Card del titolo generata intitolata 'GPT-Live-1.1 vs SeedRealtime' con il sottotitolo 'Uno vende minuti, l'altro non vende nulla', che mostra una card a sinistra etichettata GPT-Live-1.1 con $0.05 per minuto attivo, $0.02 per minuto in standby e un'API pubblica, e una card a destra etichettata SeedRealtime senza API pubblica, senza pesi aperti e disponibilità solo all'interno di Doubao.
Guides & Insights

GPT-Live-1.1 vs SeedRealtime: uno vende minuti, l'altro non vende nulla

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Metti GPT-Live-1.1 e SeedRealtime fianco a fianco e il confronto smette immediatamente di riguardare la qualità. GPT-Live-1.1 è un modello vocale full-duplex che puoi chiamare oggi, noleggiare al secondo e inserire in un prodotto; è apparso sull'API O​penAI il 19 novembre 2026, cinque settimane dopo aver sostituito GPT-Live-1 all'interno di ChatGPT Voice. SeedRealtime, che il team Seed di ByteDance ha annunciato il 5 agosto 2026, è l'architettura più interessante sulla carta — un modello full-duplex audiovisivo nativo che guarda, ascolta e parla in un unico sistema — e non è qualcosa che puoi chiamare. Nessuna API pubblica, nessun peso aperto su Hugging Face, nessun numero di parametri, nessun report tecnico con numeri al suo interno.

Quindi la formulazione onesta non è "quale sia migliore". È questa: uno di questi è un prodotto con un listino prezzi, e l'altro è una dimostrazione di una capacità che il primo ha esplicitamente scelto di non rilasciare. Entrambe le affermazioni sono vere allo stesso tempo, e quale delle due conti dipende interamente dal fatto che tu stia costruendo qualcosa.

La superficie di input non ha la stessa forma

GPT-Live-1.1 ascolta. Questa è tutta la storia del suo input. La pagina del modello elenca audio e testo come modalità di input e audio e testo come output, e nient'altro — nessuna immagine, nessun video, nessun documento. Ciò che fa con l'ascolto è davvero insolito: è full duplex, il che significa che ascolta mentre parla invece di alternare i turni, e decide molte volte al secondo se continuare ad ascoltare, mettere in pausa, interrompere o affidare il lavoro a un backend. L'unico cambiamento di capacità dichiarato nell'aggiornamento di versione riguarda questo livello: rispetto a GPT-Live-1 "trascrive il parlato in modo più accurato e mantiene un accento e una voce più coerenti tra le lingue". Nessun numero è associato a tale affermazione.

SeedRealtime ascolta e vede, in un unico modello anziché in una pipeline. Il post di lancio di ByteDance descrive un'architettura unificata che fonde audio, video e testo, eseguendo percezione, comprensione, processo decisionale ed espressione in parallelo su flussi continui. Le conseguenze concrete che elenca sono quelle che un modello vocale solo testuale strutturalmente non può raggiungere: risolvere un omofono guardando la scena, capire a cosa si riferisce "questo" a partire da gesti e sguardo, e intervenire spontaneamente quando un oggetto target compare nell'inquadratura. Le dimostrazioni sono specifiche: associare nomi a volti attorno a un tavolo da pranzo rumoroso, tradurre un menu solo in cinese per un commensale straniero, notare dei chicchi interi che finiscono in un portafiltro e segnalarlo prima dell'estrazione, tenere sotto osservazione un exhibit museale finché non arriva l'opera richiesta dall'utente e poi ricordarglielo.

• Input — GPT-Live-1.1 solo audio e testo contro SeedRealtime con audio, video e testo fusi in un unico modello

• Alternanza dei turni — GPT-Live-1.1 decide internamente ad alta frequenza, mentre SeedRealtime sposta l'alternanza dei turni all'interno del modello ed elimina il rilevatore esterno di attività vocale

• Comportamento proattivo — GPT-Live-1.1 risponde, delega e chiama strumenti, mentre SeedRealtime viene descritto come in grado di intervenire spontaneamente quando qualcosa compare nel campo visivo

• Dove viene eseguito — GPT-Live-1.1 su v1/live/sessions a una tariffa al minuto pubblicata rispetto a SeedRealtime all'interno dell'app Doubao di ByteDance

• Prove — GPT-Live-1.1 ha punteggi di terze parti per il suo predecessore su Artificial Analysis, mentre SeedRealtime ha una valutazione umana end-to-end senza dimensione del campione e senza cifre

Generated two-column scoreboard titled 'GPT-Live-1.1 vs SeedRealtime — the scoreboard' with six matched rows: inputs (audio and text vs audio, video and text fused), turn-taking (decided inside the model vs moved into the model), proactive behaviour, where each runs (v1/live/sessions vs inside Doubao only), evidence (index scores for GPT-Live-1 only vs a vendor human evaluation with no figure), and price ($0.05/$0.02 per minute vs no developer product).

Quanto paghi effettivamente, e a chi

GPT-Live-1.1 fattura le sessioni vocali in base alla durata, al secondo, a 0,05 $ per minuto attivo. Dal 19 novembre 2026, una sessione WebRTC può anche essere configurata per sospendere l'inferenza durante l'inattività e fatturare 0,02 $ al minuto mentre resta in attesa, riprendendo quando qualcuno parla. L'uso dei modelli backend e degli strumenti — il lavoro di ragionamento e sugli strumenti che il livello vocale delega — viene addebitato separatamente sul contatore di token del modello che indichi. La creazione di una sessione WebRTC fattura 15 secondi di durata vocale all'inizializzazione, riaccreditati sulla durata una volta che la sessione è avviata.

Il prezzo di SeedRealtime per uno sviluppatore non è un numero, perché non esiste un prodotto per sviluppatori. È disponibile all'interno di Doubao, l'assistente per consumatori, dove ByteDance afferma che è stato "distribuito completamente" dal lancio di agosto. Si tratta di un'implementazione reale su scala reale, e non è un'API. Se la piattaforma model-as-a-service di ByteDance lo supporterà, e a quale tariffa, non è indicato nel post di lancio né sul sito Seed come consultato il 20 novembre 2026.

L'asimmetria ha una conseguenza sui costi che va oltre quella ovvia. Un modello che noleggi al secondo può essere pianificato nel budget, confrontato e disattivato. Un modello dentro l'app consumer di qualcun altro non può essere nessuna di queste cose, e quindi il confronto tra i due non ha alcun tasso di cambio. Non stai scegliendo tra 0,05 $ al minuto e qualcosa di più economico; stai scegliendo tra una voce di costo e una demo.

Dove le prove si diradano

GPT-Live-1.1 di per sé non ha un punteggio indipendente. L'indice speech-to-speech di Artificial Analysis, consultato il 20 novembre 2026, elenca GPT-Live-1 due volte — 83,2 con un backend di classe Astra a sforzo medio e 80,1 con un backend di classe Sol a sforzo basso — e non riporta ancora la 1.1. Si tratta di un modello API vecchio di un giorno, quindi il divario è atteso anziché grave, ma significa comunque che, questa settimana, il miglioramento della coerenza dell'accento è una dichiarazione del fornitore. Ciò che l'indice mostra è che la configurazione sposta il numero tanto quanto la versione: lo stesso modello ottiene 83,2 o 80,1 a seconda del backend che gli si abbina. Qualsiasi recensione che citi un singolo dato di GPT-Live senza indicarne il backend ha detto molto poco.

Le prove di SeedRealtime sono più scarse, ma in un modo diverso. ByteDance pubblica un unico risultato di rilievo — una valutazione umana end-to-end in cui il modello "riduce della metà i problemi di ritmo conversazionale audio-visivo" rispetto ai sistemi a cascata ASR + visione + TTS, con meno interruzioni a metà frase, meno risposte lente dopo una pausa e meno falsi avvii dovuti al chiacchiericcio di fondo. Non ci sono dimensione del campione, metodologia, intervallo di confidenza né dato di latenza. Non ci sono nemmeno numero di parametri e rapporto tecnico. Non è la prova di un modello debole — le dimostrazioni sono abbastanza specifiche da suggerire un sistema reale — ma è un’affermazione non verificabile, e non compare in nessuna classifica indipendente.

Screenshot of the ByteDance Seed blog post announcing SeedRealtime, showing the 2026-08-05 publication date, the Audio category label, and the three stated breakthroughs of the model.

Nota cosa significa nello specifico per il confronto: i due modelli non sono su una scala comune. Uno ha numeri di terze parti per la versione precedente e una tariffa pubblicata; l'altro ha una frase del fornitore e nessun modo per acquistarlo. Classificarli l'uno rispetto all'altro significherebbe inventare una misurazione.

Perché il divario API è l'intero argomento

Viene la tentazione di trattare «nessuna API» come uno stato temporaneo che si risolverà da sé e quindi come un dettaglio. Per una decisione di build, è l'esatto contrario: è l'unico fatto che determina pienamente la risposta.

Se stai per lanciare un prodotto vocale nel prossimo trimestre, SeedRealtime non è nella tua lista di opzioni, e nessuna ambizione architetturale cambia questo. GPT-Live-1.1 è nella lista, con una configurazione di sessione documentata, una tariffa pubblicata, una modalità standby che rende economiche le connessioni inattive e un modello di delega che ti consente di mantenere il ragionamento in un backend che controlli. L'unica cosa che non farà è guardare la fotocamera del tuo utente.

Vale la pena valutare onestamente il costo di quest'ultimo limite, perché è qui che i requisiti di un team si dividono davvero. Una linea di assistenza, un assistente per auto, un tutor linguistico, un agente per la pianificazione: nessuno di questi ha bisogno del video, e tutti traggono vantaggio da un modello che gestisce bene interruzioni e delega a un costo noto. Un agente che osserva una riparazione, legge un menu o segue una dimostrazione ha bisogno della modalità che SeedRealtime possiede e GPT-Live-1.1 no, e per quel carico di lavoro la risposta oggi è aspettare, oppure costruire la cascata contro cui ByteDance sta argomentando.

Generated decision card titled 'Which voice workload fits which model', with a left column headed 'GPT-Live-1.1 can take this today' listing support lines, in-car assistants, language tutors and scheduling agents, and a right column headed 'This needs a camera' listing repair guidance, menu reading and demonstration following, captioned 'SeedRealtime shows these; no public API yet.'

Il punto in cui entra in gioco un router è la parte della delega. OrcaRouter non serve GPT-Live-1.1 né SeedRealtime — nessuno dei due è un modello chat, e il catalogo non include alcun endpoint vocale full-duplex. Serve invece il backend a cui il livello vocale affida il lavoro: gpt-6-luna, gpt-6-sol e il resto della famiglia GPT-6 sono disponibili dietro un'unica chiave al prezzo di listino del provider, senza ricarichi, con failover automatico tra provider e un DSL di routing per comporre più modelli in un'unica chiamata. Se la tua sessione Live delega a un backend, quel backend è la parte che puoi instradare oggi.

Cosa tenere d'occhio e cosa fare ora

Due cose cambierebbero questo confronto, e nessuna delle due si è verificata. Un endpoint pubblico di SeedRealtime — sulla piattaforma di ByteDance stessa o altrove — trasformerebbe in una notte una dimostrazione in un'opzione, e solleverebbe immediatamente la questione se il contesto visivo valga il lavoro di integrazione. Una misurazione indipendente di GPT-Live-1.1 sull'indice speech-to-speech direbbe se l'affermazione sugli accenti multilingue è reale, e se l'83,2 che GPT-Live-1 ottiene con un backend Astra si mantiene.

Fino ad allora, la decisione è insolitamente netta. Se devi rilasciare la voce, GPT-Live-1.1 è chiamabile, ha un prezzo e — con lo standby — costa meno lasciarlo connesso di quanto costasse una settimana fa. Se ti serve un modello che vede, nessuna quantità di capacità da parte di ByteDance si traduce in una chiave API, e la cosa responsabile è dirlo invece di mettere a confronto un prodotto con un'anteprima.

Confrontati in questo articolo1

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno