GPT-Live-1 vs VoxCPM2: Jeden kosztuje 0,05 USD za minutę, drugi wymaga GPU z 24 GB

Najbardziej klarowny sposób porównania GPT-Live-1 z VoxCPM2 polega na zauważeniu, że wyglądają jak konkurenci tylko do momentu, gdy spojrzy się na liczby dotyczące sprzętu. GPT-Live-1 to pełnodupleksowy model głosowy OpenAI, dostępny w API od 10 września 2026 r. w cenie 0,05 USD za minutę głosu, bez konieczności instalowania czegokolwiek. VoxCPM2 to model zamiany tekstu na mowę OpenBMB o otwartych wagach i 2 miliardach parametrów, udostępniony na licencji Apache 2.0 w kwietniu 2026 r., który działa na około 8 GB VRAM i nie jest wdrażany przez żadnego dostawcę usług inferencji — więc jeśli go chcesz, maszyna należy do ciebie. Jeden to rozmowa, którą wynajmujesz i rozliczasz za sekundę; drugi to syntezator, który obsługujesz. Pytanie nie brzmi, który jest lepszy, lecz który z nich twoje obciążenie jest w stanie faktycznie udźwignąć.

Dwa modele, dwa zadania, po jednej uczciwej linii specyfikacji każdy

• Funkcja — GPT-Live-1 prowadzi rozmowę: jednocześnie słucha i mówi, przestrzega naprzemienności wypowiedzi, obsługuje przerwania i sygnały podtrzymujące oraz zwraca transkrypcje. VoxCPM2 zamienia tekst na mowę. Nigdy niczego nie słyszy.

• Dostęp — GPT-Live-1 jest hostowany i zamknięty, dostępny przez jeden identyfikator modelu w punkcie końcowym Live Sessions, z opublikowanym przykładem integracji działającym przez WebRTC. VoxCPM2 to checkpoint do pobrania na Hugging Face i ModelScope, na licencji Apache 2.0, darmowy do użytku komercyjnego.

• Cena — GPT-Live-1 kosztuje 0,05 USD za minutę głosu, rozliczane za sekundę, a backend delegacji jest mierzony osobno. VoxCPM2 to 0 USD za wywołanie plus GPU, a hosting open source to cały model kosztów.

• Wymagania — GPT-Live-1 nie wymaga od ciebie żadnego sprzętu. VoxCPM2 potrzebuje około 8 GB VRAM (6–8 GB przy Q4), Python 3.10+, PyTorch 2.5+ i CUDA 12+.

• Benchmarki — każdy wynik głosowy GPT-Live-1 pochodzi od OpenAI i nie został odtworzony; jedyna niezależna tablica wyników umieszcza go na siódmym miejscu wśród jedenastu. Opublikowane liczby VoxCPM2 należą do OpenBMB, a istniejące niezależne pomiary dotyczące jego twierdzeń o wielojęzyczności wskazują w przeciwnym kierunku.

Pytanie o 24 GB, wycenione

Liczby dotyczące serwowania VoxCPM2 to te, które decydują, czy self-hosting to hobby, czy architektura. Na pojedynczym RTX 4090 model działa ze współczynnikiem czasu rzeczywistego około 0,30 w zwykłym PyTorch i około 0,13 ze ścieżką Nano-VLLM — co oznacza około 7,7 godziny wygenerowanego dźwięku na godzinę czasu GPU w szybszej konfiguracji. To są własne dane z karty modelu, a nie zewnętrzny pomiar; niezależny przepis serwowania zweryfikowany na 4090 z CUDA 12.9 podaje ustabilizowane współczynniki czasu rzeczywistego około 0,120 dla syntezy zero-shot i 0,139 dla klonowania, ze szczytowym zużyciem pamięci GPU blisko 22 GB z 24 GB. Oba zestawy są ustabilizowane, a nie zimny start — pierwsze żądanie w świeżym procesie jest znacznie wolniejsze, i to jest liczba, którą ludzie cytują, mówiąc, że model jest bezużyteczny.

Zestaw to z API. GPT-Live-1 w cenie 0,05 USD za minutę to 3,00 USD za godzinę ciągłej rozmowy. Karta 24 GB wynajmowana na wolnym rynku mieści się w niskich jednocyfrowych kwotach w dolarach za godzinę, a posiadanie jednej amortyzuje się do podobnej kwoty, gdy uwzględni się stopień wykorzystania. Porównanie wypada więc tam, gdzie takie porównania zwykle wypadają, z jedną niewygodną asymetrią: rachunek za GPU przychodzi niezależnie od tego, czy ktokolwiek rozmawia z twoim produktem, a rachunek za API skaluje się do zera w spokojny dzień i do pięciocyfrowych kwot w dzień dużego ruchu. Wsadowa synteza stałego katalogu idealnie pasuje do GPU. Stale aktywna linia telefoniczna idealnie pasuje do licznika.

Co VoxCPM2 potrafi, czego nie potrafi nic innego otwartego

Powód, dla którego VoxCPM2 zasługuje na tak dużą uwagę, nie polega na tym, że wygrywa benchmarki — przeważnie tego nie robi — ale na tym, że projektuje głos na podstawie opisu tekstowego, całkowicie bez audio referencyjnego. To naprawdę nowa możliwość w otwartych wagach i zmienia sposób pracy każdego, kto potrzebuje głosu, którego jeszcze nie ma: przetestuj go opisem słownym, dopracuj opis słowny, a dopiero potem zdecyduj, czy go klonować. Do tego dokłada 30 języków oraz dziewięć dialektów chińskich, wyjście 48 kHz przez wbudowany etap superrozdzielczości i dostrajanie przy użyciu zaledwie 5–10 minut nagrania.

Baza dowodów jest uboższa niż lista funkcji. Własny raport OpenBMB podaje wskaźnik błędu słów dla angielskiego na poziomie 1,84% i wskaźnik błędu znaków chińskich na poziomie 0,97%, a także średni błąd 1,68% w 30 językach, zmierzony na własnym zestawie 500 wypowiedzi na język i oceniony przez model innego dostawcy. Tam, gdzie istnieje niezależny test, rozbieżność jest duża: w wielojęzycznym zestawie testowym MiniMaxa ocenianym za pomocą Whisper-large-v3 hindi wypada na poziomie 19,70, a arabski na 13,05 — wielokrotnie gorzej niż w danych raportowanych samodzielnie przez OpenBMB. OpenBMB ostrzega też, że projektowanie głosu i kontrola stylu dają zmienne wyniki między uruchomieniami, i sugeruje generowanie od jednego do trzech razy, aby uzyskać pożądany wynik, co jest dyskretnym sposobem powiedzenia, że koszt użytecznego wyniku w przeliczeniu na wywołanie to nie jedno wywołanie.

Podatek od integracji, którego nikt nie ujmuje w porównaniu

Jeden mało efektowny szczegół decyduje o tym, czy VoxCPM2 to tydzień pracy, czy miesiąc. Jego repozytorium na Hugging Face ma tag voxcpm, a nie transformers, co oznacza, że biblioteka, której używa się do wczytywania niemal wszystkiego innego na tej stronie, nie może wczytać tego modelu. Pull request, który miał to naprawić, został otwarty 4 sierpnia 2026 r. i nie został scalony, gdy ostatnio sprawdzaliśmy. Pull requesty dodające go do innych stosów serwowania zostały scalone, a adopcja nie podlega wątpliwości: 393 079 pobrań w ciągu ostatnich trzydziestu dni według stanu na moment tego zapisu, wraz z 27 adapterami, 30 dostrojeniami, 12 kwantyzacjami i 100 Spaces zbudowanymi na tym checkpoincie.

Równoważnym podatkiem w GPT-Live-1 jest przepisanie warstwy transportowej. Jego sesje są zbudowane wokół połączenia na żywo, a nie punktu końcowego audio opartego na modelu żądanie-odpowiedź, a rozliczanie oparte na dwóch licznikach oznacza, że każde delegowane wywołanie rozumowania, użycie narzędzia i wyszukiwanie w sieci są naliczane według stawek samego modelu backendowego, dodatkowo ponad minutę głosową. Zespoły migrujące z integracji czasu rzeczywistego rozliczanej tokenowo powinny zaplanować tę przeprowadzkę jako zadanie inżynierskie, a nie podmianę identyfikatora modelu.

Gdzie warstwa routingu faktycznie pomaga

OrcaRouter nie udostępnia ani GPT-Live-1, ani VoxCPM2 i warto powiedzieć to wprost, zamiast pozwalać, by reszta tej sekcji sugerowała coś innego. Warstwa głosowa GPT-Live-1 znajduje się za własnym endpointem OpenAI; VoxCPM2 nie ma w ogóle hostowanego dostawcy. Żadnego z nich nie można wywołać naszym kluczem.

Pytanie o routing wciąż powraca, bo oba modele leżą na skraju potoku, którego środek to tekst. Wdrożenie VoxCPM2 zwykle odpowiada na potrzeby czegoś innego — generatora skryptów, kroku tłumaczenia, normalizatora tekstu, modelu dialogowego, który decyduje, co zostanie wypowiedziane jako następne — a to zwykłe wywołania modeli. Sesja GPT-Live-1 deleguje swoje myślenie do modelu backendowego wskazanego w konfiguracji sesji, a w dokumentacji samego OpenAI tym backendem jest GPT-5.6 Terra, dostępny przez OrcaRouter w cenie katalogowej OpenAI. Delegowanie po stronie klienta idzie jeszcze dalej: pozwala Twojej własnej aplikacji dostarczyć backend, co oznacza, że modelem stojącym za głosem może być dowolny punkt końcowy, który kontrolujesz. Około 190 modeli od jedenastu dostawców nadrzędnych stoi za jednym kluczem w cenie katalogowej, bez żadnej marży — więc gdy dostawca obniża cenę, obniżka działa tu tego samego dnia, a nie dopiero przy odnowieniu — z automatycznym przełączaniem awaryjnym między dostawcami i DSL-em routingu do składania kilku modeli w jedno wywołanie. Tanie ubezpieczenie dla tej połowy stosu, która zmienia się najczęściej.

Ta przestroga należy do tej sekcji, a nie powinna być w niej zakopana, ponieważ to właśnie ten szczegół sprawia, że część tego porównania dotycząca GPT-Live-1 jest mniej rozstrzygnięta, niż sugerują benchmarki jej producenta. W niezależnym Artificial Analysis Speech to Speech Index GPT-Live-1 osiąga 69,8% — siódme miejsce na jedenaście, za GPT-Realtime-2.1 z 73,9% i Grok Voice Think Fast 2.0 z 79,0%. Model ten jest najtańszą pozycją na tej liście w przeliczeniu na godzinę wejściowego audio, przy 4,42 USD, i nie jest najlepszy. Uwzględnij w planach możliwość, że warstwa głosowa, którą ustandaryzujesz, nie będzie tą, którą zachowasz.

Który, po co

Wybierz VoxCPM2, jeśli tekst istnieje, zanim powstanie audio. Narracja, audiobooki, dubbing, dostępność, kwestie głosowe w grach, produkt, który potrzebuje głosu, którego nikt jeszcze nie nagrał — a zwłaszcza każde obciążenie, w którym wolumen jest wysoki, przewidywalny i wart stałego kosztu kapitałowego. Zaakceptuj, że będziesz uruchamiać go samodzielnie, że narzędzia wokół niego wciąż się stabilizują i że twierdzenia o jakości wielojęzycznej zasługują na twój własny test odsłuchowy, zanim trafią do klienta.

Wybierz GPT-Live-1, jeśli po drugiej stronie jest człowiek. Agenci głosowi, wsparcie telefoniczne, procesy przyjmowania zgłoszeń — cokolwiek, gdzie model musi w czasie rzeczywistym rozstrzygnąć, czy człowiek skończył mówić. Płać stawkę za minutę za przywilej nieposiadania tego problemu i uwzględnij w budżecie delegowany backend jako osobną pozycję, bo to tam rozmowa staje się tania albo droga.

Błędem jest traktowanie ich jako alternatyw w bezpośrednim porównaniu. Dla większości zespołów, które potrzebują obu, są to dwie warstwy tego samego produktu, a jedyną naprawdę błędną odpowiedzią jest wybranie wersji self-hosted, ponieważ licencja mówi, że jest darmowa, bez wycenienia GPU, które sprawia, że to prawda.