GPT-Live-1 vs Eleven v4: A Unidade de Cobrança Decide Antes Que a Voz Decida

Coloque GPT-Live-1 e Eleven v4lado a lado, e a primeira diferença que você encontra não é um benchmark. É uma unidade. GPT-Live-1 cobra $0.05 por cada minuto em que a sessão fica aberta. Eleven v4 cobra $0.08 por cada mil caracteres que o agente realmente fala. Um medidor funciona com base no relógio, o outro no roteiro, e qual deles você deve comprar decorre disso antes que qualquer dos modelos produza uma sílaba.

Essa distinção se perde na maioria das comparações, que tendem a colocar um índice de fala para fala ao lado de um Elo de texto para fala e chamar isso de confronto direto. Não é. Eis o que os dois produtos realmente são, o que os números existentes podem e não podem lhe dizer, e a aritmética que resolve isso para uma linha de suporte, um audiolivro e os casos incômodos no meio.

Dois produtos, dois trabalhos

O GPT-Live-1 é o modelo de fala full-duplex da OpenAI, disponível na API desde 10 de setembro de 2026. Ele escuta enquanto fala, decide várias vezes por segundo se deve ceder a palavra e delega o raciocínio a um modelo de texto separado quando uma pergunta exige isso. Ele tem exatamente um endpoint — v1/live/sessions — e nenhuma superfície de Chat Completions ou Realtime, o que significa que ele não é um id de modelo que você substitui em uma integração Realtime existente; é uma sessão que você abre.

O Eleven v4 é um modelo de conversão de texto em fala, lançado em 28 de setembro de 2026 junto com um v4 Turbo de baixa latência. Você entrega texto a ele, e ele retorna áudio em um dos mais de 90 idiomas, com clonagem instantânea de voz em 10 segundos, tags de áudio embutidas para emoção e ritmo, e um limite de 10.000 caracteres por solicitação. Ele não tem ouvidos. Não consegue ouvir quem está ligando, perceber que a pessoa interrompeu ou decidir parar porque a frase soou mal.

Essa assimetria é a história inteira. Um agente de voz construído sobre o Eleven v4 é um pipeline: transcrever, pensar, falar. Um agente de voz construído sobre o GPT-Live-1 é um único modelo com um modelo de texto anexado como consultor. O pipeline é mais barato e mais controlável. O modelo ponta a ponta é mais natural e muito mais difícil de interromper. Esses são produtos diferentes para salas diferentes, não implementações concorrentes do mesmo produto.

O que as tabelas de classificação podem dizer com honestidade

Não há um único ranking em que esses dois concorram, e quem lhe mostrar um está comparando pontuações que não são equivalentes. No Provider Voice Arena do Artificial Analysis — vozes nativas, preferência cega, dados capturados em 29 de outubro de 2026 —, o Eleven v4 está com 1334 de Elo, em segundo lugar no grupo, enquanto o v4 Turbo, com 1336, ocupa o primeiro. Ninguém contesta que a qualidade da voz é excelente: 91,7% de robustez de pronúncia na medição desse laboratório, a mais forte entre os principais modelos comerciais no lançamento.

O GPT-Live-1 não aparece nesse quadro, porque não gera síntese de fala no sentido que o quadro mede. Ele aparece no Speech Agent Arena, que pontua a preferência às cegas em conversas completas no estilo de reserva. Ali, o GPT-Live-1 (Astra, medium) está com 1037 de Elo e 87,4% de taxa de sucesso em tarefas, e a configuração Sol-low está com 1041 e 90,9%. No Speech-to-Speech Index — uma combinação ponderada de raciocínio, desempenho agêntico, preferência na arena e sucesso em tarefas — ele pontua 83,2, o segundo entre 21 modelos pontuados.

A comparação que realmente se sustenta é entre o GPT-Live-1 e os produtosconversacionais da Eleven, não seu modelo TTS. Na mesma arena, o Eleven Realtime v1 Max pontua 1003 com 87,1% de sucesso em tarefas, e a cascata padrão do ElevenLabs Agents pontua 989 com 90,5%. Assim, o modelo ponta a ponta lidera a alternativa em tempo real por cerca de 35–50 Elo, e a pilha de agentes em cascata fica cerca de 50 pontos abaixo, com uma taxa de sucesso ligeiramente melhor. Esses números são próximos o suficiente para que a telefonia, o design dos prompts e o ruído de fundo de uma única implantação decidam o resultado, e não o placar.

Mais uma ressalva honesta: os números do GPT-Live-1 trazem um rótulo de configuração. O raciocínio dele é feito por um backend nomeado, e as configurações Astra-medium e Sol-low pontuam de forma diferente porque delegam de forma diferente. Os números do Eleven trazem um rótulo de produto. Nenhum dos dois é um experimento controlado contra o outro.

A aritmética, em uma ligação de três minutos

Considere uma chamada de suporte recebida em que o agente fala 900 caracteres por minuto — um ritmo acelerado, mas comum — e o chamador fala por cerca de 40% dos três minutos.

• GPT-Live-1 — três minutos a US$ 0,05 totalizam US$ 0,15, mais o modelo de texto de backend para qualquer raciocínio que a chamada exigiu. Por minuto: US$ 0,050.

• Eleven v4 — o agente fala cerca de 1.620 caracteres, portanto 1,62 × $0,08 = $0,13, mais transcrição e seu próprio modelo de linguagem. Por minuto: cerca de $0,043 antes de STT e LLM.

• Eleven v4 Turbo — os mesmos 1.620 caracteres a US$ 0,04 por mil: US$ 0,065, ou cerca de US$ 0,022 por minuto antes de STT e LLM.

O Turbo é mais barato que o GPT-Live-1 mesmo depois de você adicionar uma etapa de fala para texto e um modelo de linguagem modesto, e é por isso que a cascata continua ganhando nas revisões de custo. Mas a comparação muda de figura no momento em que o interlocutor fala mais do que o agente. Cada segundo em que o humano monologa é um segundo pelo qual o Eleven v4 não cobra nada e o GPT-Live-1 cobra tarifa cheia — incluindo o silêncio enquanto alguém lê o número de uma apólice em um cartão, e incluindo a pausa enquanto seu back-end processa.

Isso não é uma diferença de arredondamento. Em uma linha em que o agente fala 30% do tempo, a fatura de TTS cai em dois terços, enquanto a fatura por minuto não muda em nada. O minuto fixo é uma aposta de que quem liga para você vai falar, e compensa exatamente quando eles falam.

A aritmética, em uma narração de quarenta minutos.

Agora os mesmos dois modelos em um capítulo de audiolivro — 36.000 caracteres, um único locutor, sem interrupções, sem raciocínio, saída determinística obrigatória.

• Eleven v4 — 36 × $0,08 = $2,88 pelo capítulo, e você pode regenerar um único parágrafo por nove centavos quando a pronúncia estiver errada.

• GPT-Live-1 — 40 minutos a US$ 0,05 = US$ 2,00, e você não pode regenerar um parágrafo, porque a unidade de trabalho é uma sessão ao vivo, e não um trecho de texto.

O GPT-Live-1 parece mais barato e é a ferramenta errada. Não há nenhuma forma documentada de pegar um roteiro de 36.000 caracteres e devolver um arquivo determinístico; ele é uma superfície de conversa, e uma conversa com um livro não é uma narração. O veredito honesto sobre esta linha não é "o Live custa menos", é "este modelo não faz este trabalho".

Onde o modelo por minuto realmente justifica seu prêmio

Três situações justificam isso, e todas compartilham uma mesma propriedade: o humano fica com a palavra por quantidades imprevisíveis de tempo.

• Atendimento inicial com muitas interrupções — sinistros de seguro, triagem clínica, qualquer situação em que o interlocutor se corrige no meio da frase. Uma cascata precisa detectar a interrupção, parar a reprodução e entrar novamente no loop; o GPT-Live-1 já está ouvindo.

• Reserva e despacho — turnos curtos, idas e voltas rápidas, uso intenso de chamadas de ferramentas. Os próprios números da OpenAI alegam 87% de precisão em chamadas de ferramentas neste modelo, contra 60% da geração Realtime que ele substitui, e esses números são relatados pelo fornecedor, não reproduzidos de forma independente.

Onde a latência é o produto — um turno de 0,8 segundo contra um turno de 1,4 segundo é a diferença entre uma conversa e um walkie-talkie. Também segundo o fornecedor.

E três situações argumentam contra isso:

• Narração, leitura em voz alta, audiolivros, locução para vídeo — texto entra, arquivo sai, sem precisar ouvir.

• Voz da marca — a clonagem do Eleven v4 é um recurso do produto com a ressalva de retreinamento; o GPT-Live-1 usa vozes fixas de modelo, então “a voz do nosso fundador” não está no menu.

• Longos silêncios — música de espera, linhas silenciadas, agentes à espera de um backend lento. Cada um desses segundos é cobrado.

A migração também não é simétrica

Migrar do v3 para o Eleven v4 é uma mudança de ID de modelo e uma ressalva: as vozes clonadas existentes precisam ser retreinadas, e o SSML foi substituído por tags de áudio inline, então tudo que gerava SSML precisa ser reescrito. Irritante, mas fica contido na sua camada de TTS.

Migrar para o GPT-Live-1 a partir de uma integração com o Realtime é uma reconstrução. Endpoint diferente, semântica de sessão diferente, unidade de cobrança diferente e nenhum shim de compatibilidade. Inclua no orçamento a camada de orquestração, não apenas a troca — e observe que a maioria das plataformas de agentes de voz de terceiros ainda não lista o GPT-Live-1 como provedor selecionável, então provavelmente você mesmo escreverá a camada de integração com a telefonia.

Que mudanças de roteamento envolvem esta decisão?

Independentemente do caminho que você escolher, a decisão não é tudo ou nada em toda a sua pilha. A camada de voz é a única parte que permanece específica do fornecedor: o OrcaRouter não disponibiliza o GPT-Live-1, e um modelo de síntese de fala como o Eleven v4 é um contrato separado onde quer que você o adquira. O que está por trás da camada de voz é outra questão — as chamadas de raciocínio, o modelo de chamada de ferramentas, o caminho de fallback quando um fornecedor apresenta degradação, tudo passa por uma única chave no OrcaRouter, em mais de 200 modelos, incluindo GPT-6 Astra, GPT-5.6 Terra e GPT-5.6 Sol, os níveis aos quais o GPT-Live-1 delega.

Essa divisão é a versão prática desta comparação. Alugue o ouvido de quem tiver o melhor neste trimestre e mantenha o cérebro roteável, para que um corte de preço, uma indisponibilidade ou um modelo melhor não exijam mexer na parte que seus usuários conseguem ouvir. Os preços de tabela dos provedores são repassados com 0% de margem, então um corte do fornecedor na camada de raciocínio aparece na sua fatura no mesmo dia em que é anunciado.

Escolha pelo formato da conversa

Se os seus usuários interrompem, corrigem a si mesmos e esperam que o agente saiba quando parar de falar, o GPT-Live-1 a US$ 0,05 por minuto é o melhor produto e provavelmente a melhor compra — o prêmio compra um comportamento que você não consegue obter de um pipeline a preço algum. Se os seus usuários estão ouvindo em vez de falar, o Eleven v4 ou o v4 Turbo é mais barato por palavra entregue, mais controlável, clonável para a sua marca e a resposta correta; o Elo 1334 é um bônus adicional.

O modo de falha a evitar é escolher pela posição no leaderboard. O 1334 do v4 e o 83,2 do Live medem coisas diferentes em escalas diferentes, e uma equipe que escolhe entre eles com base nesses dois números está escolhendo entre uma régua e um termômetro.