GPT-Live-1 против Eleven v4: единица тарификации решает раньше, чем это сделает голос

Поставьте GPT-Live-1 и Eleven v4 рядом — и первое различие, которое вы встретите, будет не бенчмарком, а единицей измерения. GPT-Live-1 берёт $0.05 за каждую минуту, пока сессия открыта. Eleven v4 берёт $0.08 за каждую тысячу символов, которые агент фактически произносит. Один счётчик работает по часам, другой — по сценарию, и то, какую из них вам стоит купить, следует из этого ещё до того, как любая из моделей издаст хоть один слог.

Это различие теряется в большинстве сравнений, где индекс speech-to-speech обычно ставят рядом с Elo для text-to-speech и называют это прямым сопоставлением. Но это не так. Вот чем на самом деле являются эти два продукта, что существующие цифры могут и чего не могут вам сказать, и арифметика, которая решает вопрос для линии поддержки, аудиокниги и неудобных промежуточных случаев.

Два продукта — две задачи

GPT-Live-1 — полнодуплексная речевая модель OpenAI, доступная в API с 10 сентября 2026 года. Она слушает, пока говорит, много раз в секунду решает, уступать ли слово, и передаёт рассуждение отдельной текстовой модели, когда этого требует вопрос. У неё ровно один эндпоинт — v1/live/sessions — и нет поверхности Chat Completions или Realtime, а значит, это не идентификатор модели, который вы подставляете в существующую интеграцию Realtime; это сессия, которую вы открываете.

Eleven v4 — это модель преобразования текста в речь, выпущенная 28 сентября 2026 года вместе с низколатентной версией v4 Turbo. Вы передаёте ей текст, и она возвращает аудио на одном из более чем 90 языков, с мгновенным клонированием голоса за 10 секунд, встроенными аудиотегами для эмоций и темпа и ограничением запроса в 10 000 символов. У неё нет ушей. Она не может слышать звонящего, заметить, что он перебил, или решить остановиться из-за того, что фраза прозвучала неудачно.

В этой асимметрии вся суть. Голосовой агент на базе Eleven v4 — это конвейер: транскрибировать, думать, говорить. Голосовой агент на базе GPT-Live-1 — это одна модель с текстовой моделью, подключённой в качестве консультанта. Конвейер дешевле и лучше управляем. Сквозная модель естественнее и гораздо труднее прерывается. Это разные продукты для разных условий, а не конкурирующие реализации одного и того же.

Что рейтинги могут честно сказать

Ни одной единой таблицы, где эти две модели соревнуются, не существует, и любой, кто показывает вам такую, сравнивает несопоставимые оценки. В Provider Voice Arena от Artificial Analysis — нативные голоса, слепые предпочтения, данные собраны 29 октября 2026 года — Eleven v4 занимает 1334 Elo, второе место в поле, а v4 Turbo с 1336 берёт первое. Никто не спорит, что качество голоса превосходно: 91,7% устойчивости произношения по измерению этой лаборатории — самый высокий показатель среди крупных коммерческих моделей на момент запуска.

GPT-Live-1 вообще не фигурирует в этой таблице лидеров, поскольку не выполняет синтез речи в том смысле, в каком его измеряет эта таблица. Он присутствует в Speech Agent Arena, где оценивается слепое предпочтение по полным диалогам в стиле бронирования. Там GPT-Live-1 (Astra, medium) занимает 1037 баллов Elo при доле успешно выполненных задач 87,4%, а конфигурация Sol-low — 1041 при 90,9%. В Speech-to-Speech Index — взвешенной комбинации показателей рассуждения, агентной производительности, предпочтений на арене и успешности выполнения задач — он набирает 83,2 балла, занимая второе место среди 21 оценённой модели.

Сравнение, которое действительно имеет смысл, — это GPT-Live-1 против разговорных продуктов Eleven, а не её модели TTS. На той же арене Eleven Realtime v1 Max набирает 1003 при 87,1% успешных задач, а стандартный каскад ElevenLabs Agents — 989 при 90,5%. Таким образом, сквозная модель опережает realtime-альтернативу примерно на 35–50 Elo, а каскадный агентский стек располагается примерно на 50 баллов ниже при чуть более высокой доле успеха. Эти числа достаточно близки, чтобы исход решали телефония конкретного развёртывания, дизайн промптов и фоновый шум, а не таблица лидеров.

Ещё одна честная оговорка: цифры GPT-Live-1 относятся к определённой конфигурации. Его рассуждения выполняются именованным бэкендом, а конфигурации Astra-medium и Sol-low дают разные результаты, потому что делегируют по-разному. Цифры Eleven вместо этого относятся к продукту. Ни то, ни другое не является контролируемым экспериментом друг против друга.

Арифметика на трёхминутном звонке

Возьмите входящий звонок в службу поддержки, где агент говорит 900 символов в минуту — быстрый, но обычный темп, — а звонящий говорит примерно 40% из трёх минут.

• GPT-Live-1 — три минуты по $0.05 дают $0.15, плюс бэкендовая текстовая модель за все рассуждения, которые потребовались для звонка. За минуту: $0.050.

• Eleven v4 — агент произносит примерно 1 620 символов, поэтому 1,62 × $0,08 = $0,13, плюс транскрипция и ваша собственная языковая модель. В пересчёте на минуту: около $0,043 до STT и LLM.

• Eleven v4 Turbo — те же 1620 символов по $0,04 за тысячу: $0,065, или примерно $0,022 за минуту до учёта STT и LLM.

Turbo дешевле GPT-Live-1, даже если добавить этап распознавания речи и скромную языковую модель, — поэтому каскад неизменно выигрывает в оценках затрат. Но картина сравнения меняется, как только звонящий говорит больше, чем агент. Каждая секунда человеческого монолога — это секунда, за которую Eleven v4 не взимает плату, а GPT-Live-1 взимает по полному тарифу, включая тишину, пока кто-то читает номер полиса с карточки, и включая удержание, пока ваш бэкенд думает.

Это не разница на уровне округления. На линии, где агент говорит 30% времени, счёт за TTS снижается на две трети, а поминутный счёт вообще не меняется. Фиксированная минута — это ставка на то, что ваши звонящие будут говорить, и она окупается именно тогда, когда они говорят.

Арифметика, на сорокаминутной озвучке

Теперь те же две модели на главе аудиокниги — 36 000 символов, один диктор, без прерываний, без рассуждений, требуется детерминированный вывод.

• Eleven v4 — 36 × $0.08 = $2.88 за главу, и вы можете перегенерировать один абзац за девять центов, если произношение неправильное.

• GPT-Live-1 — 40 минут при $0,05 = $2,00, и невозможно перегенерировать абзац, поскольку единица работы — это сеанс в реальном времени, а не фрагмент текста.

GPT-Live-1 выглядит дешевле и является неподходящим инструментом. У него нет документированного способа взять сценарий на 36 000 символов и вернуть детерминированный файл; это интерфейс для разговора, а разговор с книгой — не озвучивание. Честный вердикт по этой строке — не «Live стоит меньше», а «эта модель не выполняет эту работу».

Где поминутная модель действительно оправдывает свою наценку

Это оправдывают три ситуации, и у них есть одно общее свойство: человек удерживает слово в течение непредсказуемых по длительности промежутков времени.

• Приём с частыми перебиваниями — страховые претензии, клиническая сортировка, любые случаи, когда звонящий поправляет себя на полуслове. Каскаду нужно распознать перебивание, остановить воспроизведение и вернуться в цикл; GPT-Live-1 уже слушает.

• Бронирование и диспетчеризация — короткие реплики, быстрый обмен репликами, интенсивное использование вызова инструментов. Собственные данные OpenAI утверждают 87% точности вызова инструментов у этой модели против 60% у поколения Realtime, которое она заменяет, и эти цифры заявлены вендором, а не воспроизведены независимо.

• Везде, где задержка — это и есть продукт, ответ за 0,8 секунды против ответа за 1,4 секунды — это разница между разговором и рацией. Также по данным поставщика.

И три ситуации свидетельствуют против этого:

• Озвучивание, чтение вслух, аудиокниги, закадровый голос для видео — текст на входе, файл на выходе, слух не требуется.

• Голос бренда — клонирование в Eleven v4 — это функция продукта с оговоркой о переобучении; GPT-Live-1 использует фиксированные голоса модели, поэтому «голос нашего основателя» недоступен.

• Долгие паузы — музыка на линии ожидания, отключённый звук, операторы, ждущие медленный бэкенд. Каждая из этих секунд стоит денег.

Миграция тоже несимметрична.

Переход с v3 на Eleven v4 — это смена model-id плюс оговорка: существующие клонированные голоса требуют переобучения, а SSML заменяется встроенными аудиотегами, так что всё, что генерировало SSML, придётся переписывать. Неприятно, но всё ограничивается вашим слоем TTS.

Переход с интеграции Realtime на GPT-Live-1 — это пересборка. Другой эндпоинт, другая семантика сессий, другая единица биллинга и никакого слоя совместимости. Закладывайте бюджет на уровень оркестрации, а не только на саму замену, — и учтите, что большинство сторонних платформ голосовых агентов до сих пор не указывают GPT-Live-1 в списке доступных провайдеров, так что телефони­йную обвязку, скорее всего, придётся писать самостоятельно.

Какие изменения маршрутизации касаются этого решения?

Какой бы вариант вы ни выбрали, решение не будет «всё или ничего» для всего вашего стека. Голосовой слой — единственный компонент, который остаётся привязанным к конкретному поставщику: OrcaRouter не предоставляет GPT-Live-1, а модель синтеза речи, такая как Eleven v4, — это отдельный контракт, где бы вы её ни приобретали. То, что находится за голосовым слоем, — другое дело: вызовы рассуждений, модель для вызова инструментов, резервный путь при деградации провайдера — всё работает через один ключ в OrcaRouter, охватывая более 200 моделей, включая GPT-6 Astra, GPT-5.6 Terra и GPT-5.6 Sol — уровни, на которые делегирует GPT-Live-1.

Такое разделение — практическая версия этого сравнения. Арендуйте «ухо» у того, у кого оно лучше всего в этом квартале, а «мозг» держите маршрутизируемым, чтобы снижение цены, сбой или более совершенная модель не требовали трогать ту часть, которую слышат ваши пользователи. Списочные цены провайдеров передаются с наценкой 0%, поэтому снижение цены вендором на уровне рассуждений отражается в вашем счёте в тот же день, когда о нём объявляют.

Выбирайте по форме разговора

Если ваши пользователи перебивают, поправляют сами себя и ждут, что агент поймёт, когда замолчать, GPT-Live-1 за $0.05 в минуту — лучший продукт и, вероятно, более выгодная покупка: премиальная цена оплачивает поведение, которого не добиться от пайплайна ни за какие деньги. Если ваши пользователи скорее слушают, чем говорят, Eleven v4 или v4 Turbo дешевле в расчёте на доставленное слово, лучше управляются, поддаются клонированию под ваш бренд и являются правильным ответом; 1334 Elo — приятный бонус сверху.

Режим отказа, которого нужно избегать, — это выбор по позиции в таблице лидеров. 1334 у v4 и 83,2 у Live измеряют разные вещи по разным шкалам, и команда, выбирающая между ними, ориентируясь на эти два числа, выбирает между линейкой и термометром.