Genererat titelkort med titeln ”GPT-Live-1.1 vs SeedRealtime” och undertexten ”En säljer minuter, en säljer ingenting”, som visar ett vänsterkort märkt GPT-Live-1.1 med 0,05 USD per aktiv minut, 0,02 USD per standbyminut och ett publikt API, samt ett högerkort märkt SeedRealtime utan publikt API, inga öppna vikter och tillgänglighet endast i Doubao.
Guides & Insights

GPT-Live-1.1 vs SeedRealtime: Den ena säljer minuter, den andra säljer ingenting

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Ställ GPT-Live-1.1 och SeedRealtime sida vid sida, och jämförelsen upphör genast att handla om kvalitet. GPT-Live-1.1 är en full-duplex röstmodell som du kan anropa i dag, hyra per sekund och sätta in i en produkt; den dök upp i O​penAI API den 19 november 2026, fem veckor efter att den ersatte GPT-Live-1 i ChatGPT Voice. SeedRealtime, som ByteDances Seed-team tillkännagav den 5 augusti 2026, är den mer intressanta arkitekturen på papperet – en inbyggd audiovisuell full-duplexmodell som tittar, lyssnar och talar i ett och samma system – och den är inte något man kan anropa. Inget offentligt API, inga öppna vikter på Hugging Face, inget parameterantal, ingen teknisk rapport med siffror i.

Så den ärliga formuleringen är inte "vilket är bättre". Det är: en av dessa är en produkt med en prislista, och den andra är en demonstration av en förmåga som den första uttryckligen har avstått från att lansera. Båda påståendena är sanna samtidigt, och vilket av dem som spelar roll beror helt och hållet på om du bygger något.

Inmatningsytan har inte samma form

GPT-Live-1.1 hör. Det är hela historien om dess indata. Modellsidan listar ljud och text som indatamodaliteter och ljud och text som utdata, och inget annat – ingen bild, ingen video, inget dokument. Det den gör med hörsel är verkligen ovanligt: den är full duplex, vilket innebär att den lyssnar medan den talar i stället för att turas om, och den avgör många gånger i sekunden om den ska fortsätta lyssna, pausa, avbryta eller lämna över arbete till en backend. Den enda angivna kapacitetsförändringen i versionshöjningen finns i detta lager: jämfört med GPT-Live-1 "transkriberar den tal mer korrekt och behåller en mer konsekvent accent och röst över språk." Inget antal kopplas till det påståendet.

SeedRealtime hör och ser, i en och samma modell i stället för i en pipeline. ByteDances lanseringsinlägg beskriver en enhetlig arkitektur som förenar ljud, video och text och kör perception, förståelse, beslutsfattande och uttryck parallellt över kontinuerliga strömmar. De konkreta konsekvenser som listas är sådana som en röstmodell som bara hanterar text strukturellt sett inte kan uppnå: att lösa en homofon genom att titta på scenen, att lista ut vad ”detta” syftar på utifrån gest och blick, och att säga till utan uppmaning när ett målobjekt dyker upp i bild. Demonstrationerna är specifika – att knyta namn till ansikten vid ett stökigt middagsbord, att översätta en meny som bara finns på kinesiska åt en utländsk gäst, att lägga märke till hela bönor som hamnar i ett portafilter och säga till före extraktionen, att hålla ett museiföremål i bild tills det efterfrågade föremålet anländer och sedan påminna användaren.

• Indata — GPT-Live-1.1 endast ljud och text jämfört med SeedRealtime där ljud, video och text är sammansmälta i en enda modell

• Turordning — GPT-Live-1.1 fattar beslut internt med hög frekvens, medan SeedRealtime flyttar turordningen in i modellen och tar bort den externa röstaktivitetsdetektorn

• Proaktivt beteende — GPT-Live-1.1 svarar, delegerar och anropar verktyg, medan SeedRealtime beskrivs som att den tar till orda utan uppmaning när något dyker upp i bild

• Var det körs — GPT-Live-1.1 på v1/live/sessions till ett publicerat minutpris jämfört med SeedRealtime i ByteDance-appen Doubao

• Bevis — GPT-Live-1.1 har tredjepartspoäng för sin föregångare på Artificial Analysis, medan SeedRealtime har en end-to-end-mänsklig utvärdering utan urvalsstorlek och utan siffra

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).

Vad du faktiskt betalar, och till vem

GPT-Live-1.1 debiterar röstsessioner efter varaktighet, per sekund, med $0,05 per aktiv minut. Sedan den 19 november 2026 kan en WebRTC-session även konfigureras att pausa inferensen vid inaktivitet och debitera $0,02 per minut medan den väntar, och återupptas när någon talar. Användning av backendmodell och verktyg – resonemangs- och verktygsarbetet som röstlagret delegerar – debiteras separat på tokenmätaren för den modell du anger. Att skapa en WebRTC-session debiterar 15 sekunder röstvaraktighet vid initiering, vilket krediteras tillbaka mot varaktigheten när sessionen körs.

SeedRealtimes pris för en utvecklare är inte en siffra, eftersom det inte finns någon utvecklarprodukt. Den är tillgänglig inuti Doubao, konsumentassistenten, där ByteDance säger att den har varit "fullt utrullad" sedan lanseringen i augusti. Det är en verklig driftsättning i verklig skala, och det är inte ett API. Huruvida ByteDances plattform för modeller som tjänst kommer att erbjuda den, och till vilken taxa, anges inte i lanseringsinlägget eller på Seed-webbplatsen så som den lästes den 20 november 2026.

Asymmetrin har en kostnadskonsekvens utöver den uppenbara. En modell som man hyr per sekund kan budgeteras, jämföras och stängas av. En modell inuti någon annans konsumentapp kan inte vara något av detta, och jämförelsen mellan de två har därför ingen växelkurs. Du väljer inte mellan $0,05 per minut och något billigare; du väljer mellan en budgetpost och en demo.

Där bevisningen tunnas ut

GPT-Live-1.1 har i sig ingen oberoende poäng. Artificial Analysiss tal-till-tal-index, avläst den 20 november 2026, listar GPT-Live-1 två gånger – 83,2 med en Astra-klassad backend vid medelinsats och 80,1 med en Sol-klassad backend vid låg insats – och tar ännu inte upp 1.1. Det är en API-modell som är en dag gammal, så gapet är förväntat snarare än fördömande, men det betyder att förbättringen av accentkonsekvens den här veckan är ett leverantörspåstående. Vad indexet däremot visar är att konfigurationen flyttar siffran lika mycket som versionen gör: samma modell får 83,2 eller 80,1 beroende på vilken backend du kopplar till den. En recension som citerar en enda GPT-Live-siffra utan att ange dess backend har sagt dig väldigt lite.

SeedRealtimes bevis är tunnare på ett annat sätt. ByteDance publicerar ett enda huvudresultat – en mänsklig end-to-end-utvärdering där modellen "minskar problemen med samtalsrytmen i audiovisuella samtal med hälften" jämfört med kaskadkopplade ASR-plus-vision-plus-TTS-system, med färre avbrott mitt i meningar, färre tröga svar efter en paus och färre falska utlösningar från bakgrundsprat. Det finns ingen urvalsstorlek, ingen metodik, inget konfidensintervall och ingen latenssiffra. Det finns inte heller något parameterantal och ingen teknisk rapport. Det är inte bevis på en svag modell – demonstrationerna är tillräckligt specifika för att antyda ett verkligt system – men det är ett påstående som du inte kan kontrollera, och det förekommer inte på någon oberoende leaderboard.

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.

Notera vad det specifikt innebär för jämförelsen: de två modellerna är inte på en gemensam skala. Den ena har tredjepartssiffror för den föregående versionen och en publicerad taxa; den andra har en mening från leverantören och inget sätt att köpa den. Att rangordna dem mot varandra skulle vara att uppfinna ett mått.

Varför API-gapet är hela argumentet

Det är frestande att behandla ”inget API” som ett tillfälligt tillstånd som löser sig självt och därför som en detalj. För ett byggbeslut är det motsatsen: det är det enda faktum som helt avgör svaret.

Om du lanserar en röstprodukt nästa kvartal finns SeedRealtime inte med bland dina alternativ, och ingen grad av arkitektonisk ambition ändrar på det. GPT-Live-1.1 finns med på listan, med en dokumenterad sessionskonfiguration, en publicerad taxa, ett standbyläge som gör inaktiva anslutningar billiga och en delegeringsmodell som låter dig behålla resonemanget i en backend som du kontrollerar. Det enda den inte gör är att titta på användarens kamera.

Den där sista begränsningen är värd att prissätta ärligt, för det är där ett teams krav faktiskt delar sig. En supportlinje, en bilassistent, en språkhandledare, en schemaläggningsagent – ingen av dem behöver video, och alla drar de nytta av en modell som hanterar avbrott och delegering väl till en känd kostnad. En agent som tittar på en reparation, läser en meny eller följer en demonstration behöver den modalitet som SeedRealtime har och GPT-Live-1.1 inte har, och för den arbetsbelastningen är svaret i dag att vänta, eller att bygga den kaskad som ByteDance argumenterar emot.

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.'

Där en router passar in är delegeringshalvan. OrcaRouter tillhandahåller inte GPT-Live-1.1 eller SeedRealtime – ingendera är en chattmodell, och katalogen har ingen full-duplex röstendpoint. Den tillhandahåller däremot den backend som röstlagret skickar arbetet till: gpt-6-luna, gpt-6-sol och resten av GPT-6-familjen är tillgängliga bakom en nyckel till leverantörens listpris utan påslag, med automatisk failover mellan leverantörer och ett routing-DSL för att sätta samman flera modeller till ett anrop. Om din Live-session delegerar till en backend är det den backenden du kan routa idag.

Vad du ska hålla koll på – och vad du ska göra nu

Två saker skulle förändra den här jämförelsen, och ingen av dem har inträffat. En publik SeedRealtime-endpoint – på ByteDances egen plattform eller någon annanstans – skulle över en natt förvandla en demonstration till ett alternativ och omedelbart väcka frågan om visuell kontext är värd integrationsarbetet. En oberoende mätning av GPT-Live-1.1 på tal-till-tal-indexet skulle visa om påståendet om flerspråkig accent är sant, och om 83.2 som GPT-Live-1 uppnår med en Astra-backend håller i sig.

Fram till dess är beslutet ovanligt enkelt. Om du behöver leverera röst är GPT-Live-1.1 anropbar, prissatt och – med standby – billigare att lämna ansluten än för en vecka sedan. Om du behöver en modell som kan se omvandlas ingen mängd kapabilitet på ByteDances sida till en API-nyckel, och det ansvarsfulla är att säga det i stället för att rangordna en produkt mot en förhandsversion.

Jämförda i den här artikeln1

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen