Wygenerowana karta tytułowa dla Realtime 1 vs GPT Live 1 pokazująca $0.01 wobec $0.05 za minutę audio oraz uwagę, że porównanie „feels very close” nie zostało przetestowane, a także logo OrcaRouter.
Engineering & Research

Realtime 1 vs GPT Live 1: pięć centów kontra jeden i twierdzenie, którego nikt jeszcze nie może sprawdzić

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Pięć centów za minutę. Tyle OpenAI pobiera za GPT Live 1 — model głosowy pełnodupleksowy, który „potrafi słuchać i mówić jednocześnie”, rozliczany za sekundę bez zaokrąglania w górę, a model zaplecza i użycie narzędzi są rozliczane osobno. MAI Realtime 1, ogłoszony przez Microsoft 17 listopada 2026 r., kosztuje centa za minutę przed swoim poziomem rozumowania. W cenniku różnica wynosi pięć do jednego, a pewna osoba, która używała obu, powiedziała internetowi, że Realtime 1 „sprawiał wrażenie bardzo bliskiego modelowi GPT Live”. To zdanie jest najciekawszą rzeczą w tym zestawieniu i najmniej weryfikowalną, ponieważ istnieje dokładnie jeden sposób, by to rozstrzygnąć, a żadna niezależna strona nie przeprowadziła testu, który by to zrobił.

Więc potraktuj to jako dwa pytania, a nie jedno. Czy model za centa za minutę jest pięć razy gorszy? A co właściwie daje zmierzony profil G​PT Live 1, co tańszy model musiałby dorównać? Na drugie pytanie są odpowiedzi. Na pierwsze – jeszcze nie.

Architektury nie mają tego samego kształtu.

G​PT Live 1 jest nietypowy i jego dokumentacja mówi o tym wprost. To model pełnodupleksowy — jednocześnie słucha i mówi, zamiast naprzemiennych tur — i nie próbuje samodzielnie prowadzić rozumowania. „Przekazuje rozumowanie i pracę z narzędziami agentowi backendowemu”, dostępnemu wyłącznie przez v1/live/sessions, bez wsparcia dla punktów końcowych Chat Completions, Responses ani Realtime. Przyjmuje i zwraca dźwięk oraz tekst, obsługuje strumieniowanie i wywoływanie funkcji, a nie przyjmuje obrazów ani wideo.

• G​PT Live 1 — pełnodupleksowy frontend, rozumowanie delegowane do dowolnego agenta backendowego, którego podłączysz. Limity równoczesnych sesji: 50 w Build, 300 w Launch, 500 w Grow. Brak darmowego planu.

• MAI Realtime 1 — mowa do mowy z szybką ścieżką i wewnętrzną warstwą rozumowania. Microsoft nalicza 1,00 USD za milion tokenów wejściowych i 5,00 USD za milion tokenów wyjściowych. Po stronie konwersacyjnej rozliczanie odbywa się za minutę audio. Wersja zapoznawcza jest bezpłatna do czasu publicznej wersji zapoznawczej.

Oba są w istocie systemami dwuczęściowymi. Różnica polega na tym, kto jest właścicielem drugiej części. W przypadku G​PT Live 1 druga część jest wyraźnie Twoja: wybierasz agenta backendowego, płacisz osobno za jego tokeny i widzisz styk. W przypadku MAI Realtime 1 przekazanie odbywa się wewnątrz produktu i strony cennika, a decyzja o routingu nie jest czymś, co konfigurujesz.

Ta jedna różnica projektowa wyjaśnia większość różnicy w cenie. OpenAI pobiera 0,05 USD za minutę za bardzo dobry słuch i mowę. Microsoft pobiera 0,01 USD za przyzwoity słuch i mowę oraz wewnętrznego dyspozytora, a myślenie monetyzuje na liczniku tokenów.

Co faktycznie pokazują pomiary G​PT Live 1

GPT Live 1 znajduje się dwukrotnie na tablicy mowy na mowę Artificial Analysis, ponieważ podłączany agent backendu zmienia wynik:

• Indeks mowa-do-mowy — 83,2 z backendem klasy Astra na poziomie średnim, 80,1 z backendem klasy Sol na poziomie niskim. Oba plasują się powyżej 74,5 modelu G​emini 3.8 Live i znacznie powyżej 77,3 modelu Eleven Realtime Max, co czyni G​PT Live 1 modelem o najwyższym indeksie w tym zestawieniu.

• Rozumowanie mowy (Big Bench Audio) — odpowiednio 90,1% i 89,0%. Nie szczyt rankingu — Eleven Realtime Max osiąga 98,8% — ale solidnie konkurencyjny wynik.

• Dynamika rozmowy — 94,9% i 97,3%. Wariant skonfigurowany dla Sol ma najlepszy wynik dynamiki w zestawie, czyli liczbę odpowiadającą poczuciu, że „dobrze się rozmawia”.

• Ukończenie zadań agentowych (τ-Voice) — 74,5% i 59,3%. Oba wyniki znacznie przewyższają 30,1% G​emini 3.8 Live, czego można by oczekiwać od modelu, którego cała przesłanka projektowa polega na przekazywaniu pracy kompetentnemu backendowi.

• Arena Elo — 1027 i 1037.

• Wskaźnik pomyślnego wykonania zadań — 87,4% i 90,9%.

• Czas do pierwszego audio — 1,34 i 1,24 sekundy. Wolniej niż 0,57 w Eleven Realtime Max i wolniej niż 1,18 w G​emini 3.8 Live, ale konstrukcja full-duplex sprawia, że postrzegane oczekiwanie to nie to samo co zmierzone; model, który potwierdza odbiór w trakcie myślenia, nie sprawia wrażenia, jakby nastąpiła pauza.

• Koszt mieszany — 5,83 USD i 4,47 USD za godzinę według normalizacji Artificial Analysis, wobec cennika 0,05 USD za minutę, czyli 3,00 USD za godzinę za samą linię głosową. Wyższe wartości obejmują wydatki na tokeny po stronie backendu, co jest uczciwym sposobem odczytania modelu, który deleguje rozumowanie.

Z tych liczb wynikają dwie rzeczy. Po pierwsze, konfiguracja ma znaczenie równie duże jak model: ten sam G​PT Live 1 uzyskuje 83,2 lub 80,1 w zależności od tego, na jaki backend go skierujesz, oraz 74,5% lub 59,3% w zadaniach agentowych. Recenzja, która podaje jedną liczbę, nie mówiąc, jakiego backendu użyto, nie mówi ci prawie nic. Po drugie, lider indeksu nie jest tu liderem areny — G​emini 3.8 Live wygrywa Elo, a G​PT Live 1 wygrywa indeks. Te miary mierzą różne rzeczy i żadna z nich nie jest wskaźnikiem zastępczym dla twojego obciążenia.

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

Twierdzenie warte sprawdzenia i ile kosztuje jego sprawdzenie

„Brzmiało to bardzo blisko modelu G​PT Live”. Biorąc to dosłownie, jest to najmocniejsze stwierdzenie, jakie ktokolwiek wypowiedział o MAI Realtime 1, a pochodzi ono od osoby, która nie opublikowała metodyki, nagrań ani zestawu zadań. Uczciwie rzecz biorąc, dokładnie tak zwykle powstają pierwsze wrażenia dotyczące modeli głosowych — rozmowę w pełnym dupleksie trudno punktować, a łatwo wyczuć, i właśnie dlatego ta arena w ogóle istnieje.

Kłopot w tym, że to twierdzenie jest tylko częściowo weryfikowalne. Microsoft podaje jedną wartość dokładności dla MAI Realtime 1 — 98,8% na Big Bench Audio, na stronie modelu, z badania przeprowadzonego przez dostawcę i niepowtórzonego — obok karty P50 czasu do pierwszego dźwięku i podpisu „P50 Latency on BigBench Audio”. Nie publikuje żadnego wyniku τ-Voice, żadnego rozkładu opóźnień ani listy języków. Artificial Analysis nie uwzględnia MAI Realtime 1 na dzień 18 listopada, więc nie ma niezależnego odczytu tych 98,8%, który można by zestawić z 90,1% G​PT Live 1: jeden to ocena samego dostawcy, drugi — strony trzeciej. Własne twierdzenie porównawcze Microsoftu wymienia G​PT Realtime 2.1 — inny model niż G​PT Live 1, o zupełnie innej strukturze cen — a nawet to porównanie opublikowano jako pozycję czołową, a nie jako liczby.

Więc użyteczna wersja tego twierdzenia to plan testów, a nie werdykt. Cztery rzeczy do uruchomienia, wszystkie tanie, dopóki podgląd nie jest rozliczany:

• Rozmowa bezpośrednia — te same dwadzieścia nagranych rozmów przepuszczonych przez oba modele, oceniane w ciemno. To jedyny sposób, by sprawdzić, czy „brzmi blisko”, i właśnie tego testu zabrakło w pierwotnym twierdzeniu.

• Przerwanie przy nakładaniu się mowy — pełnodupleksowa konstrukcja G​PT Live 1 pozwala mu mówić i słuchać jednocześnie. Sprawdź, czy Realtime 1 naprawdę obsługuje jednoczesną mowę, czy jedynie czyste przerwania. To różne możliwości i tylko jedna z nich pojawia się w demie.

• Opóźnienie eskalacji — w momencie, gdy Realtime 1 przekazuje turę swojemu silnikowi rozumowania, zmierz pauzę. Twierdzenie Microsoftu brzmi „bez niezręcznych pauz”, co jest twierdzeniem o opóźnieniu, do którego nie dołączono żadnej liczby.

• Koszt na zakończone połączenie — nie na minutę. Model, który kosztuje jedną piątą tego za minutę, ale potrzebuje o dwa dodatkowe kroki, by rozwiązać zgłoszenie, nie kosztuje jednej piątej ceny. To liczba, która rozstrzyga starcie, a żaden z dostawców jej nie publikuje.

Gdzie trafia pięć centów

Jeśli dodatkowe cztery centy na minutę w GPT Live 1 nie dają ci nic, to nie jest żadna decyzja. Ale dają coś konkretnego: zmierzony wynik agentowy 74,5% w porównaniu z niezmierzonym twierdzeniem oraz architekturę full-duplex, która jest inną możliwością niż naprzemienne prowadzenie rozmowy, a nie jej lepszą wersją.

To, co kosztuje cię poza stawką, to kontrola i zaplecze techniczne. G​PT Live 1 wymaga, abyś dostarczył i opłacił agenta backendowego — to realna praca i realny rachunek, ale także powód, dla którego jego konfiguracja zmienia wyniki. Ty wybierasz model rozumowania; widzisz zużycie tokenów; decydujesz, co podlega eskalacji. MAI Realtime 1 podejmuje tę decyzję wewnątrz produktu i pobiera za to $1.00 i $5.00 za milion tokenów, nie informując, jak często to się dzieje.

Ten kompromis — widoczność kontra wygoda — to miejsce, w którym gateway zasługuje na swoją rolę. Oba modele ostatecznie odwołują się do modeli rozumujących: G​PT Live 1 z założenia, a MAI Realtime 1 wewnętrznie, i to właśnie tę warstwę rozumowania trasuje OrcaRouter: ponad 200 modeli pod jednym kluczem w cenie katalogowej dostawcy z 0% marży, dzięki czemu backend decydujący o konfiguracji G​PT Live 1 można wymienić bez zawierania drugiej umowy, a automatyczne przełączanie awaryjne sprawia, że zawieszone wywołanie rozumowania nie zamienia się w ciszę w środku zdania. Fuzja modeli to kolejna dźwignia, o której warto tu wiedzieć — w przypadku agenta głosowego, którego trudne tury są tymi kosztownymi, panel odpowiadający wspólnie na ścieżce eskalacji pozwala kupić dokładność tam, gdzie ma to znaczenie, bez płacenia za nią przy każdej turze.

Aby być precyzyjnym co do zakresu: ani G​PT Live 1, ani MAI Realtime 1 nie znajdują się w katalogu OrcaRouter. G​PT Live 1 to własny punkt końcowy v1/live/sessions O​penAI; MAI Realtime 1 to MAI Labs oraz wersja zapoznawcza Foundry o ograniczonym dostępie. To, co się za nimi kryje, mamy w swojej ofercie.

Szczegół integracji, który decyduje o Twoim harmonogramie

G​PT Live 1 ma bardziej niezgrabną integrację i lepszą dokumentację. Jego dedykowany endpoint v1/live/sessions oznacza, że nic z tego, co zbudowałeś w oparciu o Realtime API, nie przechodzi — to nowy model sesji, a fakt, że nie obsługuje Chat Completions, Responses ani Realtime, jest z jakiegoś powodu pierwszą rzeczą w jego dokumentacji. Limity szybkości zliczają równoczesne sesje, a nie tokeny, więc planowanie pojemności to zupełnie inne ćwiczenie: 50 równoczesnych w Build, 300 w Launch, 500 w Grow, brak darmowego planu.

MAI Realtime 1 to coś odwrotnego: interfejs zgodny z OpenAI Realtime API, czyli najważniejsze zdanie w całym ogłoszeniu Microsoftu. Jeśli Twój stack już obsługuje ten protokół, ocena sprowadza się do ciągu modelu i bazowego adresu URL. Haczyk tkwi we wszystkim wokół samego interfejsu — brak listy języków, brak rozkładu opóźnień, brak wyniku τ-Voice, brak daty GA oraz dwuminutowe demo w MAI Labs, które w momencie naszego sprawdzenia wyświetlało komunikat „MAI Realtime is unavailable right now”.

Zatem asymetria harmonogramu jest realna. G​PT Live 1 możesz zintegrować w tym tygodniu z opublikowaną dokumentacją i produkcyjnym punktem końcowym. MAI Realtime 1 możesz prototypować względem znanej Ci kompatybilności, a następnie czekać na podgląd, który jest darmowy właśnie dlatego, że nie został ukończony.

A screenshot of OpenAI's GPT-Live-1 documentation captured 18 November 2026, showing the model page headline, the $0.05 per minute billed-per-second pricing, the v1/live/sessions endpoint, and the note that reasoning and tool work are handed off to a backend agent.

Werdykt wyrażony jako zakład

Wybierz G​PT Live 1, jeśli doświadczenie głosowe jest produktem i chcesz mieć backend, który kontrolujesz. Ma najwyższy wskaźnik speech-to-speech w swojej klasie, najlepszą dynamikę rozmowy z backendem klasy Sol, wynik agentowy, który bije każdy model inny niż OpenAI w porównaniu, z wyjątkiem Phonic 1 i G​rok Voice 3.0, oraz dokumentację, która dokładnie mówi, co robi. Pięć centów za minutę to konkretna liczba i można ją prognozować.

Postaw na MAI Realtime 1, jeśli ograniczeniem jest ekonomia, a masz czas inżynierski do poświęcenia na pomiary, a nie na zakupy. Cent za minutę w nieodpłatnej wersji zapoznawczej i interfejs zgodny z OpenAI to najtańszy możliwy sposób, by przekonać się, czy dwupoziomowa konstrukcja Microsoftu bije Twoją konstrukcję po stronie aplikacji. Godzisz się na to, że to Ty będziesz osobą, która opracuje rozkład opóźnień, wartość τ-Voice i listę języków, ponieważ Microsoft nie opublikował żadnego z nich — a także na to, że jego jedyna liczba dotycząca dokładności, 98,8% na Big Bench Audio, pochodzi od dostawcy i nie stoi za nią nic.

Jedyne, czego nie należy robić, to powtarzać twierdzenie „wygląda to na bardzo blisko” tak, jakby było wynikiem. Może to być prawda. Osoba, która to powiedziała, może mieć całkowitą rację, a jeśli tak, to to porównanie przestaje być interesujące, ponieważ tańszy model byłby lepszy w wymiarze, który dla użytkowników liczy się najbardziej. Ale wrażenie z jednego popołudnia to nie wskaźnik ukończenia zadań, a liczba, która by to rozstrzygnęła — jaki odsetek rzeczywistych wywołań każdy model faktycznie kończy — jest tą jedyną liczbą, której nie opublikował żaden z dostawców.

A generated two-column scoreboard titled 'MAI Realtime 1 vs GPT Live 1 — the scoreboard'. Left column MAI Realtime 1: voice price $0.01 plus tokens, speech index not published, agentic not published, dynamics not published, first audio P50 only. Right column GPT Live 1: $0.05 per minute, speech index 83.2 / 80.1, agentic 74.5% / 59.3%, dynamics 94.9% / 97.3%, first audio 1.34 s / 1.24 s. Footer reads 'GPT Live 1 per Artificial Analysis, two backends; MAI index and agentic scores unpublished.'