Muse Realtime Avatar vs GPT-Live-1: Obecność kontra rozmowa

Jednostka rozliczeniowa mówi ci, co każda firma uważa, że sprzedaje. GPT-Live-1, pełnodupleksowy model głosowy Open​AI, rozlicza się według stałej stawki 0,05 USD za minutę głosu naliczanej za sekundę, a jego limity szybkości są wyrażone w sesjach równoczesnych — 25 na poziomie Tier 1, rosnąco do 500 na poziomie Tier 5. To jednostka linii telefonicznej. Muse Realtime Avatar, ogłoszony przez Metę 23 września 2026 r., nie ma jednostki rozliczeniowej, ponieważ nie ma czego rozliczać: żadnego API, żadnego endpointu, żadnej ceny, żadnej daty. Jego opublikowaną jednostką jest natomiast liczba sprzętowa — 12 równoczesnych sesji czasu rzeczywistego na jednym NVIDIA GB200. Jedna firma sprzedaje rozmowę na minuty. Druga pokazuje, ile kosztuje renderowanie twarzy, i jeszcze nie zdecydowała się tego sprzedawać.

Oba modele są dość nowe i żaden z nich nie jest premierą w sensie, jaki zwykle niesie to słowo. GPT-Live-1 został udostępniony w ChatGPT 8 lipca 2026 r. i dopiero 10 września trafił do API dla deweloperów — przez dwa miesiące był domyślnym głosem produktu konsumenckiego, a dla wszystkich, którzy coś budowali, pozostawał niedostępny. Muse Realtime Avatar ogłoszono 23 września 2026 r. podczas Meta Connect, jest prezentowany w poście badawczym samej Meta i pozostaje możliwością agenta Muse, a nie produktem. Porównywanie ich to porównywanie dwóch różnych etapów tego samego pomysłu: co się dzieje, gdy model konwersacyjny jest wystarczająco dobry, że kolejnym pytaniem staje się to, na co patrzy użytkownik, gdy model mówi.

Co zbudowało OpenAI: rozmowa, która nigdy się nie zatrzymuje

GPT-Live-1 jest pełnodupleksowy w sensie, który ma znaczenie operacyjnie — nie czeka, aż skończysz, zanim zacznie działać. Osiąga interfejs API dla deweloperów przez dokładnie jeden punkt końcowy, punkt końcowy Live Sessions, pod dokładnie jednym identyfikatorem modelu, gpt-live-1, bez datowanych migawek do przypięcia i bez włączonych pokrewnych punktów końcowych. Brak Chat Completions, brak Responses, brak Realtime, brak dostrajania, brak punktów końcowych transkrypcji audio lub mowy. Wprowadzanie obrazu i wideo jest wyraźnie nieobsługiwane.

Decyzją projektową, która kształtuje wszystko na dalszych etapach, jest delegowanie. GPT-Live-1 nie zajmuje się samodzielnie trudnym rozumowaniem. Dokumentacja Open​AI łączy warstwę głosową z osobnym backendem rozumowania, a w opublikowanym przykładzie WebRTC tym backendem jest GPT-5.6 Terra. Sesja GPT-Live-1 to więc dwa liczniki działające naraz: 0,05 USD za minutę głosu plus standardowe stawki za tokeny modelu backendowego za każde wywołanie narzędzia, wyszukiwanie i krok rozumowania, które przekazuje dalej. W Speech to Speech Index ta rozdwojona osobowość objawia się tym, że ten sam model jest oceniany dwukrotnie — 81,5 z GPT-6 Astra wykonującym rozumowanie przy średnim wysiłku, 80,1 z GPT-5.6 Sol przy niskim wysiłku. Różnica 1,4 punktu między tymi dwiema konfiguracjami jest większa niż 0,2-punktowa przewaga, która daje najlepszej konfiguracji GPT-Live-1 pierwsze miejsce.

Taki jest uczciwy kształt tego modelu. Interfejs głosowy jest stały; inteligencja to parametr, który ustawiasz, i przesuwa wynik bardziej niż jakikolwiek konkurencyjny model.

Co zbudowała Meta: twarz, która porusza się wraz z głosem

Muse Realtime Avatar mierzy się z problemem, którego GPT-Live-1 nie ma — utrzymaniem wygenerowanego wideo w ścisłej synchronizacji z wygenerowaną mową. Odpowiedzią Meta jest uczynienie ich tym samym strumieniem: Muse Realtime Voice emituje tokeny mowy niosące zarówno treść, jak i prozodię, a awatar to napędzany dźwiękiem Diffusion Transformer konsumujący te same tokeny, warunkowany obrazem referencyjnym i przesuwnym oknem ostatnich latentów wideo. Nic nie jest synchronizowane z ruchem warg po fakcie, bo nie ma żadnego „po fakcie” — głos, usta i mimika pochodzą z jednego procesu.

Opublikowane dane liczbowe pochodzą od samej Meta, zostały zmierzone względem wybranych przez Meta punktów odniesienia i żadnych z nich nie odtworzono poza firmą. 870 ms od zakończenia Twojej wypowiedzi do pierwszego bajtu zsynchronizowanej odpowiedzi głosowo-wideo. Wideo portretowe 448×768 przy 25 klatkach na sekundę, oznaczone znakiem wodnym w postaci przezroczystej nakładki, dzięki czemu widz może stwierdzić, że to nie kamera. Dwanaście równoczesnych sesji na jednym GB200, ośmiokrotny wzrost przepustowości względem własnego, dwuetapowego punktu odniesienia BF16 firmy Meta, dzięki czterobitowemu treningowi uwzględniającemu kwantyzację, trwałym pamięciom podręcznym KV oraz dynamicznemu grupowaniu partii z uwzględnieniem opóźnień. Oraz wynik preferencji, który Meta raportuje jako wzrost z 45% do 55% względem tego punktu odniesienia, z dwoma ujawnionymi zwycięstwami nad komercyjnymi systemami awatarów — a także ujawnieniem, że pod względem manieryzmów wynik przeciwko jednemu z nich nie jest statystycznie odróżnialny od parytetu.

Nic na tej liście nie jest stawką, punktem końcowym ani datą.

Rachunek za dwa metry, i gdzie routing ma swoje uzasadnienie

Struktura kosztów GPT-Live-1 to nie jedna liczba, a traktowanie jej jako jednej liczby sprawia, że tanio brzmiący model głosowy generuje drogi miesiąc. Głos kosztuje 0,05 USD za minutę, rozliczany sekundowo, bez zaokrąglania w górę, a pierwsze 15 sekund sesji jest rozliczane z góry, ale zaliczane na poczet późniejszego czasu trwania, a nie doliczane na wierzch. Wszystko, co sesja deleguje — rozumowanie, wywołania narzędzi, wszelkie wyszukiwanie — jest rozliczane osobno według stawek samego modelu backendowego. Skieruj delegowanie do czołowego modelu rozumującego i pozwól mu wyszukiwać w każdej turze, a zbudujesz otwartą linię za 3 USD za godzinę z modelem premium w tle.

Ten drugi licznik to połówka, którą można routować. W OrcaRouter backend sesji GPT-Live-1 to po prostu kolejne wywołanie modelu: 196 modeli od 15 dostawców za jednym kluczem, w cenie katalogowej dostawcy przekazywanej dalej bez marży, z automatycznym przełączaniem awaryjnym, gdy wybrany model zwróci błąd lub przekroczy limit czasu. Nie możesz routować warstwy głosowej — Live Sessions to wyłącznie endpoint OpenAI — ale wszystko, do czego warstwa głosowa deleguje zadania, opiera się na jednym kluczu, co oznacza, że część rachunku, która rośnie wraz z tym, jak intensywnie myślą twoi rozmówcy, jest również tą częścią, którą możesz zmienić bez umowy.

Z kolei Muse Realtime Avatar nie ma żadnych mierników do trasowania. Jest funkcją aplikacji.

Dwa zakłady o tym, do czego służy agent głosowy

Odrzuć specyfikacje, a obie firmy nie zgodzą się co do produktu. Zakład OpenAI jest taki, że rozmowa jest produktem — że agent głosowy to linia telefoniczna, a praca polega na tym, by sprawić, że tak się poczuje: nigdy się nie zacina, trudne myślenie przekazuje modelowi stojącemu za nim, rozlicza się za minutę, skaluje się wraz z liczbą jednoczesnych połączeń. Każdy wybór w powierzchni API GPT-Live-1 wynika z tego. Limity tempa oparte na współbieżności, transport wyłącznie przez WebRTC, celowo wąski pojedynczy endpoint, brak wideo na wejściu i wyjściu.

Założenie Meta jest takie, że obecność to produkt — że użytkownik, który widzi agenta, to użytkownik, który zostaje w rozmowie, a ciekawa inżynieria nie polega na przejmowaniu tur, lecz na utrzymaniu spójności renderowanej postaci przez cały czas trwania połączenia. Te wybory tworzą system zoptymalizowany pod kątem liczby klatek na sekundę i gęstości sesji na GPU, bez żadnej warstwy komercyjnej.

Istnieje realna możliwość, że oba są słuszne i że te dwa elementy zostaną połączone. Produkt mógłby prowadzić swoją rozmowę na pełnodupleksowym modelu głosowym, a warstwę wizualną na rendererze awatara, a jedyną rzeczą, która dziś to powstrzymuje, jest to, że renderer awatara nie ma punktu końcowego. Nie jest wiarygodne traktowanie ich jako dwóch wersji tego samego zakupu.

Kto powinien działać, a kto powinien czekać?

Jeśli budujesz teraz produkt głosowy, GPT-Live-1 da się wywołać, a Muse Realtime Avatar nie — i to rozstrzyga decyzję. Ciekawym wyborem wewnątrz GPT-Live-1 jest backend, do którego delegujesz, ponieważ to tam naprawdę zmienia się zarówno wynik, jak i rachunek — a to ta jedna część stosu, którą możesz routować, wymieniać i przełączać awaryjnie bez dotykania integracji głosowej.

Jeśli tym, czego chcesz, jest awatar, czekanie nie jest bierne. To, na co warto patrzeć, jest konkretne: czy Meta opublikuje cennik i endpoint, czy pojawi się podana data oraz czy 870 ms przetrwa zetknięcie z telefonem w połączeniu komórkowym, a nie tylko pokaz na Connect. Sam wpis Meta zauważa, że jej demonstracje nie wszystkie odzwierciedlają awatary dostępne w aplikacji Muse, i to jest zdanie, którego warto się trzymać.

Dopóki jedno z nich się nie zmieni, porównanie ma jednolinijkową odpowiedź. GPT-Live-1 to linia telefoniczna z mózgiem, który wybierasz. Muse Realtime Avatar to twarz bez numeru telefonu.