GPT-Live-1 kontra Voxtral 3: Cena, która nie jest ceną

Voxtral 3 reklamuje kompletnego agenta głosowego za 0,04 USD za minutę. GPT-Live-1 reklamuje 0,05 USD za minutę, a potem jeszcze raz obciąża Cię za myślenie. Według liczb podanych w nagłówkach Mistral jest o 20% tańszy i oferuje więcej — zamianę mowy na tekst, zamianę tekstu na mowę i model rozumowania w ramach jednej stawki — podczas gdy stawka OpenAI obejmuje tylko warstwę głosową. Taka interpretacja jest technicznie poprawna, ale w praktyce myląca, ponieważ te dwie stawki nie kupują tego samego.

Oba trafiły na rynek w odstępie sześciu tygodni: GPT-Live-1 do API 10 września 2026 r., Voxtral 3 w publicznej wersji zapoznawczej 20 października. Oba są skierowane do tego samego klienta — kogoś, kto buduje agenta telefonicznego, który musi prowadzić rozmowę. Osiągają ten cel przeciwnymi drogami, a różnica kosztów utrzymuje się tylko wtedy, gdy nigdy się im nie przerywa.

Co tak naprawdę kryje się w każdej minucie

Zacznij od tego, co obejmują mierniki, ponieważ właśnie tutaj porównanie się rozstrzyga.

• Pełny agent Voxtral 3 — $0.04 za minutę z Mistral Small 4 jako modelem rozumującym, $0.08 z mocniejszym. Obejmuje to transkrypcję, syntezę i model językowy.

• GPT-Live-1 — 0,05 USD za minutę wyłącznie za głos, rozliczane co sekundę. Rozumowanie po stronie backendu, wywołania narzędzi i wyszukiwanie w internecie są rozliczane osobno według standardowych stawek modelu.

• Sam Voxtral 3 TTS — 13 USD za milion znaków, około 0,70 USD za godzinę mowy w normalnym tempie.

• Wejściowe audio GPT-Live-1 — zmierzone na 5,83 USD za godzinę wejściowego audio w konfiguracji wysokiego rozumowania i 4,47 USD w konfiguracji niskiego, według stałego zestawu 40 pytań Artificial Analysis.

Uczciwe porównanie kosztów per minutę w dziesięciominutowej rozmowie to 0,40 USD za Voxtral 3 w cenie kompleksowej wobec 0,50 USD plus backend w przypadku GPT-Live-1 — czyli od 0,50 do 0,55 USD w zależności od tego, jak dużo agent musi pomyśleć. Mistral wygrywa tę arytmetykę i wygrywa ją, uwzględniając komponent, który OpenAI pomija.

Chyba że połączenie to w większości cisza. Stawka Voxtral za agenta głosowego jest rozliczana jak sesja; stawka GPT-Live-1 z pewnością też. Żaden dostawca nie publikuje zwolnienia z naliczania dla ciszy, a każde wdrożenie, które przetrzymuje dzwoniących na oczekiwaniu, powinno zakładać, że oba liczniki nadal naliczają. Ta różnica nie faworyzuje żadnej ze stron, ale oznacza, że stawki nagłówkowe są niewłaściwym miejscem do optymalizacji.

Pipeline kontra duplex, znowu

Voxtral 3 to stos, a nie model: modele transkrypcji (Mini Transcribe 3 z 4 mld parametrów, Small oraz wariant czasu rzeczywistego), model syntezy i oparty na LiveKit Voice Agent SDK, który spina je z modelem językowym pośrodku. Deklarowane przez Mistral opóźnienie do pierwszego dźwięku wynosi około 90 milisekund, co jest naprawdę szybkie w przypadku etapu syntezy.

Szybka synteza to nie to samo co dobre zarządzanie turami rozmowy. Kaskada i tak musi zdecydować, kiedy człowiek skończył mówić, a tę decyzję podejmuje detektor aktywności głosowej lub model wykrywania tur, który znajduje się przed potokiem przetwarzania. Gdy pomyli się, agent albo przerywa rozmówcy, albo czeka odrobinę za długo, a żadna synteza 90 ms tego nie naprawi.

GPT-Live-1 to jedna sieć, która jednocześnie słyszy i mówi, decydując wiele razy na sekundę, czy ustąpić. To właśnie ta zdolność, za którą płacisz ten dodatkowy cent, i nie jest to funkcja, którą można złożyć z części. Dlatego też model OpenAI nie ma pozycji dotyczących transkrypcji ani syntezy: nie ma czego wyszczególniać.

Praktycznym testem nie jest opóźnienie, ale częstotliwość przerwań. Jeśli twoi rozmówcy mówią pełnymi zdaniami i czekają na swoją kolej, potok jest w porządku i tańszy. Jeśli w połowie mówią: „nie, czekaj, chodziło mi o tamten drugi”, to kupujesz zachowanie dwukierunkowe, niezależnie od tego, czy już się do tego przyznałeś.

Języki, dialekty i gdzie przechowywane są dane

Mistral udostępnia Voxtral 3 z ponad 35 językami i ponad 50 dialektami, sterowaniem emocjami i stylem, klonowaniem głosu zero-shot oraz ścieżką adaptacji „Pro Voice”, która wymaga około 30 minut nagrania referencyjnego. Dokumentacja GPT-Live-1 milczy na temat pokrycia dialektów i oferuje stałe głosy modelu bez możliwości klonowania.

Jeśli Twój produkt jest europejski — francuski, niemiecki, włoski, hiszpański, niderlandzki — Voxtral 3 to bardziej kompletna oferta, a unijne pozycjonowanie Mistrala jest realnym argumentem w rozmowach zakupowych, na który OpenAI nie odpowiada tak bezpośrednio. To fakt biznesowy, a nie benchmark, i dla wielu kupujących przesądza o umowie, zanim w ogóle zacznie się rozmowa o opóźnieniach.

Jeśli Twój produkt to obsługa klienta lub rezerwacje w języku angielskim na jednym rynku, zakres językowy to zasób, którego nie wykorzystasz, a zachowanie w trybie duplex to coś, co zauważysz przy każdym połączeniu.

Pułapka otwartych wag

Warto to podkreślić, bo łatwo się na tym złapać: sam Voxtral 3 to zamknięte API. Model do pobrania z tej rodziny to starszy checkpoint TTS 4B z marca 2026 r., udostępniony na licencji CC BY-NC 4.0 — niekomercyjnej — inny, starszy model z niższym wynikiem w arenie. Wdrożenie Voxtral 3 we własnej infrastrukturze w wersji enterprise jest ustalane w drodze negocjacji, a nie przez link do pobrania.

Żaden model w tym porównaniu nie daje ci wag. GPT-Live-1 nie ma ich z założenia. Voxtral 3 nie ma ich zgodnie z polityką. Jeśli posiadanie modelu jest wymogiem, oba odpadają i rozmowa przenosi się na Fish Audio Drama 3 lub Ming-3.0-TTS.

Co mierzą zarządy, a czego nie

Voxtral 3 TTS ma 1223 Elo w Provider Voice Arena firmy Artificial Analysis (dane z 29 października 2026) — czternaste miejsce w stawce, przy cenie 13 USD za milion znaków. To solidny wynik syntezy: za Eleven v4 z wynikiem 1334, przed kilkoma modelami, które kosztują więcej.

GPT-Live-1 nie pojawia się na tej tablicy, a porównywanie jego wyniku 83,2 w Speech-to-Speech Index z wynikiem Voxtrala 1223 oznacza zestawianie ważonego indeksu rozmównego z Elo opartym na ślepych preferencjach. Na tablicach, na których pojawiają się systemy rozmowne, GPT-Live-1 uzyskuje 1037–1041 Elo w Speech Agent Arena przy skuteczności zadań wynoszącej od 87,4% do 90,9%. Stos agentowy Voxtral 3 nie zgromadził jeszcze wystarczającej liczby rozmów w arenie, aby zostać sklasyfikowanym.

Ten brak jest najużyteczniejszym faktem w tej sekcji. Nie istnieje niezależne bezpośrednie porównanie tych dwóch rozwiązań, co oznacza, że każda lektura porównawcza — łącznie z tą — opiera się na wnioskowaniu z publikowanych stawek i architektury, a nie na kontrolowanym eksperymencie. Każdy, kto twierdzi, że jedno z nich jest wymiernie bardziej naturalne w rozmowie telefonicznej, powtarza słowa dostawcy.

Gdzie trafia argument dotyczący routingu

Żaden z tych modeli nie jest obsługiwany przez OrcaRouter. Voxtral 3 to API Mistrala; GPT-Live-1 to API OpenAI. Routowalny jest natomiast moduł rozumowania, do którego każdy z nich deleguje zadania — i tutaj obie architektury różnią się w sposób istotny dla projektowania stosu.

Voxtral 3 pozwala wybrać model rozumowania w ramach własnej taryfy agenta: Small 4 za 0,04 USD, coś mocniejszego za 0,08 USD. GPT-Live-1 pozostawia backend całkowicie otwarty, co oznacza, że możesz wskazać dowolny model tekstowy — w tym GPT-6 Astra, GPT-5.6 Terra lub tańszy poziom, za jednym kluczem, a routing DSL pozwala przypiąć różne modele do różnych typów zadań w ramach tego samego wdrożenia.

Ta elastyczność jest warta realnych pieniędzy przy mieszanym obciążeniu: tani model obsługuje potwierdzenie adresu, a model czołowy zajmuje się sporną opłatą — bez drugiej umowy i drugiej integracji. Ceny katalogowe dostawcy są przekazywane bez marży (0%), więc obniżka w warstwie rozumowania trafia na Twój rachunek w dniu wejścia w życie, a nie dopiero przy kolejnym odnowieniu umowy.

Decyzja

Wybierz Voxtral 3, jeśli tworzysz w Europie, potrzebujesz wielu języków i dialektów, chcesz jedną fakturę obejmującą wszystko od transkrypcji po syntezę, a Twoi rozmówcy dość grzecznie czekają na swoją kolej. Jest tańszy za minutę w ujęciu całościowym, stanowi bardziej kompletny stos, a wynik syntezy 1223 jest przyzwoity.

Wybierz GPT-Live-1, jeśli przerwań nie da się obejść — przyjmowanie zgłoszeń, triage, dyspozytornia, cokolwiek, gdzie dzwoniący poprawia sam siebie, a agent musi to usłyszeć na żywo. Zapłacisz więcej za minutę, będziesz mieć mniej kontroli, ale otrzymasz jedną cechę, której żaden pipeline nie kupi za żadne pieniądze.

Pułapka, której trzeba uniknąć, to porównywanie dwóch głównych stawek i wyciąganie wniosku, że $0.04 jest lepsze od $0.05. Te liczby nie dotyczą tej samej minuty: jedna obejmuje moduł transkrypcji, syntezator i moduł rozumowania; druga obejmuje ucho. Kup tę, której zawartość odpowiada zadaniu, a potem spieraj się o cenę.