terdepan, jalur WebSocket berarti tidak perlu menulis ulang transport, dan biaya migrasinya hanyalah string model. Pilih juga jika penelepon Anda menilai pengalaman ketimbang hasil — ini menguasai arena pada preferensi dan komposit pada kualitas, dan penelepon yang menikmati percakapan akan menutup telepon dengan lebih senang bahkan ketika tugasnya meningkat.

Ambil GPT-Live-1 ketika tugasnya adalah produk. Ia unggul atas τ-Voice pada 74,5% versus 71,6%, pola delegasinya terdokumentasi, dan backend penalarannya adalah panggilan portabel yang diukur token, bukan alat buram, serta per tugas yang diselesaikan ia kompetitif dari segi biaya meskipun ada kesenjangan indeks. Ambil juga jika Anda membangun dari nol dan tidak memiliki integrasi WebSocket yang perlu dipertahankan, karena soal transportasi hanya merugikan Anda ketika Anda sudah memilikinya.

Satu jawaban yang harus ditolak adalah menjadikan skor komposit sebagai patokan. Selisih indeks 3,7 poin dan selisih τ-Voice 2,9 poin menunjuk ke arah yang berlawanan, dan perbedaan biaya menunjuk ke arah yang ketiga — GPT-Live-1 37,5% lebih murah per menit audio sebelum Anda menghitung input teks. Siapa pun yang memilih di antara keduanya berdasarkan 86,9 versus 83,2 sedang memilih berdasarkan angka yang paling tidak berkaitan dengan apakah saluran telepon mereka berfungsi.

Apa yang akan menyelesaikannya: komitmen ketersediaan umum dan angka latensi yang dipublikasikan dari OpenAI untuk konfigurasi Astra yang memegang posisi teratas di papan peringkat, karena perbandingan 0,81 versus 1,34 saat ini bergantung pada angka xAI terhadap konfigurasi yang oleh dokumentasi OpenAI sendiri dianggap sebagai contoh; atau pergerakan harga dari salah satu pihak. Kartu tarif adalah satu bagian dari pertandingan ini yang pernah bergerak sebelumnya, dan itu bergerak ke atas.

Perbandingan seperti ini juga menjadi tempat munculnya mode kegagalan: insiden AI yang terdokumentasi dan kegagalan agen di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda disengketakan.