
GPT-Live-1.1 vs SeedRealtime: Um vende minutos, o outro não vende nada
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 414 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 138 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0748 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 116 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Coloque GPT-Live-1.1 e SeedRealtime lado a lado e a comparação imediatamente deixa de ser sobre qualidade. O GPT-Live-1.1 é um modelo de voz full-duplex que você pode chamar hoje, alugar por segundo e colocar em um produto; ele apareceu na API da OpenAI em 19 de novembro de 2026, cinco semanas depois de substituir o GPT-Live-1 dentro do ChatGPT Voice. O SeedRealtime, que a equipe Seed da ByteDance anunciou em 5 de agosto de 2026, é a arquitetura mais interessante no papel — um modelo full-duplex audiovisual nativo que observa, escuta e fala em um único sistema — e não é algo que você possa chamar. Sem API pública, sem pesos abertos no Hugging Face, sem contagem de parâmetros, sem relatório técnico com números.
Então, o enquadramento honesto não é "qual é melhor". É: um destes é um produto com uma tabela de preços, e o outro é uma demonstração de uma capacidade que o primeiro decidiu explicitamente não lançar. Ambas as afirmações são verdadeiras ao mesmo tempo, e qual delas importa depende inteiramente de você estar construindo algo.
A superfície de entrada não tem o mesmo formato
GPT-Live-1.1 ouve. Isso resume toda a história da sua entrada. A página do modelo lista áudio e texto como modalidades de entrada e áudio e texto como saída, e nada mais — sem imagem, sem vídeo, sem documento. O que ele faz ao ouvir é genuinamente incomum: é full duplex, o que significa que escuta enquanto fala, em vez de alternar turnos, e decide várias vezes por segundo se continua ouvindo, faz uma pausa, interrompe ou delega o trabalho a um backend. A única mudança de capacidade declarada na atualização de versão está nessa camada: em comparação com o GPT-Live-1, ele "transcreve a fala com mais precisão e mantém um sotaque e uma voz mais consistentes entre idiomas." Nenhum número acompanha essa afirmação.
SeedRealtime ouve e vê, em um único modelo em vez de um pipeline. O post de lançamento da ByteDance descreve uma arquitetura unificada que funde áudio, vídeo e texto, executando percepção, compreensão, tomada de decisão e expressão em paralelo sobre fluxos contínuos. As consequências concretas que ele lista são aquelas que um modelo de voz baseado apenas em texto estruturalmente não consegue alcançar: resolver um homófono olhando para a cena, descobrir a que "isto" se refere a partir de gestos e do olhar, e falar sem ser solicitado quando um objeto-alvo aparece no enquadramento. As demonstrações são específicas — vincular nomes a rostos em uma mesa de jantar barulhenta, traduzir um menu só em chinês para um cliente estrangeiro, perceber grãos inteiros caindo no porta-filtro e avisar antes da extração, manter uma peça de museu em vista até chegar a peça solicitada pelo usuário e então lembrá-lo.
• Entradas — GPT-Live-1.1 somente áudio e texto vs SeedRealtime com áudio, vídeo e texto fundidos em um único modelo
• Alternância de turnos — O GPT-Live-1.1 decide internamente em alta frequência, enquanto o SeedRealtime move a alternância de turnos para dentro do modelo e remove o detector externo de atividade de voz
• Comportamento proativo — O GPT-Live-1.1 responde, delega e chama ferramentas, enquanto o SeedRealtime é descrito como falando espontaneamente quando algo aparece à vista
• Onde é executado — GPT-Live-1.1 em v1/live/sessions a um preço por minuto divulgado vs. SeedRealtime dentro do aplicativo Doubao da ByteDance
• Evidência — O GPT-Live-1.1 tem pontuações de terceiros para seu antecessor no Artificial Analysis, enquanto o SeedRealtime tem uma avaliação humana de ponta a ponta sem tamanho de amostra e sem número

O que você realmente paga, e a quem
GPT-Live-1.1 cobra sessões de voz por duração, por segundo, a US$ 0,05 por minuto ativo. Desde 19 de novembro de 2026, uma sessão WebRTC também pode ser configurada para pausar a inferência durante a inatividade e cobrar US$ 0,02 por minuto enquanto aguarda, retomando quando alguém fala. O uso do modelo de backend e de ferramentas — o trabalho de raciocínio e de ferramentas que a camada de voz delega — é cobrado separadamente no medidor de tokens do modelo que você indicar. Criar uma sessão WebRTC cobra 15 segundos de duração de voz na inicialização, creditados de volta contra a duração assim que a sessão entra em execução.
O preço do SeedRealtime para um desenvolvedor não é um número, porque não existe um produto para desenvolvedores. Ele está disponível dentro do Doubao, o assistente para consumidores, onde a ByteDance afirma que foi "totalmente implementado" desde o lançamento de agosto. Isso é uma implantação real em escala real, e não é uma API. Não está declarado no post de lançamento nem no site do Seed, conforme lido em 20 de novembro de 2026, se a plataforma de modelo como serviço da ByteDance o disponibilizará e a que preço.
A assimetria tem uma consequência de custo além da óbvia. Um modelo que você aluga por segundo pode ser orçado, comparado e desligado. Um modelo dentro do app para consumidores de outra pessoa não pode ser nenhuma dessas coisas, e a comparação entre os dois, portanto, não tem taxa de câmbio. Você não está escolhendo entre US$ 0,05 por minuto e algo mais barato; você está escolhendo entre um item de linha e uma demonstração.
Onde as evidências escasseiam
O próprio GPT-Live-1.1 não tem pontuação independente. O índice de fala para fala da Artificial Analysis, consultado em 20 de novembro de 2026, lista o GPT-Live-1 duas vezes — 83,2 com um backend da classe Astra em esforço médio e 80,1 com um backend da classe Sol em esforço baixo — e ainda não inclui a versão 1.1. Trata-se de um modelo de API com um dia de vida, pelo que a diferença é de esperar e não motivo de condenação, mas significa que a melhoria na consistência de sotaque é, esta semana, apenas uma afirmação do fornecedor. O que o índice mostra é que a configuração altera o número tanto quanto a versão: o mesmo modelo obtém 83,2 ou 80,1 consoante o backend que lhe é associado. Qualquer análise que cite um valor do GPT-Live sem indicar o respetivo backend diz muito pouco.
As evidências da SeedRealtime são mais escassas de um modo diferente. A ByteDance publica um único resultado de destaque — uma avaliação humana ponta a ponta na qual o modelo “reduz pela metade os problemas de ritmo em conversas audiovisuais” em comparação com sistemas em cascata de ASR + visão + TTS, com menos cortes no meio de frases, menos respostas lentas após uma pausa e menos disparos falsos causados por conversas de fundo. Não há tamanho da amostra, metodologia, intervalo de confiança nem valor de latência. Também não há contagem de parâmetros nem relatório técnico. Isso não é evidência de um modelo fraco — as demonstrações são específicas o suficiente para sugerir um sistema real —, mas é uma alegação que você não pode verificar, e não aparece em nenhum ranking independente.

Observe o que isso significa especificamente para a comparação: os dois modelos não estão em uma escala comum. Um tem números de terceiros para a versão anterior e uma taxa publicada; o outro tem uma frase de fornecedor e nenhuma forma de comprá-lo. Classificá-los um contra o outro seria inventar uma medida.
Por que a lacuna da API é o argumento inteiro
É tentador tratar "sem API" como um estado temporário que se resolverá por si só e, portanto, como um detalhe. Para uma decisão de build, é o contrário: é o único fato que determina totalmente a resposta.
Se você vai lançar um produto de voz no próximo trimestre, o SeedRealtime não está na sua lista de opções, e nenhuma ambição arquitetural muda isso. O GPT-Live-1.1 está na lista, com uma configuração de sessão documentada, uma tarifa publicada, um modo de espera que torna conexões ociosas baratas e um modelo de delegação que permite manter o raciocínio em um backend que você controla. A única coisa que ele não fará é olhar para a câmera do seu usuário.
Vale a pena precificar honestamente essa última limitação, porque é aí que os requisitos de uma equipe realmente se dividem. Uma linha de suporte, um assistente no carro, um tutor de idiomas, um agente de agendamento — nenhum deles precisa de vídeo, e todos se beneficiam de um modelo que lida bem com interrupção e delegação a um custo conhecido. Um agente que observa um reparo, lê um menu ou acompanha uma demonstração precisa da modalidade que o SeedRealtime tem e o GPT-Live-1.1 não, e, para essa carga de trabalho, a resposta hoje é esperar, ou construir a cascata contra a qual a ByteDance argumenta.

Onde um roteador se encaixa é a metade da delegação. O OrcaRouter não atende GPT-Live-1.1 nem SeedRealtime — nenhum dos dois é um modelo de chat, e o catálogo não traz endpoint de voz full-duplex. Ele atende o backend ao qual a camada de voz encaminha trabalho: gpt-6-luna, gpt-6-sol e os demais modelos da família GPT-6 estão disponíveis por trás de uma única chave pelo preço de lista do provedor, sem markup, com failover automático entre provedores e uma DSL de roteamento para compor vários modelos em uma única chamada. Se sua sessão Live delega a um backend, esse backend é a parte que você pode rotear hoje.
O que observar, e o que fazer agora
Duas coisas mudariam essa comparação, e nenhuma delas aconteceu. Um endpoint público do SeedRealtime — na própria plataforma da ByteDance ou em qualquer outro lugar — transformaria uma demonstração em uma opção da noite para o dia e levantaria imediatamente a questão de saber se o contexto visual vale o trabalho de integração. Uma medição independente do GPT-Live-1.1 no índice de fala para fala diria se a alegação sobre sotaque multilíngue é real e se os 83.2 que o GPT-Live-1 obtém com um backend Astra se mantêm.
Até lá, a decisão é excepcionalmente clara. Se você precisa entregar voz, o GPT-Live-1.1 pode ser chamado, tem preço definido e — com standby — sai mais barato deixá-lo conectado do que há uma semana. Se você precisa de um modelo que enxerga, nenhuma capacidade do lado da ByteDance se converte em uma chave de API, e a atitude responsável é dizer isso, em vez de ranquear um produto em comparação com uma prévia.
Comparados neste artigo1
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
