GPT-Live-1 vs Voxtral 3: O Preço Que Não É o Preço

Voxtral 3anuncia um agente de voz completo a US$ 0,04 por minuto. GPT-Live-1anuncia US$ 0,05 por minuto e depois cobra novamente pelo raciocínio. Nos números de destaque, a Mistral é 20% mais barata e inclui mais — conversão de fala em texto, conversão de texto em fala e um modelo de raciocínio dentro de uma única tarifa — enquanto o valor da OpenAI cobre apenas a camada de voz. Essa leitura está tecnicamente correta e é praticamente enganosa, porque as duas tarifas não compram a mesma coisa.

Ambos foram lançados com seis semanas de diferença: GPT-Live-1 para a API em 10 de setembro de 2026, Voxtral 3 em pré-visualização pública em 20 de outubro. Ambos miram o mesmo cliente — alguém que constrói um agente telefônico que precisa sustentar uma conversa. Eles chegam lá por caminhos opostos, e a diferença de custo só se mantém se você nunca os interromper.

O que está realmente dentro de cada minuto

Comece pelo que os medidores incluem, porque é aqui que a comparação muda.

• Agente completo Voxtral 3 — US$ 0,04 por minuto com o Mistral Small 4 como modelo de raciocínio, US$ 0,08 com um mais forte. Isso cobre transcrição, síntese e o modelo de linguagem.

• GPT-Live-1 — US$ 0,05 por minuto apenas para voz, cobrado por segundo. O raciocínio em segundo plano, as chamadas de ferramentas e a pesquisa na web são cobrados separadamente pelas tarifas normais do modelo.

• Apenas o Voxtral 3 TTS — US$ 13 por milhão de caracteres, aproximadamente US$ 0,70 por hora de fala em ritmo normal.

• Áudio de entrada do GPT-Live-1 — medido em US$ 5,83 por hora de áudio de entrada na sua configuração de raciocínio alto, e US$ 4,47 na de raciocínio baixo, segundo o conjunto fixo de 40 perguntas da Artificial Analysis.

Portanto, a comparação honesta por minuto numa chamada de dez minutos é $0,40 para o Voxtral 3 com tudo incluído, contra $0,50 mais o backend para o GPT-Live-1 — digamos, $0,50 a $0,55 dependendo de quanto o agente tenha de pensar. A Mistral ganha essa aritmética, e ganha incluindo um componente que a OpenAI deixa de fora.

A menos que a chamada seja majoritariamente silêncio. A tarifa de agente de voz da Voxtral é medida como uma sessão; a da GPT-Live-1 certamente também é. Nenhum dos fornecedores publica uma isenção para silêncio, e qualquer implantação que deixe os chamadores em espera deve presumir que ambos os medidores continuam rodando. Essa diferença não favorece nenhum dos lados, mas significa que as tarifas anunciadas são o lugar errado para otimizar.

Pipeline contra duplex, de novo

Voxtral 3 é um stack, não um modelo: modelos de transcrição (Mini Transcribe 3 com 4 bilhões de parâmetros, Small e uma variante em tempo real), um modelo de síntese e um Voice Agent SDK baseado no LiveKit que os conecta com um modelo de linguagem no meio. A própria alegação de latência da Mistral é de cerca de 90 milissegundos até o primeiro áudio, o que é genuinamente rápido para a etapa de síntese.

A síntese rápida não é o mesmo que uma boa alternância de fala. Uma cascata ainda tem de decidir quando o humano terminou de falar, e essa decisão é tomada por um detector de atividade de voz ou um modelo de detecção de turnos situado à frente do pipeline. Quando ele erra, o agente ou fala por cima do interlocutor ou espera um instante a mais, e nenhuma quantidade de síntese de 90ms resolve isso.

GPT-Live-1 é uma única rede que ouve e fala ao mesmo tempo, decidindo várias vezes por segundo se deve ceder a vez. É essa a capacidade pela qual você está pagando o centavo extra, e não é um recurso que você possa montar a partir de partes. É também por isso que o modelo da OpenAI não tem itens de transcrição ou síntese: não há nada para itemizar.

O teste prático não é a latência, mas a taxa de interrupção. Se seus interlocutores falam em frases completas e esperam a vez, um pipeline é adequado e mais barato. Se eles dizem "não, espera, eu quis dizer o outro" no meio da frase, você está comprando comportamento duplex, quer tenha admitido ou não.

Idiomas, dialetos e onde os dados estão localizados

A Mistral lança o Voxtral 3 com mais de 35 idiomas e mais de 50 dialetos, controle de emoção e estilo, clonagem zero-shot, além de um caminho de adaptação "Pro Voice" que exige cerca de 30 minutos de áudio de referência. A documentação do GPT-Live-1 não diz nada sobre cobertura de dialetos e oferece vozes fixas de modelo, sem clonagem.

Se o seu produto é europeu — francês, alemão, italiano, espanhol, holandês — o Voxtral 3 é a oferta mais completa, e o posicionamento da Mistral na UE é um argumento real em conversas de compras que a OpenAI não responde de forma tão direta. Isso é um fato de negócios, não um benchmark, e para muitos compradores decide o acordo antes mesmo de se discutir latência.

Se o seu produto é suporte ou reservas em inglês em um único mercado, a amplitude de idiomas é inventário que você não vai usar, e o comportamento duplex é o que você vai notar em cada chamada.

A armadilha dos pesos abertos

Vale a pena destacar, porque isso pega as pessoas: o próprio Voxtral 3 é uma API fechada. O modelo baixável desta família é um checkpoint TTS 4B mais antigo, de março de 2026, lançado sob a CC BY-NC 4.0 — não comercial — um modelo diferente e mais antigo, com pontuação menor na arena. A autoimplantação empresarial do Voxtral 3 é um acordo negociado, não um link de download.

Portanto, nenhum dos modelos nesta comparação fornece os pesos. O GPT-Live-1 não os possui por design. O Voxtral 3 não os possui por política. Se possuir o modelo for um requisito, ambos estão fora, e a conversa passa para Fish Audio Drama 3 ou Ming-3.0-TTS.

O que os conselhos medem, e o que não medem

Voxtral 3 TTS ocupa 1223 Elo no Provider Voice Arena da Artificial Analysis, registrado em 29 de outubro de 2026 — décimo quarto do ranking, a US$ 13 por milhão de caracteres. Esse é um resultado sólido de síntese: atrás do Eleven v4, com 1334, e à frente de vários modelos que custam mais.

O GPT-Live-1 não aparece nesse quadro, e qualquer pessoa que coloque sua pontuação de 83,2 no Speech-to-Speech Index ao lado do 1223 da Voxtral está comparando um índice de conversação ponderado com um Elo de preferência cega. Nos quadros em que sistemas conversacionais aparecem, o GPT-Live-1 obtém 1037 a 1041 Elo na Speech Agent Arena, com 87,4% a 90,9% de sucesso nas tarefas. A pilha de agentes do Voxtral 3 ainda não acumulou conversas de arena suficientes para ser listada.

Essa ausência é o fato mais útil desta seção. Não há nenhum confronto direto independente entre esses dois, o que significa que toda comparação que você ler — incluindo esta — é um raciocínio baseado em taxas publicadas e arquitetura, e não em um experimento controlado. Qualquer pessoa que lhe diga que um deles é mensuravelmente mais natural ao telefone está citando um fornecedor.

Onde o argumento de roteamento termina

Nenhum dos modelos é servido pelo OrcaRouter. Voxtral 3 é a API da Mistral; GPT-Live-1 é a da OpenAI. O que é roteável é o raciocinador ao qual cada um delega — e aqui as duas arquiteturas divergem de uma forma que importa para como você arquiteta a stack.

O Voxtral 3 permite que você escolha o modelo de raciocínio dentro da própria tarifa de agente: Small 4 por US$ 0,04, algo mais forte por US$ 0,08. O GPT-Live-1 deixa o backend completamente aberto, o que significa que você pode apontá-lo para qualquer modelo de texto que quiser — incluindo GPT-6 Astra, GPT-5.6 Terra ou uma opção mais barata, com uma única chave, com a DSL de roteamento permitindo que você fixe modelos diferentes para diferentes tipos de tarefa dentro da mesma implantação.

Essa flexibilidade vale dinheiro de verdade em uma carga de trabalho mista: um modelo barato cuida da confirmação de endereço e um modelo de ponta cuida da cobrança contestada, sem um segundo contrato ou uma segunda integração. Os preços de tabela dos provedores são repassados com 0% de margem, então um corte na camada de raciocínio chega à sua fatura no dia em que entra em vigor, e não na próxima renovação do contrato.

A decisão

Escolha o Voxtral 3 se estiver a construir na Europa, precisar de muitas línguas e dialetos, quiser uma única fatura que cubra desde a transcrição até à síntese, e os seus interlocutores forem razoavelmente educados a respeitar a vez de falar. É mais barato por minuto no total, é a pilha mais completa, e a pontuação de síntese de 1223 é respeitável.

Escolha o GPT-Live-1 se as interrupções forem o produto — recepção, triagem, despacho, qualquer coisa em que quem liga se corrige e o agente precisa ouvir isso acontecendo. Você pagará mais por minuto, terá menos controle e obterá o único comportamento que um pipeline não consegue comprar a preço algum.

A armadilha a evitar é comparar as duas tarifas anunciadas e concluir que $0.04 é melhor que $0.05. Esses números não medem o mesmo minuto: um inclui um transcritor, um sintetizador e um raciocinador; o outro inclui um ouvido. Compre aquele cujo conteúdo corresponda à tarefa, depois discuta o preço.