GPT-Live-1 対 Eleven v4：音声より先に課金単位が決める

を並べてみると、GPT-Live-1とEleven v4最初に出会う違いはベンチマークではありません。それは単位です。GPT-Live-1はセッションが開いている間の1分ごとに0.05ドルを請求します。Eleven v4はエージェントが実際に話す1000文字ごとに0.08ドルを請求します。一方のメーターは時計で動き、もう一方はスクリプトで動きます。そして、どちらを買うべきかは、どちらのモデルも一音を発する前に、そこから導かれます。

その区別はほとんどの比較で失われ、音声対音声の指標をテキスト音声合成のEloの隣に並べて、それを直接対決と呼びがちだ。そうではない。ここでは、この2つの製品が実際に何であるか、存在する数値が何を伝えられ、何を伝えられないか、そしてサポート窓口、オーディオブック、その中間にある厄介なケースについてそれを解決する計算を示す。

2つの製品、2つの役割

GPT-Live-1はOpenAIの全二重音声モデルで、2026年9月10日からAPIで提供されている。話しながら聞き、1秒に何度も発言権を譲るかどうかを判断し、質問に推論が必要なときは推論を別のテキストモデルに委任する。エンドポイントは正確に1つ—— v1/live/sessions—— だけであり、Chat CompletionsやRealtimeのサーフェスはない。つまり、既存のRealtime統合に差し替えるモデルIDではなく、開くセッションである。

Eleven v4は音声合成モデルで、2026年9月28日に低遅延のv4 Turboと同時にリリースされました。テキストを渡すと、90以上の言語のいずれかで音声を返します。10秒でのインスタント音声クローニング、感情や話すペースを指定するインライン音声タグ、リクエストあたり1万文字の上限を備えています。耳はありません。通話者の声を聞くことも、相手が割り込んだことに気づくことも、文の収まりが悪かったからといって止める判断をすることもできません。

その非対称性こそがすべてを物語っている。Eleven v4 で構築された音声エージェントはパイプラインだ。文字起こし、思考、発話。GPT-Live-1 で構築された音声エージェントは、テキストモデルを顧問として付け加えた単一のモデルだ。パイプラインは安価で、より制御しやすい。エンドツーエンドのモデルはより自然で、割り込みがはるかに難しい。それらは同じものの競合する実装ではなく、異なる場に向けた異なる製品だ。

ランキングが正直に語れること

この2つが同じリーダーボードで競う単一の場は存在せず、単一のリーダーボードを見せてくる人は、比較できないスコアを比べていることになります。Artificial AnalysisのProvider Voice Arena——ネイティブ音声、ブラインド嗜好、2026年10月29日取得——では、Eleven v4が1334 Eloで参加モデル中2位、v4 Turboが1336で首位です。音声品質が優れていることに異論はありません。同ラボの測定では発音の堅牢性が91.7%で、主要商用モデルのうちローンチ時点で最強でした。

GPT-Live-1はそのボードにはまったく掲載されていません。なぜなら、そのボードが測定する意味でのテキスト音声合成を生成しないからです。Speech Agent Arenaには登場しており、そこでは完全な予約形式の会話に対するブラインド選好がスコア化されます。そこでは、GPT-Live-1（Astra、medium）がタスク成功率87.4%でElo 1037に位置し、Sol-low構成が90.9%で1041に位置しています。Speech-to-Speech Index — 推論、エージェント性能、アリーナ選好、タスク成功率の重み付きブレンド — では83.2を記録し、スコア対象21モデル中2位です。

実際に成立する比較は、GPT-Live-1 と Eleven の会話型製品との比較であり、その TTS モデルとの比較ではない。同じアリーナでは、Eleven Realtime v1 Max はタスク成功率 87.1% で 1003 を記録し、ElevenLabs Agents のデフォルトカスケードは 90.5% で 989 を記録している。つまり、エンドツーエンドモデルはリアルタイム代替製品を約 35～50 Elo 上回り、カスケード型エージェントスタックは成功率がわずかに高いものの約 50 ポイント低い。これらの数値は十分に接近しているため、結果を決めるのはボードではなく、個々のデプロイにおける電話回線、プロンプト設計、背景ノイズだ。

もう一つ、正直に言っておくべき注意点があります。GPT-Live-1の数値には構成ラベルが付いています。その推論は名前付きのバックエンドが行っており、Astra-mediumとSol-lowの構成は委譲の仕方が異なるため、スコアも異なります。一方、Elevenの数値には代わりに製品ラベルが付いています。どちらも他方に対する対照実験ではありません。

3分間の通話で、その算術を

インバウンドのサポート通話を例に取ります。エージェントは1分あたり900文字——速めではあるが普通のペース——で話し、発信者は3分間のうち約40%を話します。

• GPT-Live-1 — 1分$0.05で3分なら$0.15、さらに通話に必要な推論に応じたバックエンドのテキストモデルも加算されます。1分あたり: $0.050。

• Eleven v4 — エージェントは約1,620文字を話すため、1.62 × $0.08 = $0.13 に加えて文字起こしと独自の言語モデルが必要です。1分あたり：STTとLLMのコストを除くと約$0.043です。

• Eleven v4 Turbo — 同じ1,620文字を1,000文字あたり$0.04で計算すると$0.065、つまりSTTとLLMのコストを含める前でおおよそ1分あたり$0.022です。

Turbo は、音声テキスト化の処理区間と小規模な言語モデルを追加した後でも GPT-Live-1 より安価であり、だからこそカスケードはコストレビューで優位に立ち続けています。しかし、発信者がエージェントより多く話す瞬間に、比較の構図は変わります。人間が独白する一秒一秒は、Eleven v4 が一切課金しない一秒であり、GPT-Live-1 が通常料金を課金する一秒です — 誰かがカードから保険証券番号を読み出す間の沈黙も、バックエンドが処理を行う間の待機も含めて。

それは丸め誤差ではありません。エージェントが通話時間の30%を話す回線では、TTSの請求額は3分の2減る一方、分単位の請求額はまったく変わりません。定額の分単位料金は、通話者が話すことを前提にした賭けであり、実際に話すときにちょうど報われるのです。

40分のナレーションでの計算は

では、同じ2つのモデルをオーディオブックの1章で——36,000文字、話者は1人、中断なし、推論なし、決定的な出力が必須。

• Eleven v4 — 36 × $0.08 = $2.88（この章で）、発音が間違っているときは1段落を9セントで再生成できます。

• GPT-Live-1 — 40分で$0.05 = $2.00。しかも、段落を再生成することはできません。作業単位がテキストの断片ではなくライブセッションだからです。

GPT-Live-1は安価に見えますが、間違ったツールです。36,000文字の脚本を受け取り、決定論的なファイルを返す方法は文書化されていません。これは対話用のインターフェースであり、本との会話はナレーションではありません。この行に対する正直な判定は「Liveの方がコストが低い」ではなく、「このモデルはこの仕事をしない」です。

分単位モデルが実際にその割高分に見合うのはどこか

三つの状況がそれを正当化し、それらには一つの共通点がある。人間が発言権を握る時間の長さが予測できないということだ。

• 中断の多い受付 — 保険請求、臨床トリアージ、発信者が話の途中で訂正するようなあらゆる場面。カスケードは中断を検出し、再生を停止してループに再び戻る必要があります。GPT-Live-1 はすでに聞いています。

• 予約と配車 — 短いターン、急速なやり取り、ツール呼び出しの多用。OpenAI自身の公表値では、このモデルのツール呼び出し精度は87%、それが置き換えるRealtime世代は60%と主張されているが、これらはベンダー報告によるもので、独立して再現されたものではない。

• どこでも、レイテンシこそが製品だ — 0.8秒のターンと1.4秒のターンの違いは、会話とトランシーバーの違いである。また、ベンダー報告による。

また、それに反対する3つの状況があります：

• ナレーション、朗読、オーディオブック、動画のボイスオーバー — テキストを入力してファイルを出力、耳は不要。

• ブランドボイス — Eleven v4のクローニングは、再トレーニングに関する注意事項を伴う製品機能です。GPT-Live-1は固定のモデル音声を使用するため、「創業者の声」は選択肢にありません。

• 長い沈黙 — 保留音、ミュートされた回線、遅いバックエンドを待つエージェント。その一秒一秒がすべて課金対象です。

マイグレーションも対称ではありません

Eleven v4 への v3 からの移行は、モデルIDの変更に加えて注意点があります。既存のクローン音声は再トレーニングが必要で、SSML はインラインのオーディオタグに置き換わるため、SSML を生成していたものはすべて書き直す必要があります。面倒ではありますが、TTS レイヤー内に収まる話です。

Realtime統合からGPT-Live-1への移行はリビルドです。エンドポイントも異なり、セッションのセマンティクスも異なり、課金単位も異なり、互換性シムもありません。単なる置き換えだけでなく、オーケストレーション層のための予算を確保してください。さらに、ほとんどのサードパーティ製ボイスエージェントプラットフォームは依然としてGPT-Live-1を選択可能なプロバイダーとして掲載していないため、テレフォニーをつなぐグルーコードは自分で書くことになる可能性が高いです。

この決定について、ルーティングは何を変えるのでしょうか。

どちらの経路を選んでも、その判断はスタック全体でオール・オア・ナッシングではありません。音声レイヤーだけはベンダー固有のままです。OrcaRouter は GPT-Live-1 を提供しておらず、Eleven v4 のような音声合成モデルは、どこで購入する場合でも別個の契約になります。音声レイヤーの背後にあるものは別の話です。推論呼び出し、ツール呼び出しモデル、プロバイダーの品質が低下したときのフォールバック経路は、すべて OrcaRouter 上の1つのキーを通じて実行され、200 以上ものモデルにわたっており、その中にはGPT-6 Astra、GPT-5.6 Terra、GPT-5.6 Sol が含まれます。これらは GPT-Live-1 が委譲するティアです。

その分割は、この比較の実用的な形です。耳はその四半期で最も優れたものを提供している相手から借り、頭脳はルーティング可能なままにしておけば、値下げ、障害、より良いモデルが起きても、ユーザーが聞く部分に触れる必要はありません。プロバイダーの定価は0%のマークアップでそのまま渡されるので、推論層でのベンダーによる値下げは、発表された当日に請求書へ反映されます。

会話の流れに応じて選んでください

ユーザーが話を遮り、言い間違えて訂正し、エージェントがいつ話を止めるべきかを期待しているなら、1分$0.05のGPT-Live-1のほうが優れた製品であり、おそらくより良い買い物です。そのプレミアム価格は、パイプラインではどんな価格でも得られない振る舞いを買うことになります。ユーザーが話すよりも聞いているなら、Eleven v4またはv4 Turboのほうが配信される単語あたりのコストが安く、制御性が高く、自社ブランドにクローン可能で、正解です。1334 Eloはその上さらに付いてくるおまけです。

避けるべき失敗のパターンは、リーダーボード上の順位で選ぶことだ。v4の1334とLiveの83.2は、異なる尺度で異なるものを測っており、その2つの数値で両者を選び分けるチームは、定規と温度計のどちらかを選んでいるようなものだ。