GPT-Live-1 vs Eleven v4: l'unità di fatturazione decide prima della voce

Metti GPT-Live-1 e Eleven v4 fianco a fianco e la prima differenza che incontri non è un benchmark. È un’unità. GPT-Live-1 addebita $0,05 per ogni minuto in cui la sessione è aperta. Eleven v4 addebita $0,08 per ogni mille caratteri che l’agente dice effettivamente. Un contatore corre sull’orologio, l’altro sul copione, e da ciò consegue quale dovresti acquistare prima che l’uno o l’altro modello produca una sillaba.

Quella distinzione si perde nella maggior parte dei confronti, che tendono a mettere un indice speech-to-speech accanto a un Elo text-to-speech e a chiamarlo confronto diretto. Non è così. Ecco cosa sono in realtà i due prodotti, cosa possono e non possono dirti i numeri esistenti, e l'aritmetica che risolve la questione per una linea di assistenza, un audiolibro e i casi scomodi nel mezzo.

Due prodotti, due compiti

GPT-Live-1 è il modello vocale full-duplex di OpenAI, disponibile sull'API dal 10 settembre 2026. Ascolta mentre parla, decide molte volte al secondo se cedere la parola e delega il ragionamento a un modello di testo separato quando una domanda lo richiede. Ha esattamente un endpoint — v1/live/sessions — e nessuna interfaccia Chat Completions o Realtime, il che significa che non è un ID modello da inserire in un'integrazione Realtime esistente; è una sessione che si apre.

Eleven v4 è un modello di sintesi vocale, rilasciato il 28 settembre 2026 insieme a una versione v4 Turbo a bassa latenza. Gli dai del testo, e restituisce audio in una delle oltre 90 lingue, con clonazione vocale istantanea in 10 secondi, tag audio inline per emozione e ritmo, e un limite di 10.000 caratteri per richiesta. Non ha orecchie. Non può sentire chi chiama, accorgersi che ha interrotto, né decidere di fermarsi perché la frase è caduta male.

Quell'asimmetria spiega tutto. Un voice agent costruito su Eleven v4 è una pipeline: trascrive, pensa, parla. Un voice agent costruito su GPT-Live-1 è un unico modello con un modello testuale agganciato come consulente. La pipeline costa meno ed è più controllabile. Il modello end-to-end è più naturale e molto più difficile da interrompere. Sono prodotti diversi per stanze diverse, non implementazioni concorrenti dello stesso prodotto.

Cosa possono dire onestamente le classifiche

Non esiste un'unica classifica in cui questi due si sfidano, e chiunque te ne mostri una sta confrontando punteggi non comparabili. Su Provider Voice Arena di Artificial Analysis — voci native, preferenza cieca, rilevate il 29 ottobre 2026 — Eleven v4 si colloca a 1334 Elo, secondo del gruppo, con v4 Turbo a 1336 che conquista il primo posto. Nessuno contesta che la qualità della voce sia eccellente: 91,7% di robustezza nella pronuncia secondo la misurazione di quel laboratorio, il valore più forte tra i principali modelli commerciali al lancio.

GPT-Live-1 non compare affatto in quella classifica, perché non genera sintesi vocale nel senso in cui la classifica la misura. Compare invece nella Speech Agent Arena, che assegna un punteggio di preferenza cieca su conversazioni complete in stile prenotazione. Lì GPT-Live-1 (Astra, medium) si colloca a 1037 Elo con un tasso di successo del compito dell'87,4%, mentre la configurazione Sol-low è a 1041 con il 90,9%. Nel Speech-to-Speech Index — una combinazione ponderata di ragionamento, prestazioni agentiche, preferenza dell'arena e successo del compito — ottiene 83,2, secondo su 21 modelli valutati.

Il confronto che regge davvero è GPT-Live-1 contro i prodotticonversazionali di Eleven, non il suo modello TTS. Nella stessa arena, Eleven Realtime v1 Max ottiene 1003 con l'87,1% di successo nei task, e la cascata predefinita di ElevenLabs Agents ottiene 989 con il 90,5%. Quindi il modello end-to-end supera l'alternativa realtime di circa 35–50 Elo, mentre lo stack di agenti in cascata si colloca circa 50 punti più in basso con un tasso di successo leggermente migliore. Quei numeri sono abbastanza vicini che la telefonia, la progettazione dei prompt e il rumore di fondo di una singola distribuzione decideranno l'esito, non la classifica.

Un'ulteriore precisazione onesta: i dati di GPT-Live-1 portano un'etichetta di configurazione. Il suo ragionamento è eseguito da un backend denominato, e le configurazioni Astra-medium e Sol-low ottengono punteggi diversi perché delegano in modo diverso. I numeri di Eleven portano invece un'etichetta di prodotto. Nessuno dei due è un esperimento controllato rispetto all'altro.

L'aritmetica, in una chiamata di tre minuti

Prendi una chiamata di supporto in entrata in cui l'operatore parla a 900 caratteri al minuto — un ritmo vivace ma nella norma — e il chiamante parla per circa il 40% dei tre minuti.

• GPT-Live-1 — tre minuti a $0,05 fanno $0,15, più il modello di testo backend per qualsiasi ragionamento richieda la chiamata. Al minuto: $0,050.

• Eleven v4 — l'agente parla circa 1.620 caratteri, quindi 1,62 × $0,08 = $0,13, più la trascrizione e il tuo modello linguistico. Al minuto: circa $0,043 prima di STT e LLM.

• Eleven v4 Turbo — gli stessi 1.620 caratteri a $0,04 per mille: $0,065, ovvero circa $0,022 al minuto prima di STT e LLM.

Turbo è più economico di GPT-Live-1 anche dopo aver aggiunto un segmento speech-to-text e un modello linguistico modesto, ed è per questo che la cascata continua a prevalere nelle valutazioni dei costi. Ma il confronto cambia forma nel momento in cui il chiamante parla più dell'agente. Ogni secondo in cui la persona monologa è un secondo per il quale Eleven v4 non addebita nulla e GPT-Live-1 addebita la tariffa piena — compreso il silenzio mentre qualcuno legge un numero di polizza da una carta, e compresa l'attesa mentre il tuo backend elabora.

Non è una differenza di arrotondamento. Su una linea in cui l'agente parla il 30% del tempo, la bolletta TTS scende di due terzi mentre la bolletta al minuto non si muove affatto. Il minuto a tariffa fissa è una scommessa sul fatto che i tuoi chiamanti parleranno, e ripaga esattamente quando lo fanno.

L'aritmetica, su una narrazione di quaranta minuti

Ora gli stessi due modelli su un capitolo di audiolibro — 36.000 caratteri, un solo narratore, nessuna interruzione, nessun ragionamento, output deterministico richiesto.

• Eleven v4 — 36 × $0,08 = $2,88 per il capitolo, e puoi rigenerare un singolo paragrafo a nove centesimi quando la pronuncia è sbagliata.

• GPT-Live-1 — 40 minuti a $0,05 = $2,00, e non puoi rigenerare un paragrafo, perché l'unità di lavoro è una sessione dal vivo anziché un pezzo di testo.

GPT-Live-1 sembra più economico ed è lo strumento sbagliato. Non ha un modo documentato per prendere un copione di 36.000 caratteri e restituire un file deterministico; è una superficie di conversazione, e una conversazione con un libro non è una narrazione. Il verdetto onesto su questa riga non è «Live costa meno», ma «questo modello non fa questo lavoro».

Dove il modello al minuto merita davvero il suo sovrapprezzo

Tre situazioni lo giustificano, e condividono una proprietà: la persona tiene la parola per quantità di tempo imprevedibili.

• Acquisizione con molte interruzioni — sinistri assicurativi, triage clinico, qualsiasi situazione in cui chi chiama si corregge a metà frase. Una cascata deve rilevare l'interruzione, interrompere la riproduzione e rientrare nel ciclo; GPT-Live-1 è già in ascolto.

Prenotazione e dispatch — turni brevi, rapido botta e risposta, uso intensivo del tool calling. I dati di OpenAI stessa dichiarano un'accuratezza del 87% nel tool calling su questo modello rispetto al 60% della generazione Realtime che sostituisce, e si tratta di dati dichiarati dal fornitore, non riprodotti in modo indipendente.

• Ovunque la latenza è il prodotto — un turno da 0,8 secondi contro un turno da 1,4 secondi è la differenza tra una conversazione e un walkie-talkie. Anche questo dichiarato dal fornitore.

E tre situazioni lo contraddicono:

• Narrazione, lettura ad alta voce, audiolibri, voce fuori campo per video — testo in ingresso, file in uscita, senza bisogno di ascoltare.

• Voce del brand — la clonazione di Eleven v4 è una funzionalità del prodotto con una riserva sul retraining; GPT-Live-1 utilizza voci di modello fisse, quindi «la voce del nostro fondatore» non è in menu.

• Lunghi silenzi — musica d'attesa, linee silenziate, agenti in attesa su un backend lento. Ognuno di quei secondi costa.

Nemmeno la migrazione è simmetrica

Passare a Eleven v4 da v3 comporta un cambio di model-id più un avvertimento: le voci clonate esistenti devono essere riaddestrate, e SSML viene sostituito dai tag audio inline, quindi tutto ciò che generava SSML va riscritto. Fastidioso, ma circoscritto al tuo layer TTS.

Passare a GPT-Live-1 da un'integrazione Realtime significa ricostruire da zero. Endpoint diverso, semantica di sessione diversa, unità di fatturazione diversa e nessuno shim di compatibilità. Metti a budget il layer di orchestrazione, non solo la sostituzione — e tieni presente che la maggior parte delle piattaforme di voice-agent di terze parti non include ancora GPT-Live-1 tra i provider selezionabili, quindi molto probabilmente dovrai scrivere da te il codice di integrazione per la telefonia.

Quali modifiche di routing riguardano questa decisione?

Qualunque strada tu scelga, la decisione non è tutto-o-niente per l'intero tuo stack. Il livello vocale è l'unico pezzo che resta legato a un fornitore specifico: OrcaRouter non serve GPT-Live-1, e un modello di sintesi vocale come Eleven v4 è un contratto a sé ovunque lo acquisti. Ciò che sta dietro il livello vocale è un'altra questione — le chiamate di ragionamento, il modello per il tool-calling, il percorso di fallback quando un fornitore si degrada passano tutti attraverso un'unica chiave su OrcaRouter, su oltre 200 modelli tra cui GPT-6 Astra, GPT-5.6 Terra e GPT-5.6 Sol, i tier a cui GPT-Live-1 delega.

Quella separazione è la versione pratica di questo confronto. Noleggia l’orecchio da chi ha il migliore in questo trimestre e mantieni il cervello instradabile, così che un taglio di prezzo, un’interruzione del servizio o un modello migliore non richiedano di toccare la parte che i tuoi utenti possono sentire. I prezzi di listino dei provider passano con un ricarico dello 0%, quindi un taglio del fornitore sul livello di ragionamento compare sulla tua bolletta lo stesso giorno in cui viene annunciato.

Scegli in base alla forma della conversazione

Se i tuoi utenti interrompono, si correggono e si aspettano che l'agente sappia quando smettere di parlare, GPT-Live-1 a 0,05 $ al minuto è il prodotto migliore e probabilmente l'acquisto migliore — il premium compra un comportamento che non puoi ottenere da una pipeline a nessun prezzo. Se i tuoi utenti ascoltano invece di parlare, Eleven v4 o v4 Turbo costa meno per parola consegnata, è più controllabile, clonabile sul tuo brand ed è la risposta corretta; il punteggio Elo di 1334 è un bonus in più.

La modalità di errore da evitare è scegliere in base alla posizione in classifica. Il 1334 di v4 e l'83,2 di Live misurano cose diverse su scale diverse, e un team che sceglie tra i due in base a quei due numeri sta scegliendo tra un righello e un termometro.