「GPT-Live-1.1 vs SeedRealtime」というタイトルのタイトルカードが生成され、サブタイトルは「片方は分を売り、片方は何も売らない」。左側のカードには GPT-Live-1.1 と表示され、アクティブ1分あたり$0.05、待機1分あたり$0.02、公開APIを備える。右側のカードには SeedRealtime と表示され、公開APIなし、オープンウェイトなし、Doubao内でのみ利用可能である。
Guides & Insights

GPT-Live-1.1 vs SeedRealtime:一方は「分」を売り、一方は何も売らない

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

を並べてみると、GPT-Live-1.1とSeedRealtime比較はすぐに品質の話ではなくなる。GPT-Live-1.1 は、今日すぐに呼び出せて、秒単位でレンタルでき、製品に組み込める全二重音声モデルだ。2026年11月19日に O​penAI API で登場し、ChatGPT Voice 内で GPT-Live-1 を置き換えてから5週間後のことだった。ByteDance の Seed チームが2026年8月5日に発表した SeedRealtime は、紙の上ではより興味深いアーキテクチャだ。見て、聞いて、話すことを1つのシステムで行うネイティブな音声映像全二重モデルであり、呼び出せるものではない。公開 API も、Hugging Face 上のオープンウェイトも、パラメータ数も、数値の入った技術レポートもない。

ですから、正直なところ、問いの立て方は「どちらが優れているか」ではありません。一方は料金表を備えた製品であり、もう一方は、その製品が明示的に出荷を見送った能力の実演です。この二つの記述は同時に真であり、どちらが重要かは、あなたが何かを作っているかどうかで完全に決まります。

入力面の形状が同じではありません

GPT-Live-1.1が聴き取る。それがこのモデルの入力に関する話のすべてだ。モデルページには入力モダリティとして音声とテキスト、出力として音声とテキストが挙げられているだけで、それ以外は何もない——画像も、動画も、文書もない。その聴き取った内容の扱い方は実に独特だ。フルデュプレックス、つまり交互にターンを取るのではなく、話しながら聴いており、聴き続けるか、一時停止するか、遮るか、バックエンドに処理を渡すかを毎秒何度も判断している。バージョンアップで明記されている能力の変化はこの層だけだ。GPT-Live-1と比べて「音声をより正確に文字起こしし、言語をまたいでもアクセントと声をより一貫して保つ」とされている。その主張に数値は付されていない。

SeedRealtimeは、パイプラインではなく単一のモデルで聞き、見る。ByteDanceのローンチ投稿は、音声・映像・テキストを融合し、知覚・理解・意思決定・表現を連続ストリーム上で並行して実行する統合アーキテクチャについて説明している。そこに列挙されている具体的な帰結は、テキストのみの音声モデルが構造上到達できないものだ。場面を見て同音異義語を解決すること、「これ」が何を指すのかを身振りや視線から割り出すこと、対象物がフレーム内に現れたら促されずとも自ら発言すること。実演は具体的だ。騒がしい食卓をまたいで名前と顔を結びつけること、中国語だけのメニューを外国人客のために翻訳すること、豆が丸ごとポルタフィルターに入るのに気づき、抽出前にそう告げること、ユーザーが求める作品が届くまで博物館の展示物を視界に収め続け、その後で思い出させること。

• 入力 — GPT-Live-1.1は音声とテキストのみ、SeedRealtimeは音声・映像・テキストを単一モデルで融合

• ターン交代 — GPT-Live-1.1は高頻度で内部的に判断するのに対し、SeedRealtimeはターン交代をモデル内に移し、外部の音声活動検出器を排除します

• 主体的な行動 — GPT-Live-1.1 は応答・委任・ツール呼び出しを行うのに対し、SeedRealtime は視界に何かが現れると促されなくても自ら発言すると説明されている

• 実行場所 — v1/live/sessions 上の GPT-Live-1.1 を公開された分単位の料金で利用する場合と、ByteDance の Doubao アプリ内の SeedRealtime

• 根拠 — GPT-Live-1.1は前モデルについてArtificial Analysisの第三者スコアを有する一方、SeedRealtimeはサンプルサイズも数値もないエンドツーエンドの人手評価しかない

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).

実際に支払う金額と、その支払い先

GPT-Live-1.1 は音声セッションを時間に応じて秒単位で課金し、アクティブな1分あたり $0.05 です。2026年11月19日以降、WebRTC セッションは非アクティブ時に推論を一時停止し、待機中は1分あたり $0.02 で課金し、誰かが話すと再開するように設定することもできます。バックエンドのモデルとツールの使用量(音声レイヤーが委任する推論とツール作業)は、指定したモデルのトークンメーターで別途課金されます。WebRTC セッションの作成時には、初期化時に音声時間の15秒分が課金され、セッションが実行されるとその分は音声時間から相殺されます。

SeedRealtimeの開発者向け価格は数値では示されていない。なぜなら、開発者向け製品が存在しないからだ。これはコンシューマー向けアシスタントであるDoubao内で利用可能で、ByteDanceによれば8月のローンチ以降「完全に展開済み」だという。これは実際の規模での実運用であり、APIではない。ByteDanceのモデル・アズ・ア・サービス基盤がこれを提供するかどうか、またその料金がいくらになるかは、2026年11月20日時点で読めるローンチ投稿にもSeedサイトにも記載されていない。

非対称性には、明らかなものにとどまらないコスト上の帰結がある。秒単位で借りるモデルは、予算化し、比較し、停止できる。他人の消費者向けアプリの中にあるモデルは、そのどれもできない。したがって、両者の比較には為替レートが存在しない。あなたは毎分0.05ドルと、それより安い何かの間で選んでいるのではない。費目とデモの間で選んでいるのだ。

証拠が薄れていくところ

GPT-Live-1.1自体には独立したスコアが存在しない。Artificial Analysisの音声対音声インデックスを2026年11月20日時点で見ると、GPT-Live-1が2件掲載されている。ミディアム設定のAstraクラスのバックエンドで83.2、低設定のSolクラスのバックエンドで80.1であり、1.1はまだ収録されていない。これは提供開始から1日しか経っていないAPIモデルなので、この差は当然のことであり、致命的とまでは言えない。ただし、それは今週の時点で、アクセント一貫性の改善がベンダーの発言にとどまっていることを意味する。このインデックスが実際に示しているのは、設定がバージョンと同じくらい数値を左右するということだ。同じモデルでも、接続するバックエンド次第で83.2にも80.1にもなる。バックエンドを明示せずにGPT-Liveの数値を1つだけ引用したレビューは、ごくわずかなことしか伝えていない。

SeedRealtimeの証拠はまた別の意味で薄い。ByteDanceは1つの主要な結果を公表している——カスケード型のASR+視覚+TTSシステムと比較して、モデルが「音声映像会話のテンポの問題を半減させる」というエンドツーエンドの人手評価で、文の途中での打ち切りが少なく、発話停止後の応答のもたつきが少なく、背景の雑談による誤発火が少ないというものだ。サンプルサイズ、方法論、信頼区間、レイテンシの数値はない。パラメータ数も技術レポートもない。これは弱いモデルの証拠ではない——デモは実際のシステムを示唆するのに十分具体的だ——が、検証できない主張であり、どの独立系リーダーボードにも現れていない。

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.

特に比較にとってこれが何を意味するかに注意してください。二つのモデルは共通の尺度上にはありません。一方には前バージョンに関する第三者による数値と公表された料率がありますが、他方にはベンダーの一文があるだけで、購入する方法がありません。両者を互いに順位付けすることは、測定値をでっち上げることにほかなりません。

なぜAPIの差が議論のすべてなのか

「APIがない」ということを、いずれ自然に解消する一時的な状態、ひいては些末な詳細として扱いたくなる。しかしビルド判断においては逆である。それは答えを完全に決める唯一の事実なのだ。

次の四半期に音声プロダクトをリリースする予定なら、SeedRealtimeは選択肢のリストに入らない。どれだけアーキテクチャ上の野望を抱いても、その事実は変わらない。GPT-Live-1.1はリストに入る。文書化されたセッション設定、公開された料金、アイドル接続を安価にするスタンバイモード、そして推論を自分が管理するバックエンドに保持できる委譲モデルを備えている。ただ一つできないのは、ユーザーのカメラを見ることだ。

その最後の制約は、正直にコストを見積もる価値がある。なぜなら、チームの要件が実際に分かれるのはまさにそこだからだ。サポート窓口、車載アシスタント、語学チューター、スケジューリングエージェント——これらはいずれも動画を必要とせず、そのすべてが、中断と委任を既知のコストでうまく処理するモデルの恩恵を受ける。修理を観察したり、メニューを読み取ったり、実演を追ったりするエージェントには、SeedRealtimeが備え、GPT-Live-1.1が備えないモダリティが必要であり、そのワークロードに対する今日の答えは、待つことか、ByteDanceが反対を唱えているカスケードを構築することだ。

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.'

ルーターが担うのは委譲側の半分です。OrcaRouter は GPT-Live-1.1 や SeedRealtime を提供していません。どちらもチャットモデルではなく、カタログには全二重音声エンドポイントがありません。しかし、音声レイヤーが処理を委ねるバックエンドは提供しています:gpt-6-luna、gpt-6-sol をはじめとする GPT-6 ファミリーの残りは、1つのキーでプロバイダーの定価(マークアップなし)で利用でき、プロバイダー間の自動フェイルオーバーと、複数のモデルを1回の呼び出しにまとめるルーティング DSL を備えています。Live セッションがバックエンドに委譲する場合、そのバックエンドこそが今日ルーティングできる部分です。

今、注目すべきことと、取るべき行動

この比較を変える要因は2つあり、どちらもまだ起きていない。公開されたSeedRealtimeエンドポイントが——ByteDance自身のプラットフォーム上であれ、どこか別の場所であれ——あれば、デモは一夜にして選択肢になり、視覚コンテキストが統合作業に値するかという問いを直ちに提起するだろう。音声対音声インデックス上でGPT-Live-1.1を独立に測定すれば、多言語アクセントの主張が本当かどうか、そしてGPT-Live-1がAstraバックエンドで記録する83.2がそのまま当てはまるかどうかが分かるだろう。

それまでは、この判断は異例なほど明確だ。音声機能をリリースする必要があるなら、GPT-Live-1.1は呼び出し可能で価格も設定されており、さらにスタンバイがあれば、接続したままにしておく方が1週間前より安くつく。視覚を持つモデルが必要なら、ByteDance側の能力がどれほど高くてもAPIキーに変わることはなく、責任ある対応は、製品をプレビューと比較して順位づけするのではなく、そうだと明言することだ。

この記事で比較したモデル1

この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新