Сгенерированная титульная карточка с заголовком «GPT-Live-1.1 vs SeedRealtime» и подзаголовком «Один продаёт минуты, другой не продаёт ничего», на которой слева показана карточка с надписью GPT-Live-1.1: $0.05 за активную минуту, $0.02 за минуту ожидания и публичный API, а справа — карточка с надписью SeedRealtime: нет публичного API, нет открытых весов и доступность только внутри Doubao.
Guides & Insights

GPT-Live-1.1 против SeedRealtime: один продаёт минуты, другой не продаёт ничего

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Поставьте GPT-Live-1.1 и SeedRealtime рядом — и сравнение сразу перестаёт быть вопросом качества. GPT-Live-1.1 — это полнодуплексная голосовая модель, которую можно вызвать уже сегодня, арендовать с оплатой по секундам и встроить в продукт; она появилась в API O​penAI 19 ноября 2026 года, через пять недель после того, как заменила GPT-Live-1 внутри ChatGPT Voice. SeedRealtime, которую команда Seed от ByteDance анонсировала 5 августа 2026 года, — более интересная архитектура на бумаге: нативная аудиовизуальная полнодуплексная модель, которая смотрит, слушает и говорит в одной системе, — и вызвать её нельзя. Ни публичного API, ни открытых весов на Hugging Face, ни числа параметров, ни технического отчёта с цифрами.

Так что честная формулировка — не «что лучше». Она такая: одно из этого — продукт с тарифной сеткой, а другое — демонстрация возможности, которую первый явно отказался выпускать. Оба утверждения верны одновременно, и то, какое из них важно, полностью зависит от того, создаёте ли вы что-то.

Форма входной поверхности не совпадает.

GPT-Live-1.1 слышит. В этом заключается вся история его входных данных. На странице модели аудио и текст указаны как модальности ввода, а аудио и текст — как вывода, и ничего больше — ни изображений, ни видео, ни документов. То, что он делает со слухом, действительно необычно: он полнодуплексный, то есть слушает, пока говорит, а не обменивается репликами по очереди, и много раз в секунду решает, продолжать ли слушать, сделать паузу, прервать или передать работу бэкенду. Единственное заявленное изменение возможностей в этом обновлении версии касается этого слоя: по сравнению с GPT-Live-1 он «точнее транскрибирует речь и поддерживает более последовательный акцент и голос для разных языков». К этому утверждению не приложено никаких цифр.

SeedRealtime слышит и видит — в рамках одной модели, а не конвейера. В публикации ByteDance о запуске описывается унифицированная архитектура, которая объединяет аудио, видео и текст и выполняет восприятие, понимание, принятие решений и выражение параллельно, на непрерывных потоках. Перечисленные там конкретные следствия — именно те, которых текстовая голосовая модель структурно не может достичь: распознать омофон, взглянув на сцену, понять по жесту и взгляду, на что указывает «это», и заговорить без запроса, когда в кадре появляется целевой объект. Демонстрации конкретны: привязка имён к лицам за шумным обеденным столом, перевод меню только на китайском для иностранного посетителя, замечание целых зёрен, попадающих в портафильтр, и сообщение об этом до экстракции, удержание музейного экспоната в поле зрения, пока не появится запрошенный пользователем предмет, и последующее напоминание о нём.

• Входные данные — GPT-Live-1.1: только аудио и текст, тогда как SeedRealtime объединяет аудио, видео и текст в одной модели

• Смена реплик — GPT-Live-1.1 принимает решения внутри с высокой частотой, тогда как SeedRealtime переносит смену реплик в саму модель и устраняет внешний детектор голосовой активности

• Проактивное поведение — GPT-Live-1.1 отвечает, делегирует задачи и вызывает инструменты, тогда как SeedRealtime описывается как проявляющий инициативу без запроса, когда что-то появляется в поле зрения

• Где это работает — GPT-Live-1.1 на v1/live/sessions по опубликованной поминутной ставке против SeedRealtime внутри приложения Doubao от ByteDance

• Доказательства — GPT-Live-1.1 имеет сторонние оценки для своего предшественника в Artificial Analysis, тогда как SeedRealtime имеет сквозную человеческую оценку без указания размера выборки и без числовых данных

Generated two-column scoreboard titled 'GPT-Live-1.1 vs SeedRealtime — the scoreboard' with six matched rows: inputs (audio and text vs audio, video and text fused), turn-taking (decided inside the model vs moved into the model), proactive behaviour, where each runs (v1/live/sessions vs inside Doubao only), evidence (index scores for GPT-Live-1 only vs a vendor human evaluation with no figure), and price ($0.05/$0.02 per minute vs no developer product).

Сколько вы на самом деле платите и кому

GPT-Live-1.1 тарифицирует голосовые сессии по длительности, посекундно, из расчёта $0.05 за активную минуту. С 19 ноября 2026 года сессию WebRTC также можно настроить так, чтобы она приостанавливала инференс во время бездействия и тарифицировалась по $0.02 за минуту, пока ожидает, и возобновляла работу, когда кто-то говорит. Использование бэкенд-модели и инструментов — рассуждения и работа с инструментами, которые делегирует голосовой слой, — тарифицируется отдельно по токеновому счётчику той модели, которую вы укажете. При создании сессии WebRTC на инициализации списываются 15 секунд голосовой длительности, которые затем зачитываются в счёт длительности после запуска сессии.

Цена SeedRealtime для разработчика — не число, потому что продукта для разработчиков не существует. Он доступен внутри Doubao — потребительского ассистента, где, по словам ByteDance, он «полностью развёрнут» с момента запуска в августе. Это реальное развёртывание в реальном масштабе, и это не API. Будет ли его предлагать платформа ByteDance «модель-как-услуга» и по какой ставке, не указано ни в публикации о запуске, ни на сайте Seed по состоянию на 20 ноября 2026 года.

У этой асимметрии есть ценовое последствие, выходящее за рамки очевидного. Модель, которую вы арендуете посекундно, можно заложить в бюджет, сравнить с другими и отключить. Модель внутри чужого потребительского приложения не позволяет ни того, ни другого, ни третьего, и поэтому у сравнения между ними нет обменного курса. Вы выбираете не между $0,05 в минуту и чем-то более дешевым; вы выбираете между статьей расходов и демо.

Там, где доказательства становятся скуднее

У самой GPT-Live-1.1 нет независимой оценки. Индекс преобразования речи в речь от Artificial Analysis по состоянию на 20 ноября 2026 года дважды упоминает GPT-Live-1 — 83,2 с бэкендом класса Astra при среднем уровне усилий и 80,1 с бэкендом класса Sol при низком — и пока не включает 1.1. Это API-модель, которой всего день, так что разрыв ожидаем, а не критичен, но это означает, что улучшение согласованности акцента на этой неделе остается лишь заявлением вендора. Что индекс действительно показывает, так это то, что конфигурация влияет на цифру не меньше, чем версия: одна и та же модель набирает 83,2 или 80,1 в зависимости от подключенного бэкенда. Любой обзор, который приводит одну цифру GPT-Live без указания бэкенда, сообщает вам очень мало.

Доказательства SeedRealtime тоньше, но иначе. ByteDance публикует один главный результат — сквозную оценку с участием людей, в которой модель «вдвое сокращает проблемы с темпом аудиовизуального разговора» по сравнению с каскадными системами ASR + компьютерное зрение + TTS, с меньшим числом обрывов на середине предложения, меньшим числом замедленных ответов после паузы и меньшим числом ложных срабатываний из-за фоновой болтовни. Там нет ни размера выборки, ни методологии, ни доверительного интервала, ни показателя задержки. Также нет ни числа параметров, ни технического отчёта. Это не доказательство слабости модели — демонстрации достаточно конкретны, чтобы предполагать реальную систему — но это утверждение, которое нельзя проверить, и оно не фигурирует ни в одном независимом рейтинге.

Screenshot of the ByteDance Seed blog post announcing SeedRealtime, showing the 2026-08-05 publication date, the Audio category label, and the three stated breakthroughs of the model.

Обратите внимание, что это означает конкретно для сравнения: две модели не находятся в единой шкале. У одной есть сторонние цифры для предыдущей версии и опубликованный тариф; у другой — фраза от поставщика и никакой возможности её купить. Ранжировать их друг против друга означало бы изобретать измерение.

Почему пробел в API — это весь аргумент

Соблазнительно воспринимать «отсутствие API» как временное состояние, которое разрешится само собой, и потому как деталь. Для решения о сборке всё наоборот: это единственный факт, который полностью определяет ответ.

Если вы выпускаете голосовой продукт в следующем квартале, SeedRealtime не входит в список ваших вариантов, и никакие архитектурные амбиции этого не изменят. GPT-Live-1.1 в этот список входит: у него есть документированная конфигурация сессии, опубликованный тариф, режим ожидания, благодаря которому простаивающие соединения обходятся дешево, и модель делегирования, позволяющая держать логику рассуждений в бэкенде, который вы контролируете. Единственное, чего он не сделает, — это не будет смотреть в камеру вашего пользователя.

Эту последнюю ограниченность стоит честно оценить, потому что именно здесь требования команды фактически разделяются. Линия поддержки, автомобильный помощник, репетитор по языку, агент по планированию — ни одному из них не нужно видео, и все они выигрывают от модели, которая хорошо справляется с прерываниями и делегированием при известной стоимости. Агенту, который наблюдает за ремонтом, читает меню или следит за демонстрацией, нужна модальность, которая есть у SeedRealtime и которой нет у GPT-Live-1.1, и для такой рабочей нагрузки ответ сегодня — ждать или строить каскад, против которого выступает ByteDance.

Generated decision card titled 'Which voice workload fits which model', with a left column headed 'GPT-Live-1.1 can take this today' listing support lines, in-car assistants, language tutors and scheduling agents, and a right column headed 'This needs a camera' listing repair guidance, menu reading and demonstration following, captioned 'SeedRealtime shows these; no public API yet.'

Место маршрутизатора — это часть, отвечающая за делегирование. OrcaRouter не обслуживает GPT-Live-1.1 или SeedRealtime — ни один из них не является чат-моделью, и в каталоге нет полнодуплексного голосового эндпоинта. Но он обслуживает бэкенд, которому голосовой слой передаёт работу: gpt-6-luna, gpt-6-sol и остальные модели семейства GPT-6 доступны по одному ключу по прайс-листовой цене провайдера без наценки, с автоматическим переключением при сбое между провайдерами и DSL маршрутизации для объединения нескольких моделей в один вызов. Если ваш сеанс Live делегирует работу бэкенду, именно этот бэкенд можно маршрутизировать уже сегодня.

За чем следить и что делать сейчас

Две вещи изменили бы это сравнение, и ни одна из них не произошла. Публичный эндпоинт SeedRealtime — на собственной платформе ByteDance или где-либо ещё — в одночасье превратил бы демонстрацию в доступную опцию и сразу поставил бы вопрос о том, оправдывает ли визуальный контекст затраты на интеграцию. Независимое измерение GPT-Live-1.1 в индексе speech-to-speech показало бы, реально ли утверждение о многоязычных акцентах и сохранится ли оценка 83,2, которую GPT-Live-1 показывает с бэкендом Astra.

До тех пор решение на удивление однозначное. Если вам нужно выпустить голосовой продукт, GPT-Live-1.1 можно вызвать, цена определена, а с режимом ожидания оставлять его подключённым дешевле, чем неделю назад. Если вам нужна модель, которая видит, никакие возможности на стороне ByteDance не превращаются в API-ключ, и ответственный подход — сказать об этом прямо, а не ранжировать продукт против превью.

Сравнение в этой статье1

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно