GPT-Live-1 vs Voxtral 3: Il prezzo che non è il prezzo

Voxtral 3 pubblicizza un agente vocale completo a 0,04 $ al minuto. GPT-Live-1 pubblicizza 0,05 $ al minuto e poi ti addebita di nuovo il costo del ragionamento. Sui numeri di facciata, Mistral costa il 20% in meno e include di più — riconoscimento vocale, sintesi vocale e un modello di ragionamento in un'unica tariffa — mentre il numero di OpenAI copre solo il livello vocale. Quella lettura è tecnicamente corretta e fuorviante nella pratica, perché con le due tariffe non si compra la stessa cosa.

Entrambi rilasciati nel giro di sei settimane l'uno dall'altro: GPT-Live-1 all'API il 10 settembre 2026, Voxtral 3 in anteprima pubblica il 20 ottobre. Entrambi si rivolgono allo stesso cliente: chi sviluppa un agente telefonico che deve sostenere una conversazione. Ci arrivano per strade opposte, e la differenza di costo sopravvive solo se non li interrompi mai.

Che cosa c’è davvero dentro ogni minuto

Inizia da ciò che includono i contatori, perché è qui che il confronto cambia.

• Agente completo Voxtral 3 — $0,04 al minuto con Mistral Small 4 come motore di ragionamento, $0,08 con uno più potente. Copre trascrizione, sintesi e il modello linguistico.

• GPT-Live-1 — $0.05 al minuto solo per la voce, fatturato al secondo. Il ragionamento backend, le chiamate agli strumenti e la ricerca web vengono fatturati separatamente alle normali tariffe del modello.

• Solo Voxtral 3 TTS — 13 $ per milione di caratteri, circa 0,70 $ per ora di parlato a un ritmo normale.

• Audio di input di GPT-Live-1 — misurato a 5,83 $ all'ora di audio di input nella sua configurazione ad alto ragionamento, 4,47 $ in quella a basso ragionamento, secondo il set fisso di 40 domande di Artificial Analysis.

Quindi il confronto onesto per minuto su una chiamata di dieci minuti è di $0,40 per Voxtral 3 tutto incluso contro $0,50 più il backend per GPT-Live-1 — diciamo $0,50-$0,55 a seconda di quanto deve pensare l'agente. Mistral vince su quest'aritmetica, e la vince includendo un componente che OpenAI omette.

A meno che la chiamata non sia per lo più silenzio. La tariffa per agente vocale di Voxtral viene calcolata a consumo come una sessione; quella di GPT-Live-1 lo è senz'altro. Nessuno dei due fornitori pubblica un'esenzione per il silenzio, e qualsiasi soluzione che tenga i chiamanti in attesa dovrebbe dare per scontato che entrambi i contatori continuino a girare. Questa differenza non avvantaggia nessuna delle due parti, ma significa che le tariffe pubblicizzate non sono il punto giusto su cui ottimizzare.

Pipeline rispetto a duplex, di nuovo.

Voxtral 3 è uno stack, non un modello: modelli di trascrizione (Mini Transcribe 3 con 4B parametri, Small e una variante in tempo reale), un modello di sintesi e un Voice Agent SDK basato su LiveKit che li collega insieme con un modello linguistico nel mezzo. L'affermazione di Mistral sulla latenza riguarda circa 90 millisecondi al primo audio, il che è davvero veloce per la fase di sintesi.

La sintesi veloce non equivale a un buon turn-taking. Una cascata deve comunque decidere quando l'interlocutore ha finito di parlare, e questa decisione spetta a un rilevatore di attività vocale o a un modello di rilevamento dei turni posto a monte della pipeline. Quando sbaglia la previsione, l'agente o parla sopra al chiamante o aspetta un attimo di troppo, e nessuna sintesi da 90 ms può rimediare.

GPT-Live-1 è un'unica rete che ascolta e parla nello stesso momento, decidendo molte volte al secondo se cedere il turno. È questa la capacità per cui paghi il centesimo in più, e non è una funzionalità che puoi assemblare a partire da parti. È anche il motivo per cui il modello di OpenAI non ha voci di trascrizione o sintesi: non c'è nulla da elencare come voce.

Il test pratico non è la latenza, ma il tasso di interruzione. Se le persone che chiamano parlano in frasi complete e aspettano il proprio turno, una pipeline va bene ed è più economica. Se a metà frase dicono «no, aspetta, intendevo l'altro», stai acquistando un comportamento duplex, che tu lo abbia ammesso o no.

Lingue, dialetti e dove risiedono i dati

Mistral distribuisce Voxtral 3 con oltre 35 lingue e oltre 50 dialetti, controllo di emozione e stile, clonazione zero-shot e un percorso di adattamento "Pro Voice" che richiede circa 30 minuti di audio di riferimento. La documentazione di GPT-Live-1 non dice nulla sulla copertura dei dialetti e offre voci di modello fisse, senza clonazione.

Se il tuo prodotto è europeo — francese, tedesco, italiano, spagnolo, olandese — Voxtral 3 è l'offerta più completa, e il posizionamento UE di Mistral è un argomento concreto nelle trattative di procurement a cui OpenAI non risponde in modo altrettanto diretto. Questo è un fatto commerciale più che un benchmark, e per molti acquirenti decide l'accordo prima ancora che si parli di latenza.

Se il tuo prodotto è assistenza o prenotazioni in lingua inglese in un unico mercato, l’ampiezza linguistica è un inventario che non utilizzerai, e il comportamento duplex è ciò che noterai a ogni chiamata.

La trappola dei pesi aperti

Vale la pena segnalarlo perché coglie di sorpresa molti: Voxtral 3 stesso è un'API chiusa. Il modello scaricabile di questa famiglia è un checkpoint TTS 4B più vecchio, di marzo 2026, rilasciato con licenza CC BY-NC 4.0 — non commerciale — un modello diverso e più vecchio, con un punteggio nell'arena inferiore. L'implementazione autonoma di Voxtral 3 in ambito enterprise è un accordo negoziato, non un link per il download.

Quindi nessuno dei due modelli in questo confronto ti fornisce i pesi. GPT-Live-1 non ne ha per concezione. Voxtral 3 non ne ha per politica. Se possedere il modello è un requisito, entrambi sono esclusi e la conversazione passa a Fish Audio Drama 3 o Ming-3.0-TTS.

Che cosa misurano i consigli di amministrazione e che cosa no

Voxtral 3 TTS si colloca a 1223 Elo nel Provider Voice Arena di Artificial Analysis, rilevato il 29 ottobre 2026 — quattordicesimo nel gruppo, a 13 $ per milione di caratteri. È un solido risultato di sintesi: dietro Eleven v4 a 1334, davanti a diversi modelli che costano di più.

GPT-Live-1 non appare su quella classifica, e chiunque collochi il suo punteggio Speech-to-Speech Index di 83,2 accanto al 1223 di Voxtral sta confrontando un indice ponderato delle conversazioni con un Elo basato su preferenze cieche. Nelle classifiche in cui compaiono i sistemi conversazionali, GPT-Live-1 ottiene da 1037 a 1041 Elo su Speech Agent Arena, con un tasso di successo nelle attività tra 87,4% e 90,9%. Lo stack di agenti di Voxtral 3 non ha ancora accumulato abbastanza conversazioni nell'arena per essere inserito in classifica.

Quell'assenza è il dato più utile di questa sezione. Non esiste un confronto diretto indipendente tra questi due, il che significa che ogni confronto che leggi — incluso questo — si basa su tariffe pubblicate e architettura, non su un esperimento controllato. Chiunque ti dica che uno dei due è misurabilmente più naturale al telefono sta citando un fornitore.

Dove si colloca l'argomento di routing

Nessuno dei due modelli è servito da OrcaRouter. Voxtral 3 è l'API di Mistral; GPT-Live-1 è quella di OpenAI. Ciò che è instradabile è il motore di ragionamento a cui ciascuno delega, e qui le due architetture divergono in un modo che conta per come si progetta lo stack.

Voxtral 3 ti consente di scegliere il modello di ragionamento all'interno della propria tariffa agente: Small 4 a 0,04 $, qualcosa di più potente a 0,08 $. GPT-Live-1 lascia il backend completamente aperto, il che significa che puoi indirizzarlo verso qualunque modello di testo tu preferisca, compresi GPT-6 Astra, GPT-5.6 Terra o un livello più economico, dietro un'unica chiave, con il linguaggio DSL di routing che ti consente di assegnare modelli diversi a tipi di attività diversi all'interno della stessa implementazione.

Quella flessibilità vale soldi veri su un carico di lavoro misto: un modello economico gestisce la conferma dell'indirizzo e un modello di frontiera gestisce l'addebito contestato, senza un secondo contratto o una seconda integrazione. I prezzi di listino dei provider passano con uno 0% di ricarico, quindi una riduzione sul livello di reasoning arriva in fattura il giorno stesso in cui viene applicata, anziché al rinnovo contrattuale successivo.

La decisione

Scegli {{1}}Voxtral 3{{/1}} se stai sviluppando in Europa, hai bisogno di molte lingue e dialetti, vuoi una sola fattura che copra dalla trascrizione alla sintesi e i tuoi chiamanti sono ragionevolmente educati a rispettare i turni. Costa meno al minuto tutto compreso, è lo stack più completo e il punteggio di sintesi {{2}}1223{{/2}} è rispettabile.

Scegli GPT-Live-1 se le interruzioni sono il prodotto — presa in carico, triage, smistamento, qualsiasi situazione in cui chi chiama si corregge e l'agente deve sentirlo mentre accade. Pagherai di più al minuto, avrai meno controllo e otterrai l'unico comportamento che una pipeline non può comprare a nessun prezzo.

La trappola da evitare è confrontare le due tariffe di punta e concludere che $0.04 batte $0.05. Quei numeri non misurano lo stesso minuto: uno comprende un trascrittore, un sintetizzatore e un ragionatore; l’altro comprende un orecchio. Acquista quello i cui contenuti corrispondono al lavoro, poi discutine il prezzo.