GPT-Live-1 vs Eleven v4: jednostka rozliczeniowa decyduje, zanim głos podejmie decyzję

Postaw GPT-Live-1 i Eleven v4 obok siebie, a pierwsza napotkana różnica nie jest benchmarkiem. To jednostka. GPT-Live-1 pobiera $0.05 za każdą minutę, przez którą sesja jest otwarta. Eleven v4 pobiera $0.08 za każde tysiąc znaków, które agent faktycznie wypowiada. Jeden licznik działa na zegarze, drugi na skrypcie, a to, który powinieneś kupić, wynika z tego, zanim którykolwiek model wypowie choćby sylabę.

To rozróżnienie ginie w większości porównań, które zwykle stawiają wskaźnik speech-to-speech obok Elo text-to-speech i nazywają to bezpośrednim starciem. To nim nie jest. Oto czym naprawdę są oba produkty, co istniejące liczby mogą, a czego nie mogą ci powiedzieć, oraz arytmetyka, która rozstrzyga to w przypadku infolinii, audiobooka i niezręcznych przypadków pośrodku.

Dwa produkty, dwa zadania

GPT-Live-1 to pełnodupleksowy model mowy OpenAI, dostępny w API od 10 września 2026 r. Słucha, gdy mówi, wiele razy w ciągu sekundy decyduje, czy oddać głos, a gdy pytanie tego wymaga, przekazuje rozumowanie osobnemu modelowi tekstowemu. Ma dokładnie jeden endpoint — v1/live/sessions — i nie ma interfejsu Chat Completions ani Realtime, co oznacza, że nie jest to identyfikator modelu, który można podmienić w istniejącej integracji Realtime; to sesja, którą się otwiera.

Eleven v4 to model zamiany tekstu na mowę, wydany 28 września 2026 r. wraz z niskolatencyjną wersją v4 Turbo. Przekazujesz mu tekst, a on zwraca dźwięk w jednym z ponad 90 języków, z 10-sekundowym natychmiastowym klonowaniem głosu, wbudowanymi tagami audio do wyrażania emocji i tempa oraz limitem żądania wynoszącym 10 000 znaków. Nie ma uszu. Nie potrafi usłyszeć rozmówcy, zauważyć, że ten przerwał, ani zdecydować się zatrzymać, ponieważ zdanie zabrzmiało źle.

Ta asymetria mówi wszystko. Agent głosowy zbudowany na Eleven v4 to potok: transkrypcja, myślenie, mówienie. Agent głosowy zbudowany na GPT-Live-1 to jeden model z modelem tekstowym dołączonym jako konsultant. Potok jest tańszy i łatwiejszy w kontroli. Model end-to-end jest bardziej naturalny i znacznie trudniej go przerwać. To różne produkty dla różnych pomieszczeń, a nie konkurujące ze sobą implementacje tego samego.

Co rankingi mogą uczciwie powiedzieć

Nie ma jednego rankingu, w którym te dwa ze sobą konkurują, a każdy, kto ci taki pokazuje, porównuje nieporównywalne wyniki. W Provider Voice Arena Artificial Analysis — głosy natywne, ślepa preferencja, dane zebrane 29 października 2026 — Eleven v4 plasuje się na 1334 Elo, drugim miejscu w stawce, a v4 Turbo z wynikiem 1336 zajmuje pierwsze. Nikt nie kwestionuje, że jakość głosu jest znakomita: 91,7% odporności wymowy w pomiarze tego laboratorium, najwyższy wynik wśród głównych modeli komercyjnych w momencie premiery.

GPT-Live-1 w ogóle nie pojawia się na tej tablicy, ponieważ nie generuje syntezy mowy w rozumieniu przyjętym przez tę tablicę. Pojawia się w Speech Agent Arena, która ocenia ślepą preferencję na podstawie pełnych rozmów w stylu rezerwacji. Tam GPT-Live-1 (Astra, medium) zajmuje 1037 punktów Elo przy 87,4% skuteczności zadań, a konfiguracja Sol-low — 1041 przy 90,9%. W Speech-to-Speech Index — ważonej mieszance rozumowania, wyników agentowych, preferencji w arenie i skuteczności zadań — uzyskuje 83,2, zajmując drugie miejsce spośród 21 ocenianych modeli.

Porównanie, które faktycznie jest zasadne, to GPT-Live-1 z konwersacyjnymi produktami Eleven, a nie z modelem TTS tej firmy. Na tej samej arenie Eleven Realtime v1 Max uzyskuje wynik 1003 przy 87,1% skuteczności zadań, a domyślna kaskada ElevenLabs Agents uzyskuje wynik 989 przy 90,5%. Zatem model end-to-end wyprzedza alternatywę czasu rzeczywistego o około 35–50 punktów Elo, a kaskadowy stos agentów plasuje się około 50 punktów niżej, przy nieco lepszej skuteczności. Te liczby są wystarczająco zbliżone, że o wyniku w konkretnym wdrożeniu zadecydują łączność telefoniczna, konstrukcja promptów i szum tła, a nie tabela wyników.

Jeszcze jedna uczciwa uwaga: liczby GPT-Live-1 mają etykietę konfiguracji. Jego rozumowanie wykonuje nazwany backend, a konfiguracje Astra-medium i Sol-low osiągają różne wyniki, ponieważ delegują zadania w różny sposób. Liczby Eleven mają natomiast etykietę produktu. Żadne z nich nie jest kontrolowanym eksperymentem porównującym je ze sobą.

Arytmetyka — w trzy minutowej rozmowie.

Weźmy połączenie przychodzące do wsparcia, podczas którego agent mówi 900 znaków na minutę — szybkim, lecz zwykłym tempie — a dzwoniący mówi przez około 40% z trzech minut.

• GPT-Live-1 — trzy minuty po 0,05 USD to 0,15 USD, plus model tekstowy backendu za wszelkie rozumowanie wymagane przez połączenie. Za minutę: 0,050 USD.

• Eleven v4 — agent wypowiada około 1620 znaków, więc 1.62 × $0.08 = $0.13, plus transkrypcja i Twój własny model językowy. Za minutę: około $0.043, nie licząc STT i LLM.

• Eleven v4 Turbo — te same 1620 znaków po 0,04 USD za tysiąc: 0,065 USD, czyli około 0,022 USD za minutę, bez uwzględnienia STT i LLM.

Turbo jest tańszy niż GPT-Live-1 nawet po doliczeniu etapu rozpoznawania mowy i skromnego modelu językowego, dlatego kaskada wciąż wygrywa w przeglądach kosztów. Ale porównanie zmienia kształt w momencie, gdy dzwoniący mówi więcej niż agent. Każda sekunda monologu człowieka to sekunda, za którą Eleven v4 nie pobiera żadnej opłaty, a GPT-Live-1 pobiera pełną stawkę — łącznie z ciszą, gdy ktoś odczytuje numer polisy z karty, i łącznie z czasem oczekiwania, gdy twój backend przetwarza dane.

To nie jest różnica zaokrąglenia. Na linii, na której agent mówi przez 30% czasu, rachunek za TTS spada o dwie trzecie, podczas gdy rachunek za minutę nie zmienia się w ogóle. Ryczałtowa minuta to zakład, że twoi dzwoniący będą mówić, i zwraca się dokładnie wtedy, gdy to robią.

Arytmetyka, w przypadku czterdziestominutowej narracji

Teraz te same dwa modele na rozdziale audiobooka — 36 000 znaków, jeden mówca, brak przerw, brak rozumowania, wymagany deterministyczny wynik.

• Eleven v4 — 36 × $0.08 = $2.88 za rozdział, a pojedynczy akapit możesz wygenerować ponownie za dziewięć centów, gdy wymowa jest błędna.

• GPT-Live-1 — 40 minut po $0.05 = $2.00, a nie można ponownie wygenerować akapitu, ponieważ jednostką pracy jest sesja na żywo, a nie fragment tekstu.

GPT-Live-1 wygląda na tańszy i jest niewłaściwym narzędziem. Nie ma udokumentowanego sposobu, aby przyjąć 36 000-znakowy skrypt i zwrócić deterministyczny plik; jest to powierzchnia konwersacyjna, a rozmowa z książką nie jest narracją. Uczciwy werdykt w tym wierszu nie brzmi „Live kosztuje mniej”, ale „ten model nie wykonuje tej pracy”.

Gdzie model rozliczany za minutę naprawdę uzasadnia swoją premię

Trzy sytuacje to uzasadniają i łączy je jedna cecha: człowiek ma głos przez nieprzewidywalne okresy czasu.

• Przyjmowanie zgłoszeń z dużą liczbą przerwań — roszczenia ubezpieczeniowe, triage kliniczny, wszystko, gdzie dzwoniący poprawia się w połowie zdania. Kaskada musi wykryć przerwanie, zatrzymać odtwarzanie i wrócić do pętli; GPT-Live-1 już nasłuchuje.

• Rezerwacje i dyspozytorstwo — krótkie tury, szybka wymiana zdań, intensywne wywoływanie narzędzi. Własne dane OpenAI podają 87% dokładności wywoływania narzędzi w tym modelu wobec 60% dla zastępowanej generacji Realtime, przy czym są to dane zgłoszone przez dostawcę, a nie niezależnie odtworzone.

• Wszędzie tam, gdzie opóźnienie jest produktem — tura wynosząca 0,8 sekundy w porównaniu z turą wynoszącą 1,4 sekundy to różnica między rozmową a walkie-talkie. Również według danych dostawcy.

A trzy sytuacje przemawiają przeciwko temu:

• Narracja, czytanie na głos, audiobooki, voiceover wideo — tekst na wejściu, plik na wyjściu, słuch niepotrzebny.

• Głos marki — klonowanie w Eleven v4 to funkcja produktu z zastrzeżeniem dotyczącym ponownego trenowania; GPT-Live-1 używa stałych głosów modelu, więc „głos naszego założyciela” nie jest dostępny.

• Długie cisze — muzyka oczekiwania, wyciszone linie, agenci czekający na wolny backend. Każda z tych sekund kosztuje.

Migracja też nie jest symetryczna

Przejście z {{2}}v3{{/2}} na {{1}}Eleven v4{{/1}} to zmiana identyfikatora modelu plus zastrzeżenie: istniejące sklonowane głosy wymagają ponownego trenowania, a SSML został zastąpiony wbudowanymi znacznikami audio, więc wszystko, co generowało SSML, trzeba przepisać. Uciążliwe, ale ograniczone do twojej warstwy TTS.

Przejście z integracji Realtime na GPT-Live-1 to przebudowa. Inny endpoint, inna semantyka sesji, inna jednostka rozliczeniowa i brak warstwy zgodności. Uwzględnij w budżecie warstwę orkiestracji, a nie tylko samą podmianę — i pamiętaj, że większość zewnętrznych platform agentów głosowych nadal nie wymienia GPT-Live-1 jako wybieralnego dostawcy, więc prawdopodobnie samodzielnie napiszesz warstwę integracyjną telefonii.

Jakie zmiany w routingu wiążą się z tą decyzją?

Niezależnie od tego, którą ścieżkę wybierzesz, decyzja nie jest wszystko-albo-nic w całym stosie. Warstwa głosowa to jedyny element, który pozostaje zależny od dostawcy: OrcaRouter nie udostępnia GPT-Live-1, a model syntezy mowy, taki jak Eleven v4, to osobna umowa niezależnie od tego, gdzie go kupisz. To, co znajduje się za warstwą głosową, to inna kwestia — wywołania rozumowania, model wywołujący narzędzia, ścieżka awaryjna, gdy dostawca ulega degradacji, wszystko działa przez jeden klucz w OrcaRouter, obejmując ponad 200 modeli, w tym GPT-6 Astra, GPT-5.6 Terra oraz GPT-5.6 Sol — poziomy, do których deleguje GPT-Live-1.

Ten podział to praktyczna wersja tego porównania. Wypożyczaj ucho od tego, kto ma najlepsze w tym kwartale, a mózg utrzymuj w sposób umożliwiający przekierowywanie, tak aby obniżka ceny, awaria lub lepszy model nie wymagały ingerencji w część, którą słyszą Twoi użytkownicy. Ceny katalogowe dostawców są przekazywane bez marży (0%), więc obniżka ceny przez dostawcę w warstwie rozumowania pojawia się na Twoim rachunku tego samego dnia, w którym zostaje ogłoszona.

Wybierz, kierując się kształtem rozmowy.

Jeśli Twoi użytkownicy przerywają, poprawiają się i oczekują, że agent będzie wiedział, kiedy przestać mówić, GPT-Live-1 w cenie 0,05 USD za minutę jest lepszym produktem i prawdopodobnie lepszym zakupem — ta premia kupuje zachowanie, którego nie da się uzyskać z pipeline'u za żadną cenę. Jeśli Twoi użytkownicy raczej słuchają, niż mówią, Eleven v4 lub v4 Turbo jest tańszy w przeliczeniu na dostarczone słowo, bardziej kontrolowalny, możliwy do sklonowania pod Twoją marką i jest właściwą odpowiedzią; 1334 Elo to bonus ponad to.

Sposobem na porażkę, którego trzeba unikać, jest wybieranie na podstawie pozycji w rankingu. Wskaźniki 1334 w v4 i 83,2 w Live mierzą co innego w różnych skalach, a zespół, który decyduje między nimi na podstawie tych dwóch liczb, wybiera między linijką a termometrem.