GPT-Live-1 vs SeedRealtime: SeedRealtime to bardziej ambitny model, którego nie można kupić

Porównanie GPT-Live-1 i SeedRealtime pod kątem możliwości daje niewygodną odpowiedź, ponieważ oba modele nie konkurują na tych samych zasadach. GPT-Live-1 to pełnodupleksowy model głosowy Ope​nAI, udostępniony w ChatGPT 8 lipca 2026 r. i otwarty dla deweloperów poprzez Live Sessions API 10 września 2026 r., z 12 głosami, opublikowaną stawką za minutę i jedną znaczącą luką: obsługa obrazu i wideo jest wyraźnie nieobsługiwana. SeedRealtime, wydany przez zespół Seed firmy ByteDance 5 sierpnia 2026 r., jest zbudowany w całości wokół tej luki. To natywny audiowizualny model pełnodupleksowy, który obserwuje, słucha i mówi w jednej architekturze end-to-end — i jest dostępny wyłącznie w aplikacji konsumenckiej Doubao, bez publicznego API, bez otwartych wag, bez raportu technicznego i bez opublikowanej liczby parametrów.

Co tak naprawdę może postrzegać każde z nich

Najczystszym sposobem, aby zobaczyć tę lukę, jest zapytać, co każdy model wie o pomieszczeniu, w którym się znajduje.

GPT-Live-1 słyszy. To cała powierzchnia wejściowa. Dźwięk i tekst wchodzą, dźwięk i tekst wychodzą, a dokumentacja Ope​nAI wymienia obraz i wideo jako nieobsługiwane. Bardzo dobrze radzi sobie z konwersacyjną mechaniką słuchania — wielokrotnie w ciągu sekundy decyduje, czy dalej słuchać, wstrzymać się, przerwać czy wywołać narzędzie, i utrzymuje pełny dupleks, dzięki czemu przetwarza przychodzący dźwięk, nawet gdy mówi. Zwraca też transkrypcje rozpoznawania mowy razem z dźwiękiem, co jest tym rodzajem nieefektownego szczegółu, który oszczędza tydzień pracy nad integracją.

SeedRealtime słyszy i widzi, w jednym modelu, a nie w potoku. ByteDance opisuje ujednoliconą architekturę, która przetwarza razem dźwięk, wideo i tekst, rozwiązując niejednoznaczności za pomocą kontekstu wizualnego — rozróżniając homofony, rozumiejąc, do czego odnosi się „to”, na podstawie sceny, gestu, spojrzenia i wcześniejszych działań — oraz prowadząc percepcję, rozumienie, podejmowanie decyzji i ekspresję równolegle, a nie sekwencyjnie. Opublikowane demonstracje ByteDance obejmują hałaśliwą kolację grupową, podczas której model musi przypisać głosy do tożsamości, wizytę w muzeum, korygowanie procesu parzenia espresso oraz tłumienie zakłóceń na lotnisku przy jednoczesnym utrzymywaniu pamięci pozaekranowej i wyszukiwaniu w internecie.

• Wejścia — GPT-Live-1 tylko audio i tekst, obraz i wideo wyraźnie nieobsługiwane w porównaniu do SeedRealtime, w którym audio, wideo i tekst są połączone w jednym modelu

• Przełączanie tur — GPT-Live-1 podejmuje decyzje wewnętrznie, wiele razy na sekundę, podczas gdy SeedRealtime przenosi przełączanie tur do wnętrza modelu i całkowicie usuwa zewnętrzny detektor aktywności głosowej

• Proaktywne zachowanie — GPT-Live-1 odpowiada, deleguje i wywołuje narzędzia, natomiast SeedRealtime jest opisywany jako odzywający się bez zachęty, gdy docelowy obiekt pojawi się w polu widzenia

• Dostępność — GPT-Live-1 jest ogólnie dostępny w API OpenAI w cenie 0,05 USD za minutę, w porównaniu z SeedRealtime bezpłatnym w Doubao, bez API i bez przewidywanego terminu jego udostępnienia

Jakość dowodów idzie w odwrotnym kierunku niż ambicja

To tutaj porównanie przestaje schlebiać ByteDance.

OpenAI publikuje liczby. Są to jego własne liczby: porównuje GPT-Live-1 z GPT-Realtime-2.1, a nie z konkurentem, i żadne niezależne laboratorium ich nie odtworzyło — 80,1% w interaktywności full-duplex wobec 45,4%, opóźnienie przejmowania tur skrócone z 1,4 sekundy do 0,8, dokładność wywoływania narzędzi z 60% do 87%. To, że badania prowadzi dostawca i nie zostały odtworzone, to prawdziwe zastrzeżenie, i jest to zastrzeżenie, które można przynajmniej przypiąć do liczby.

ByteDance publikuje prawie nic. Główne twierdzenie dotyczące SeedRealtime to kompleksowa ocena ludzka typu end-to-end, która mówi, że zmniejsza o połowę problemy z tempem rozmowy audio-wizualnej w porównaniu z kaskadowymi systemami ASR-plus-vision-plus-TTS — mniej przerwań w połowie zdania, mniej wolnych odpowiedzi po pauzie, mniej fałszywych wyzwolenia przez hałas w tle. Nie podano liczebności próby, metodologii, dokładnej wartości poprawy ani żadnej liczby dotyczącej opóźnień. Nie podano również liczby parametrów ani raportu technicznego.

Wynik jest taki, że model o ciekawszej architekturze jest tym, który można ocenić w najmniejszym stopniu. To nie to samo, co twierdzenie, że działa gorzej — demonstracje są naprawdę uderzające, a opis inżynieryjny dotyczący wejścia audio-wizualnego dzielonego na fragmenty i generowania strumieniowego sugeruje prawdziwy system, a nie demo — ale oznacza to, że każde porównanie jakości tych dwóch jest obecnie porównaniem między udokumentowanym modelem a imponującym wideo.

Dlaczego luka w API to nie szczegół

SeedRealtime został w pełni wdrożony w Doubao od 5 sierpnia 2026 r., zarówno w wersji głosowej, jak i wideo, bezpłatnie. Nie ma punktu końcowego Volcano Engine ani BytePlus, płatnego planu, opublikowanego limitu przydziału ani podanego terminu otwarcia dostępu dla deweloperów. Roadmapa ByteDance wspomina o niższym opóźnieniu, dokładniejszym śledzeniu mówiącego i zadaniach połączonych z narzędziami; nie wspomina o dacie.

Jest jeszcze zastrzeżenie dotyczące dostępu, które dodatkowo to potęguje. Doubao to produkt w pierwszej kolejności kierowany na Chiny kontynentalne i zazwyczaj wymaga numeru komórkowego z Chin kontynentalnych do rejestracji, a nie ogłoszono zlokalizowanej wersji angielskiej. Dla zespołu spoza Chin SeedRealtime nie tylko nie zostało jeszcze uruchomione jako API — jako produkt również jest nieosiągalne.

Zestaw to z obciążeniem integracyjnym samego GPT-Live-1, a kompromis staje się konkretny. API Ope​nAI jest wąskie w sposób, który zaskakuje ludzi: jeden identyfikator modelu, jeden endpoint pod v1/live/sessions, transport WebRTC z obsługą zdarzeń na kanale danych i żadnej ścieżki przez Chat Completions, Responses, Realtime, Batch ani endpointy dostrajania. Limity szybkości są wyrażane w równoczesnych sesjach — 25 na poziomie Tier 1, rosnąc przez 50, 200, 300 i 500 — a nie w żądaniach na minutę, a poziom darmowy nie może w ogóle wywołać modelu. To nowa integracja, ale wciąż integracja, którą możesz zacząć jeszcze dziś po południu.

Dwie odpowiedzi na ten sam problem z delegowaniem

Oba modele odrzucają starą kaskadową konstrukcję, w której rozpoznawanie mowy, model językowy i synteza mowy działają sekwencyjnie, z około 1,7 sekundy martwej ciszy między turami. Odrzucają ją w różny sposób, a ta różnica mówi, który z nich jest stworzony do rozmowy telefonicznej, a który do pracy w pomieszczeniu.

GPT-Live-1 dzieli pracę w pionie. Szybka warstwa głosowa prowadzi rozmowę; wszystko cięższe — wyszukiwanie w sieci, głębsze rozumowanie, praca agentowa — jest przekazywane do osobnego modelu rozumującego przez Responses API, podczas gdy rozmowa trwa. Opublikowany przez Ope​nAI przykład WebRTC podłącza ten backend do GPT-5.6 Terra. Konsekwencją jest to, że połowa odpowiedzialna za myślenie to zwykłe wywołanie modelu tekstowego, rozliczane za token, a więc coś, co można wybierać, wymieniać i trasować niezależnie od warstwy głosowej. W przypadku linii wsparcia to właściwy kształt: głos jest interfejsem, a rozumowanie — produktem.

SeedRealtime trzyma wszystko w jednej sieci i właśnie dzięki temu może przyglądać się gestowi, gdy wypowiedź jest w połowie zdania. To również sprawia, że nie da się go rozłożyć — nie można wymienić połowy odpowiedzialnej za rozumowanie, ponieważ takiej połowy nie ma, a nie można go uruchomić nigdzie indziej, ponieważ nie ma gdzie go uruchomić.

Jeśli dziś budujesz agenta głosowego, ta różnica to cała decyzja. Tylko jeden z tych dwóch jest komponentem, który możesz umieścić w architekturze. GPT-5.6 Terra, backend w przykładzie delegowania Ope​nAI, jest udostępniany przez OrcaRouter w cenie 2,00 USD za milion tokenów wejściowych i 12,00 USD za milion tokenów wyjściowych z kontekstem 1 mln tokenów oraz udostępnionymi zarówno /v1/chat/completions, jak i /v1/responses — obok około 190 innych modeli na jednym kluczu, dzięki czemu warstwę rozumowania stojącą za agentem głosowym można rozdzielić, wycenić i przełączyć awaryjnie bez ingerencji w ścieżkę audio. Ani GPT-Live-1, ani SeedRealtime nie są udostępniane przez OrcaRouter; pochodzą wyłącznie od swoich dostawców i żaden router tego nie zmieni.

Co zmieniłoby odpowiedź?

Trzy rzeczy, w kolejności prawdopodobieństwa.

• Deweloperskie API ByteDance. Jeśli SeedRealtime pojawi się w Volcano Engine lub BytePlus z opublikowanym cennikiem, przestaje być studium przypadku i staje się produktem naprawdę wyróżniającym się na tle innych — pełny dupleks audiowizualny bez hostowanego konkurenta na Zachodzie. To sygnał, którego należy wypatrywać, a on się nie pojawił.

• Wizja pojawia się w hostowanym API głosowym. Dokumentacja GPT-Live-1 wyraźnie podaje, że obrazy i wideo nie są obsługiwane, co brzmi nie tyle jak przeoczenie, ile jak celowa granica pierwszego wydania. Jeśli OpenAI wprowadzi funkcję wideo, którą demonstruje w innych miejscach ChatGPT, luka w możliwościach, która czyni SeedRealtime interesującym, znacznie się zmniejszy.

• Jakikolwiek niezależny pomiar SeedRealtime. Zewnętrzna wartość opóźnienia lub liczba parametrów pozwoliłyby porównać oba pod względem czegoś innego niż ambicja.

Praktyczny werdykt dla każdego, kto buduje teraz, jest krótki. GPT-Live-1 to jedyny z tych dwóch, który możesz wdrożyć, a w cenie 0,05 USD za minutę rozliczaną co sekundę, z dwunastoma głosami i udokumentowanym punktem końcowym, jest rozsądnym domyślnym wyborem do głosu konwersacyjnego. SeedRealtime to ciekawszy model i całkiem możliwe, że nawet ten o większych możliwościach; jest też jednak na razie demonstracją tego, jak wygląda skonwergowana architektura audiowizualna, a nie produktem, który możesz pokazać klientowi. Zalicz go do rzeczy, którym warto się przyglądać, a nie tych, na których warto budować.