Wygenerowana karta tytułowa zatytułowana 'GPT-Live-1.1 vs SeedRealtime' z podtytułem 'Jeden sprzedaje minuty, drugi nie sprzedaje nic', pokazująca po lewej karcie oznaczonej GPT-Live-1.1 $0.05 za aktywną minutę, $0.02 za minutę w stanie gotowości i publiczne API, a po prawej karcie oznaczonej SeedRealtime brak publicznego API, brak otwartych wag i dostępność wyłącznie w Doubao.
Guides & Insights

GPT-Live-1.1 vs SeedRealtime: Jeden sprzedaje minuty, drugi nie sprzedaje nic.

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Postaw GPT-Live-1.1 i SeedRealtime obok siebie, a porównanie natychmiast przestaje dotyczyć jakości. GPT-Live-1.1 to pełnodupleksowy model głosowy, który można wywołać już dziś, wynająć z rozliczeniem za sekundę i wdrożyć w produkt; pojawił się w OpenAI API 19 listopada 2026 r., pięć tygodni po tym, jak zastąpił GPT-Live-1 w ChatGPT Voice. SeedRealtime, który zespół Seed firmy ByteDance ogłosił 5 sierpnia 2026 r., jest ciekawszą architekturą na papierze — natywnym modelem audio-wizualnym pełnodupleksowym, który obserwuje, słucha i mówi w jednym systemie — i nie można go wywołać. Brak publicznego API, brak otwartych wag na Hugging Face, brak liczby parametrów, brak raportu technicznego z konkretnymi liczbami.

Uczciwe ujęcie nie brzmi więc: „które jest lepsze”. Brzmi: jedno z nich to produkt z cennikiem, a drugie to demonstracja możliwości, której pierwszy z nich wyraźnie odmówił wydania. Oba stwierdzenia są prawdziwe jednocześnie, a to, które z nich ma znaczenie, zależy wyłącznie od tego, czy coś budujesz.

Powierzchnia wejściowa nie ma takiego samego kształtu

GPT-Live-1.1 słyszy. To cała historia jego danych wejściowych. Strona modelu wymienia audio i tekst jako modalności wejściowe oraz audio i tekst jako wyjściowe, i nic więcej — żadnych obrazów, wideo ani dokumentów. To, co robi ze słyszeniem, jest naprawdę nietypowe: działa w pełnym dupleksie, co oznacza, że słucha, gdy mówi, zamiast wymieniać się turami, i wiele razy na sekundę decyduje, czy dalej słuchać, zrobić pauzę, przerwać czy przekazać pracę backendowi. Jedyna deklarowana zmiana możliwości w nowej wersji dotyczy tej warstwy: w porównaniu z GPT-Live-1 „dokładniej transkrybuje mowę i utrzymuje bardziej spójny akcent i głos w różnych językach”. Do tego twierdzenia nie dołączono żadnej liczby.

SeedRealtime słyszy i widzi w ramach jednego modelu, a nie potoku przetwarzania. W poście zapowiadającym ByteDance opisuje zunifikowaną architekturę, która łączy dźwięk, obraz i tekst, prowadząc percepcję, rozumienie, podejmowanie decyzji i ekspresję równolegle na ciągłych strumieniach. Konkretne konsekwencje, które wymienia, są takie, jakich model głosowy oparty wyłącznie na tekście strukturalnie nie jest w stanie osiągnąć: rozstrzygnięcie homofonu dzięki spojrzeniu na scenę, ustalenie, do czego odnosi się „to”, na podstawie gestu i spojrzenia oraz odezwanie się bez zachęty, gdy w kadrze pojawi się docelowy obiekt. Demonstracje są konkretne — przypisywanie imion do twarzy przy hałaśliwym stole obiadowym, tłumaczenie menu wyłącznie po chińsku dla zagranicznego gościa, zauważenie całych ziaren wrzucanych do portafiltra i powiedzenie o tym przed ekstrakcją, utrzymywanie eksponatu muzealnego w polu widzenia, aż pojawi się wskazany przez użytkownika obiekt, a następnie przypomnienie mu o tym.

• Wejścia — GPT-Live-1.1 tylko audio i tekst vs SeedRealtime audio, wideo i tekst zintegrowane w jednym modelu

• Przejmowanie tur — GPT-Live-1.1 decyduje wewnętrznie z wysoką częstotliwością, podczas gdy SeedRealtime przenosi przejmowanie tur do wnętrza modelu i usuwa zewnętrzny detektor aktywności głosowej

• Proaktywne zachowanie — GPT-Live-1.1 odpowiada, deleguje i wywołuje narzędzia, podczas gdy SeedRealtime jest opisywany jako odzywający się bez zachęty, gdy coś pojawi się w polu widzenia

• Gdzie działa — GPT-Live-1.1 na v1/live/sessions w publikowanej stawce za minutę w porównaniu z SeedRealtime w aplikacji Doubao ByteDance

• Dowody — GPT-Live-1.1 ma wyniki od stron trzecich dla swojego poprzednika w Artificial Analysis, podczas gdy SeedRealtime ma kompleksową ocenę przeprowadzoną przez ludzi, bez podania wielkości próby i bez konkretnej liczby

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).

Ile faktycznie płacisz i komu

GPT-Live-1.1 rozlicza sesje głosowe według czasu trwania, za sekundę, w wysokości 0,05 USD za aktywną minutę. Od 19 listopada 2026 r. sesję WebRTC można również skonfigurować tak, aby wstrzymywała wnioskowanie podczas bezczynności i rozliczała się w wysokości 0,02 USD za minutę oczekiwania, wznawiając działanie, gdy ktoś się odezwie. Użycie modelu backendowego i narzędzi — prace rozumowania i narzędzi delegowane przez warstwę głosową — jest rozliczane osobno na liczniku tokenów wskazanego modelu. Utworzenie sesji WebRTC powoduje naliczenie 15 sekund czasu trwania głosu przy inicjalizacji, a opłata ta jest zaliczana z powrotem na poczet czasu trwania, gdy sesja zacznie działać.

Cena SeedRealtime dla dewelopera nie jest liczbą, ponieważ nie istnieje produkt dla deweloperów. Jest dostępny w Doubao, asystencie konsumenckim, gdzie według ByteDance został „w pełni wdrożony” od sierpniowej premiery. To realne wdrożenie w realnej skali i nie jest to API. Czy platforma ByteDance typu model-as-a-service będzie go oferować i po jakiej stawce, nie podano w poście premierowym ani na stronie Seed według stanu na 20 listopada 2026 r.

Asymetria ma konsekwencję kosztową wykraczającą poza tę oczywistą. Model rozliczany za sekundę można ująć w budżecie, porównać i wyłączyć. Model osadzony w czyjejś aplikacji konsumenckiej nie może być żadną z tych rzeczy, a zatem porównanie tych dwóch nie ma kursu przeliczeniowego. Nie wybierasz między 0,05 USD za minutę a czymś tańszym; wybierasz między pozycją w budżecie a demem.

Tam, gdzie dowody się przerzedzają

GPT-Live-1.1 sam w sobie nie ma niezależnego wyniku. Indeks mowy na mowę Artificial Analysis, odczytany 20 listopada 2026 r., wymienia GPT-Live-1 dwukrotnie — 83,2 z backendem klasy Astra przy średnim wysiłku i 80,1 z backendem klasy Sol przy niskim — i nie uwzględnia jeszcze wersji 1.1. To model API mający zaledwie jeden dzień, więc różnica jest raczej oczekiwana niż kompromitująca, ale oznacza to, że poprawa spójności akcentu jest w tym tygodniu jedynie zdaniem dostawcy. Indeks pokazuje natomiast, że konfiguracja zmienia wynik w takim samym stopniu jak wersja: ten sam model uzyskuje 83,2 lub 80,1 w zależności od podłączonego backendu. Każda recenzja, która cytuje jedną liczbę GPT-Live bez podania jej backendu, powiedziała ci bardzo niewiele.

Dowody SeedRealtime są słabsze w inny sposób. ByteDance publikuje jeden sztandarowy wynik — kompleksową ocenę z udziałem ludzi, w której model „o połowę zmniejsza problemy z tempem rozmowy audio-wizualnej” w porównaniu z kaskadowymi systemami ASR-plus-vision-plus-TTS, z mniejszą liczbą przerw w środku zdania, mniejszą liczbą opóźnionych odpowiedzi po pauzie i mniejszą liczbą fałszywych wyzwalaczy powodowanych przez rozmowy w tle. Nie podano liczebności próby, metodologii, przedziału ufności ani wartości opóźnienia. Nie podano również liczby parametrów ani raportu technicznego. To nie jest dowód na słaby model — demonstracje są wystarczająco konkretne, by sugerować realny system — ale to twierdzenie, którego nie można zweryfikować, i nie pojawia się ono w żadnym niezależnym rankingu.

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.

Zauważ, co to konkretnie oznacza dla porównania: te dwa modele nie są na wspólnej skali. Jeden ma liczby od stron trzecich dla poprzedniej wersji i opublikowaną stawkę; drugi ma zdanie od dostawcy i żadnej możliwości kupienia go. Ustawianie ich w rankingu względem siebie byłoby wymyślaniem pomiaru.

Dlaczego luka w API to cały argument

Kuszące jest traktowanie „no API” jako stanu tymczasowego, który sam się rozwiąże, a zatem jako szczegółu. W przypadku decyzji o budowie jest dokładnie odwrotnie: to jedyny fakt, który w pełni przesądza odpowiedź.

Jeśli w nadchodzącym kwartale wprowadzasz na rynek produkt głosowy, SeedRealtime nie znajduje się na Twojej liście opcji i żadna ilość ambicji architektonicznych tego nie zmieni. GPT-Live-1.1 jest na liście — z udokumentowaną konfiguracją sesji, opublikowaną stawką, trybem gotowości, który sprawia, że bezczynne połączenia są tanie, oraz modelem delegowania, który pozwala zachować rozumowanie w kontrolowanym przez Ciebie backendzie. Jedyne, czego nie zrobi, to spojrzenie w kamerę Twojego użytkownika.

To ostatnie ograniczenie zasługuje na uczciwą wycenę, ponieważ właśnie tam wymagania zespołu faktycznie się rozdzielają. Linia wsparcia, asystent w samochodzie, nauczyciel języka, agent harmonogramowania — żadne z nich nie potrzebuje wideo, a wszystkie korzystają z modelu, który dobrze radzi sobie z przerwaniami i delegowaniem przy znanym koszcie. Agent, który obserwuje naprawę, czyta menu lub podąża za demonstracją, potrzebuje modalności, którą ma SeedRealtime, a której nie ma GPT-Live-1.1, a w przypadku tego obciążenia odpowiedzią dzisiaj jest czekać albo zbudować kaskadę, przeciw której argumentuje ByteDance.

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.'

Miejsce routera to połowa delegowania. OrcaRouter nie obsługuje GPT-Live-1.1 ani SeedRealtime — żaden z nich nie jest modelem czatu, a katalog nie zawiera endpointu głosowego pełnego dupleksu. Obsługuje natomiast backend, do którego warstwa głosowa przekazuje pracę: gpt-6-luna, gpt-6-sol oraz reszta rodziny GPT-6 są dostępne za jednym kluczem w cenie katalogowej dostawcy bez marży, z automatycznym przełączaniem awaryjnym między dostawcami i DSL routingu do składania kilku modeli w jedno wywołanie. Jeśli Twoja sesja Live deleguje do backendu, ten backend to część, którą możesz dziś kierować.

Na co uważać i co teraz zrobić

Dwie rzeczy zmieniłyby to porównanie i żadna z nich nie nastąpiła. Publiczny endpoint SeedRealtime — na własnej platformie ByteDance lub gdziekolwiek indziej — zmieniłby demonstrację w opcję z dnia na dzień i natychmiast postawiłby pytanie, czy kontekst wizualny jest wart pracy integracyjnej. Niezależny pomiar GPT-Live-1.1 w indeksie mowy na mowę powiedziałby ci, czy twierdzenie o wielojęzycznym akcencie jest prawdziwe i czy 83,2, które GPT-Live-1 osiąga z backendem Astra, się przenosi.

Do tego czasu decyzja jest nietypowo klarowna. Jeśli musisz wdrożyć funkcje głosowe, GPT-Live-1.1 można wywoływać, ma ustaloną cenę, a — przy trybie gotowości — pozostawienie go podłączonego jest tańsze niż tydzień temu. Jeśli potrzebujesz modelu, który widzi, żadna ilość możliwości po stronie ByteDance nie przełoży się na klucz API, a odpowiedzialnym podejściem jest powiedzieć to wprost, zamiast porównywać produkt z wersją zapoznawczą.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie