GPT-Live-1 対 Voxtral 3：「価格」ではない価格

Voxtral 3は、完全な音声エージェントを1分$0.04で提供すると宣伝している。GPT-Live-1は1分$0.05を宣伝し、その後、思考に対して再び課金する。見出しの数字だけを見れば、Mistralは20%安く、音声認識、音声合成、推論モデルを1つの料金に含むなど、より多くを提供する——一方、OpenAIの数字は音声レイヤーだけをカバーする。この読み方は技術的には正しく、実用上は誤解を招く。なぜなら、この2つの料金は同じものを買っているのではないからだ。

どちらも6週間以内に相次いでリリースされた。GPT-Live-1は2026年9月10日にAPIへ、Voxtral 3は10月20日にパブリックプレビューで登場した。両者とも同じ顧客層、つまり会話を成立させる必要のある電話エージェントを構築する人々を狙っている。そこへ至る道筋は正反対であり、コスト差は相手を一切遮らない場合にのみ維持される。

各分の内部には実際に何が入っているのですか

メーターに何が含まれているかから始めましょう。ここが比較の分かれ目になるからです。

• Voxtral 3 フルエージェント — 推論モデルとして Mistral Small 4 を使う場合は 1 分あたり $0.04、より強力なモデルを使う場合は $0.08。これには文字起こし、音声合成、言語モデルが含まれます。

• GPT-Live-1 — 音声のみは1分あたり0.05ドル、秒単位で課金。バックエンド推論、ツール呼び出し、ウェブ検索は通常のモデル料金で別途課金されます。

• Voxtral 3 TTS 単体 — 100万文字あたり13ドル、通常の速さで1時間の音声あたり約0.70ドル。

• GPT-Live-1 入力音声 — Artificial Analysis の固定40問セットに基づく測定では、高推論構成で入力音声1時間あたり5.83ドル、低推論構成で4.47ドル。

つまり、10分間の通話における正直な1分あたりの比較は、Voxtral 3が全込みで$0.40、GPT-Live-1が$0.50＋バックエンド——エージェントがどれだけ考えるかによって$0.50から$0.55といったところだ。Mistralはその算数で勝っており、しかもOpenAIが省いているコンポーネントを含めることで勝っている。

通話の大半が無音でない限りは。Voxtralの音声エージェント料金はセッション単位で課金され、GPT-Live-1も間違いなく同様です。どちらのベンダーも無音に対する免除を公表しておらず、発信者を保留状態にするいかなる導入も、両方のメーターが動き続けると想定すべきです。この違いはどちらか一方に有利に働くものではありませんが、表向きの料金が最適化すべき場所ではないということは意味しています。

パイプライン対デュプレックス、再び

Voxtral 3はモデルではなくスタックです。文字起こしモデル（4BパラメータのMini Transcribe 3、Small、リアルタイム版）、音声合成モデル、そして中央に言語モデルを挟んでこれらを連携させるLiveKitベースのVoice Agent SDKで構成されています。Mistral自身が主張する遅延は最初の音声まで約90ミリ秒で、音声合成の部分としては本当に高速です。

高速な音声合成は、良いターン交替と同じではありません。カスケード方式でも、人間がいつ話し終えたかを判断する必要があり、その判断はパイプラインの前段に位置する音声活動検出器またはターン検出モデルによって行われます。判断を誤ると、エージェントは発信者の話に被せて話してしまうか、少し長く待ちすぎてしまいます。そして、それを90msの音声合成で補うことはできません。

GPT-Live-1は、聞きながら同時に話し、1秒に何度も「譲るかどうか」を判断する単一のネットワークです。それこそが、あなたが余分な1セントを支払っている能力であり、部品から組み立てられる機能ではありません。また、OpenAIのモデルに文字起こしや音声合成の明細項目がないのは、明細化するものがないからです。

実用的な試金石は遅延ではなく中断率だ。発話者が完全な文で話し、順番を待つなら、パイプラインで十分であり、しかも安価だ。途中で「いや待って、もう一方のほうだった」と言うなら、認めているかどうかにかかわらず、あなたは双方向動作を買っていることになる。

言語、方言、データの保存場所

MistralはVoxtral 3を提供しており、35以上の言語と50以上の方言、感情とスタイルの制御、ゼロショットクローニングに加えて、約30分の参照音声を必要とする「Pro Voice」適応パスを備えています。GPT-Live-1のドキュメントは方言のカバレッジについて何も述べておらず、クローニングなしの固定モデル音声を提供します。

もしあなたの製品がヨーロッパ系、つまりフランス語、ドイツ語、イタリア語、スペイン語、オランダ語であれば、Voxtral 3 のほうがより完成度の高い選択肢であり、Mistral の EU ポジショニングは調達の会話において現実の論拠となります。そこは OpenAI が同じようには直接応えられない部分です。これはベンチマークではなくビジネス上の事実であり、多くの買い手にとっては、レイテンシの話が出る前に取引を左右する要素です。

あなたの製品が英語によるサポートや単一市場での予約を提供するものであれば、言語の広範さは使わない在庫であり、デュプレックス動作こそが通話のたびに気づく点になります。

オープンウェイトの罠

指摘しておく価値があるのは、これが人を引っかけるからです。Voxtral 3自体はクローズドAPIです。このファミリーでダウンロード可能なモデルは、2026年3月の古い4B TTSチェックポイントで、CC BY-NC 4.0（非商用）の下で公開されています。これはアリーナスコアが低い、別の古いモデルです。Voxtral 3の企業による自己導入は個別交渉による取り決めであり、ダウンロードリンクではありません。

この比較では、どちらのモデルも重みを提供しません。GPT-Live-1 は仕様上、重みを持ちません。Voxtral 3 はポリシー上、重みを持ちません。モデルを所有することが要件であれば、両方とも選択肢から外れ、話は代わりに Fish Audio Drama 3 または Ming-3.0-TTS に移ります。

ボードが測定するものと、測定しないもの

Voxtral 3 TTSは、Artificial AnalysisのProvider Voice Arenaで1223 Elo（2026年10月29日時点）に位置し、参加モデル中14位、100万文字あたり13ドルです。これは堅実な合成結果です。1334のEleven v4には及ばないものの、より高コストな複数のモデルを上回っています。

GPT-Live-1はそのボードには表示されておらず、そのSpeech-to-Speech Indexスコア83.2をVoxtralの1223と並べて比較する人は、重み付けされた会話指数とブラインド選好Eloを比較していることになります。会話システムが実際に掲載されているボードでは、GPT-Live-1はSpeech Agent ArenaでElo 1037～1041、タスク成功率87.4%～90.9%を記録しています。Voxtral 3のエージェントスタックは、掲載に十分なアリーナ会話をまだ蓄積していません。

その不在こそが、このセクションで最も有用な事実です。これら二つの間に独立した直接比較は存在しません。つまり、あなたが目にするあらゆる比較——この比較も含めて——は、制御された実験ではなく、公開されているレートとアーキテクチャに基づく推論です。どちらかが電話で測定可能なほど自然に聞こえると言う人は、ベンダーの言葉を引用しているだけです。

ルーティングの議論が行き着く先

どちらのモデルもOrcaRouterによって提供されているわけではありません。Voxtral 3はMistralのAPIであり、GPT-Live-1はOpenAIのAPIです。ルーティング可能なのは、それぞれが委任するリーズナーであり、ここで2つのアーキテクチャは、スタックをどう設計するかという点で重要となる形で分岐します。

Voxtral 3では、独自のエージェント料金内で推論モデルを選べます。Small 4は$0.04、より強力なモデルは$0.08です。GPT-Live-1はバックエンドを完全にオープンにしているため、好きなテキストモデルを指定できます。例えばGPT-6 Astra、GPT-5.6 Terra、またはより安価なティアを、1つのキーの背後で利用できます。ルーティングDSLにより、同じデプロイ内でタスク種別ごとに異なるモデルを固定できます。

その柔軟性は、混合ワークロードにおいて実際のコスト価値があります。安価なモデルが住所確認を処理し、フロンティアモデルが係争中の請求を処理します。しかも、2つ目の契約や2つ目の統合は不要です。プロバイダーの定価は0%のマークアップでそのまま反映されるため、推論層の値下げは適用されたその日に請求額へ反映され、次の契約更新時まで待つ必要はありません。

決定

ヨーロッパで構築していて、多くの言語と方言が必要で、文字起こしから音声合成までを1つの請求書でカバーしたいなら、そして通話者が順番を守る点でそれなりに礼儀正しいなら、Voxtral 3を選ぶべきです。総合的には1分あたりのコストが安く、より完備されたスタックであり、1223という音声合成スコアも悪くありません。

中断こそが製品なら、GPT-Live-1をお選びください。受付、トリアージ、ディスパッチ——発信者が自分で言い直し、エージェントがその場でそれを聞き取らなければならないあらゆる業務です。1分あたりのコストは増え、自社で抱える範囲は減りますが、パイプラインがいくら費用を積んでも手に入らない、あの唯一の振る舞いを手にすることになります。

避けるべき罠は、2つの見出し料金を比べて、$0.04が$0.05に勝ると結論づけることだ。それらの数字は同じ1分間を測っていない。一方には文字起こし器、合成器、推論器が含まれ、もう一方には耳が含まれている。仕事の中身に合う方を買い、価格の議論はその後でしよう。