GPT-Live-1 против Voxtral 3: цена, которая не является ценой

Voxtral 3 рекламирует полноценного голосового агента за $0.04 в минуту. GPT-Live-1 рекламирует $0.05 в минуту, а затем снова берёт с вас деньги за мышление. По заявленным цифрам Mistral на 20% дешевле и включает больше — распознавание речи, синтез речи и модель рассуждений в рамках одного тарифа, — тогда как цифра OpenAI покрывает только голосовой слой. Такая интерпретация технически верна, но на практике вводит в заблуждение, потому что эти два тарифа покупают не одно и то же.

Оба вышли с разницей меньше шести недель: GPT-Live-1 появился в API 10 сентября 2026 года, а Voxtral 3 — в публичном предпросмотре 20 октября. Оба рассчитаны на одного и того же заказчика — того, кто создаёт телефонного агента, которому нужно вести разговор. Они приходят к этому противоположными путями, и разница в стоимости сохраняется только при условии, что вы их никогда не прерываете.

Что на самом деле внутри каждой минуты

Начните с того, что включают счётчики, потому что именно здесь сравнение меняет направление.

• Полный агент Voxtral 3 — $0.04 в минуту с Mistral Small 4 в качестве модели рассуждения, $0.08 — с более мощной. Это покрывает транскрипцию, синтез и языковую модель.

• GPT-Live-1 — $0.05 за минуту только за голос, с посекундной тарификацией. Бэкенд-рассуждения, вызовы инструментов и веб-поиск тарифицируются отдельно по обычным ставкам модели.

• Только Voxtral 3 TTS — $13 за миллион символов, примерно $0.70 за час речи при нормальном темпе.

• входное аудио GPT-Live-1 — по замерам, $5,83 за час входного аудио в конфигурации с высоким уровнем рассуждений и $4,47 в конфигурации с низким, согласно фиксированному набору Artificial Analysis из 40 вопросов.

Итак, честное сравнение стоимости минуты на десятиминутном звонке: $0,40 за Voxtral 3 со всеми включёнными расходами против $0,50 плюс бэкенд за GPT-Live-1 — скажем, $0,50–$0,55 в зависимости от того, сколько агенту приходится думать. Mistral выигрывает эту арифметику, и выигрывает за счёт включения компонента, который OpenAI опускает.

Если только бо́льшую часть звонка не составляет тишина. Тариф Voxtral для голосового агента измеряется как сессия; у GPT-Live-1 — безусловно так же. Ни один из поставщиков не публикует исключение для тишины, и любое развёртывание, которое оставляет звонящих на удержании, должно исходить из того, что оба счётчика продолжают работать. Это различие не даёт преимущества ни одной из сторон, но означает, что оптимизировать по тарифам, вынесенным в заголовки, — неправильно.

Пайплайн против дуплекса, снова

Voxtral 3 — это стек, а не модель: модели транскрипции (Mini Transcribe 3 с 4 млрд параметров, Small и вариант в реальном времени), модель синтеза и основанный на LiveKit SDK Voice Agent, который связывает их вместе с языковой моделью посередине. Собственное заявление Mistral о задержке — около 90 миллисекунд до первого аудио, что действительно быстро для этапа синтеза.

Быстрый синтез — не то же самое, что хорошее переключение реплик. Каскадной системе всё равно нужно решать, когда человек закончил говорить, и это решение принимает детектор голосовой активности или модель определения конца реплики, стоящая перед конвейером. Когда она ошибается, агент либо перебивает звонящего, либо ждёт лишний такт, и никакой синтез за 90 мс этого не исправит.

GPT-Live-1 — это единая сеть, которая одновременно слышит и говорит, много раз в секунду решая, уступить ли слово. Именно за эту возможность вы платите дополнительный цент, и это не функция, которую можно собрать из частей. Вот почему у модели OpenAI нет отдельных пунктов на транскрипцию или синтез: здесь нечего выделять в отдельные пункты.

Практический критерий — не задержка, а частота перебиваний. Если ваши собеседники говорят полными предложениями и ждут своей очереди, конвейерная схема вполне подходит и обойдётся дешевле. Если же они на полуслове говорят «нет, погоди, я про другой», вы уже платите за дуплексное поведение — признались вы в этом или нет.

Языки, диалекты и где находятся данные

Mistral выпускает Voxtral 3 с более чем 35 языками и более чем 50 диалектами, управлением эмоциями и стилем, zero-shot-клонированием, а также путём адаптации «Pro Voice», для которого требуется около 30 минут референсного аудио. Документация GPT-Live-1 умалчивает об охвате диалектов и предлагает фиксированные голоса модели без клонирования.

Если ваш продукт европейский — французский, немецкий, итальянский, испанский, нидерландский — то Voxtral 3 — более полное предложение, а позиционирование Mistral как компании из ЕС является реальным аргументом в переговорах о закупках, на который OpenAI не даёт столь же прямого ответа. Это бизнес-факт, а не результат бенчмарка, и для многих покупателей он решает исход сделки ещё до того, как речь заходит о задержке.

Если ваш продукт — это англоязычная поддержка или бронирование на одном рынке, то широта языков — это запас, который вы не используете, а поведение в двустороннем режиме — то, что вы будете замечать при каждом звонке.

Ловушка открытых весов

Стоит отметить, потому что на этом часто попадаются: сам Voxtral 3 — закрытый API. Загружаемая модель в этом семействе — это более старый TTS-чекпоинт 4B от марта 2026 года, выпущенный под лицензией CC BY-NC 4.0 — некоммерческой — другая, более старая модель с более низким рейтингом в арене. Корпоративное самостоятельное развёртывание Voxtral 3 — это предмет договорённости, а не ссылка для скачивания.

Значит, ни одна из моделей в этом сравнении не даёт вам весов. У GPT-Live-1 их нет по замыслу, у Voxtral 3 — по политике. Если обладание моделью является обязательным требованием, обе отпадают, и разговор переходит к Fish Audio Drama 3 или Ming-3.0-TTS.

Что советы директоров измеряют, а что — нет

Voxtral 3 TTS занимает 1223 Elo в Provider Voice Arena от Artificial Analysis по состоянию на 29 октября 2026 года — четырнадцатое место среди участников при цене 13 долларов за миллион символов. Это солидный результат синтеза: модель уступает Eleven v4 с показателем 1334 и опережает несколько моделей, которые стоят дороже.

GPT-Live-1 не фигурирует на этом табло, и любой, кто ставит его показатель Speech-to-Speech Index 83,2 рядом с показателем Voxtral 1223, сравнивает взвешенный индекс диалога с Elo по слепым предпочтениям. На табло, где разговорные системы действительно присутствуют, GPT-Live-1 получает 1037–1041 Elo на Speech Agent Arena при успешности задач 87,4%–90,9%. Агентный стек Voxtral 3 пока не набрал достаточно диалогов на арене, чтобы попасть в список.

Это отсутствие — самый полезный факт в этом разделе. Между этими двумя нет независимого прямого сравнения, а значит, любое сравнение, которое вы читаете, — включая это, — строится на опубликованных тарифах и архитектуре, а не на контролируемом эксперименте. Любой, кто говорит вам, что один из них измеримо естественнее звучит в телефонном разговоре, цитирует поставщика.

К чему приводит аргумент о маршрутизации

Ни одна из моделей не обслуживается OrcaRouter. Voxtral 3 — это API Mistral; GPT-Live-1 — API OpenAI. Маршрутизировать можно тот компонент рассуждения, которому делегирует каждая из них, — и здесь две архитектуры расходятся именно в том, что имеет значение для построения стека.

Voxtral 3 позволяет выбирать модель рассуждений в рамках собственного агентского тарифа: Small 4 за $0,04, что-то мощнее за $0,08. GPT-Live-1 полностью оставляет бэкенд открытым — это значит, что вы можете указать для него любую текстовую модель, включая GPT-6 Astra, GPT-5.6 Terraили более дешёвый уровень, под одним ключом, а DSL маршрутизации позволяет закреплять разные модели за разными типами задач в рамках одного развёртывания.

Такая гибкость стоит реальных денег при смешанной нагрузке: дешёвая модель обрабатывает подтверждение адреса, а фронтирная модель — спорное списание, без второго контракта или второй интеграции. Списочные цены провайдеров передаются с наценкой 0%, поэтому снижение цены на уровне рассуждений отражается в вашем счёте в день, когда оно вступает в силу, а не при следующем продлении контракта.

Решение

Выбирайте Voxtral 3, если вы создаёте продукт в Европе, вам нужно множество языков и диалектов, вы хотите один счёт, покрывающий всё от транскрипции до синтеза, и ваши звонящие достаточно вежливо соблюдают очерёдность. В пересчёте на минуту с учётом всех расходов это дешевле, это более полный стек, а оценка синтеза 1223 вполне достойна.

Выбирайте GPT-Live-1, если перебивания — это и есть суть продукта: приём обращений, сортировка, диспетчеризация, всё, где звонящий поправляет сам себя, а агент должен услышать это в момент происходящего. Вы будете платить больше за минуту, меньше контролировать — и получите то единственное поведение, которое пайплайн не купит ни за какие деньги.

Ловушка, которой нужно избегать, — это сравнение двух заявленных ставок и вывод, что $0.04 лучше $0.05. Эти цифры измеряют не одну и ту же минуту: одна включает транскрибатора, синтезатор и модуль рассуждений; другая — ухо. Покупайте тот вариант, чьё содержимое соответствует задаче, а о цене спорьте потом.