GPT-Live-1 vs ElevenLabs: En modell som lyssnar, ett företag som säljer allt annat

Den mest användbara siffran i den här jämförelsen är 90,5 %. Det är den framgångsgrad för uppgifter som Artificial Analysis uppmätte för ElevenLabs Agents i sin Speech Agent Arena – den högsta bland de sex främsta på den listan, uppnådd av ett system som inte alls är en enda modell utan en kaskad av taligenkänning, en språkmodell och en syntetiserare som sammanfogats av ElevenLabs egen turtagningslogik. GPT-Live-1, OpenAI:s end-to-end-modell med full duplex, finns inte med på den listan, eftersom den tävlar på en annan: Speech to Speech Index, där den ligger på delad sjätteplats av fjorton med 70,3 %. Samtidigt är ElevenLabs Eleven v3 fortfarande den mest utbrett använda produktionsrösten i branschen, med fler än 10 000 röster i sitt bibliotek och över 70 språk.

Förenklingen är att den ena sidan säljer en konversation till dig och den andra säljer ett företag till dig. Den förenklingen stämmer till största delen, och den döljer den mer intressanta upptäckten under: en välkonstruerad kaskad slår fortfarande en nativ full-duplexmodell när det gäller att slutföra uppgiften.

Två arkitekturer, och skillnaden ligger i var sömmarna sitter

GPT-Live-1 är en enda modell som tar emot ljud och text och producerar ljud och text som utdata. Den hanterar avbrott inbyggt – OpenAI:s egen testning, som publicerades med september-API-släppet och inte har reproducerats utanför företaget, rapporterar 80,1 % interaktivitet på Full Duplex Bench v1.5 mot 45,4 % för GPT-Realtime-2.1, och en turtagningslatens på 0,798 sekunder mot 1,41. Det finns inga skarvar, för det finns inget att skarva samman.

ElevenLabs Agents är den motsatta satsningen, medvetet. ElevenLabs dokumentation beskriver en pipeline: finjusterad taligenkänning, en språkmodell som du väljer eller tar med dig själv, en syntetiserare med låg latens – vanligtvis något från Flash-serien – och en proprietär turordningsmodell ovanpå. Barge-in är en konfiguration per agent som exponerar turivrighet och timeouts snarare än en egenskap hos modellen. I Artificial Analysiss benchmarkade standardkonfiguration består stacken av Scribe v2 Realtime för taligenkänning, en Gem​ini-modell för resonemang och Eleven Flash v2 för syntes.

Den designen har en enorm fördel och en strukturell kostnad. Fördelen är att varje steg är utbytbart: en billig modell för enkla turer, en frontiermodell för svåra, en annan syntetiserare för en annan locale. Kostnaden är att latensen ackumuleras vid varje skarv, och beslutet om turordning måste fattas utifrån.

Dimension för dimension

• Arkitektur — GPT-Live-1: en end-to-end-modell, ljud in och ljud ut vs ElevenLabs Agents: kaskadkopplad taligenkänning, språkmodell och syntes med ett proprietärt lager för turtagning

• Oberoende bevis — GPT-Live-1: 70,3 % på Artificial Analysis Speech to Speech Index, delad sjätteplats av fjorton mot ElevenLabs Agents: Elo 937 på Speech Agent Arena med en uppgiftslyckandegrad på 90,5 % över 676 stickprov, den bästa lyckandegraden bland de sex bästa på den resultattavlan

• Kvalitetsledartavlor — GPT-Live-1: rankas inte på text-till-tal-arenorna, eftersom den är en annan typ av modell än ElevenLabs: Eleven v3 Conversational på 1 194 Elo och Eleven v3 på 1 166 på Provider Voice-tavlan, prissatta till 50 $ respektive 100 $ per miljon tecken

• Pris — GPT-Live-1: 0,05 USD per röstminut, faktureras per sekund, backend-resonemang mäts separat jämfört med ElevenLabs: cirka 50 USD per miljon tecken för Eleven v3 Conversational och omkring 100 USD för Eleven v3, där agenter rapporteras ligga på ungefär 0,08 USD per minut och stiga när samtidighetsgränsen överskrids, samt att kostnader för språkmodell och telefoni faktureras separat

• Latens – GPT-Live-1: ingen publicerad tid till första ljud på modellnivå; 0,798 sekunders turtagningslatens i leverantörens tester jämfört med ElevenLabs: cirka 75 millisekunder för Flash v2.5 och cirka 280 millisekunder för Eleven v3 Conversational, med leverantörens rekommendation om under 800 millisekunder till första ljud på agentnivå

• Röster och kloning — GPT-Live-1: tolv API-förinställningar, ingen kloning avsiktligt vs ElevenLabs: fler än 10 000 röster i biblioteket, omedelbar kloning från ett kort sampel, professionell kloning från 30 till 180 minuters ljud med självverifiering

• Språk — GPT-Live-1: stora språk har gott stöd, ojämn språkflyt bortom dem i lanseringsutbudet jämfört med ElevenLabs Eleven v3: över 70 språk, mot 32 för Flash-linjen och över 90 för dess taligenkänning

• Bredd — GPT-Live-1: en slutpunkt, ett modell-ID, samtidighetsnivåer från 25 till 500 sessioner och ingen gratisnivå, jämfört med ElevenLabs: syntes, taligenkänning, dubbning, ljudeffekter, musik, en röstmarknadsplats och en agentplattform under ett avtal, med en gratisnivå som inte medför någon kommersiell licens

Där ElevenLabs inte bara ligger före, utan står oemotsagd

Tre av gapen i den listan är inte små, och varje jämförelse som ägnar dem en mening är orättvis mot den sittande.

Klonning är det första. GPT-Live-1 levereras med tolv förinställningar och, enligt design, ingen kloning alls — en avsiktlig säkerhetshållning snarare än en saknad funktion. ElevenLabs erbjuder omedelbar kloning från ett kort referensexempel och professionell kloning tränad på 30 till 180 minuters ljud, begränsat bakom plannivåer och ett självverifieringssteg. Om din produkts röst är en del av dess identitet, är detta inte en dimension där GPT-Live-1 konkurrerar.

Röstbiblioteket är det andra. Fler än 10 000 röster, plus en licensierad marknadsplats för ikoniska röster från dödsbon och artister, är en tillgång som ingen modellrelease kan replikera. Det är också det som köpare oftast underskattar: att välja en röst är den sista milen i en röstprodukt, och att ha tio tusen att välja bland komprimerar en varumärkesövning till en eftermiddag.

Det tredje är bredd. Taligenkänning, dubbning, ljudeffekter, musik, en agentplattform – ett team som behöver fyra av dessa köper ett kontrakt i stället för fyra. Det är en strategisk fördel, inte en kvalitetsfördel, och den består även om den andra sidan vinner ett benchmark.

Båda företagen bär på styrningsfrågor som hör hemma i en upphandlingsgranskning snarare än i en fotnot. ElevenLabs professionella kloning kräver självverifiering och dess villkor förbjuder kloning av en annan persons röst även med samtycke; företaget står också inför en uppsättning grupptalan som väcktes i maj 2026 angående samtycke till träningsdata, där påståendena är obevisade. Open​AIs ställning är enklare eftersom det tog bort funktionen som genererar risken.

Kaskadskatten, och var det är värt att betala

En kaskads kostnader visar sig som latens och som orkestrering. Leverantörsriktlinjer för ElevenLabs anger en agents tid till första ljud till under 800 millisekunder vid medianen och under 1,5 sekunder vid 95:e percentilen – siffror som beskriver hela pipelinen, inte syntetiserarens 75 millisekunder. Ovanpå det kommer språkmodellens genereringstid och nätverkstransport. En del av det kan återvinnas genom att välja dina steg noggrant; inget av det är gratis.

Orkestreringsnotan är mjukare men verklig. Varje extra steg är ännu en plats där ett anrop kan misslyckas, ännu en timeout att finjustera, ännu en leverantör att stämma av fakturor med. Det är den delen som en nativ end-to-end-modell tar bort helt: det finns en enda sak som kan gå sönder, och den antingen svarar eller inte.

Det är i mellansteget som kaskaden betalar sig själv. Språkmodellen bakom en röstagent är den komponent vars kvalitet förbättras snabbast och vars kostnad varierar mest, och att kunna byta ut den utan att röra röstlagret är värt riktiga pengar under en produkts livstid. Ungefär 190 modeller från elva uppströmsleverantörer ligger bakom en enda OrcaRouter-nyckel till leverantörens listpris utan påslag, så en prisändring från en leverantör når det lagret samma dag, och automatisk failover hindrar en backend-timeout från att avsluta ett pågående samtal. Varken ElevenLabs agentstack eller GPT-Live-1:s Live Sessions-endpoint går att nå på det sättet — röstlagren tillhör deras leverantörer, och detta är lagret under dem.

Vilken ska man välja?

Välj GPT-Live-1 om samtalsmekaniken är produkten och du vill ha ett kontrakt med en enda felmod. Telefonlinjer där uppringare talar över agenten, där en naturlig överlämning betyder mer än en perfekt röst, och där tolv bra röster räcker. Du accepterar en sluten hostad modell, ingen kloning, oberoende kvalitet i mitten av fältet och ingen gratisnivå att prototypa på.

Välj ElevenLabs om röstkvalitet, kloning eller bredd är begränsningen. Berättarröst, dubbning, flerspråkiga produkter, allt där rösten är varumärket, allt som behöver taligenkänning i samma avtal. Du accepterar en kaskad att driva, priser ungefär tio till tjugo gånger GPT-Live-1:s per talsenhet, och det faktum att avbrottslogiken är din att konfigurera och din att göra fel.

90,5 % är den del som är värd att ta med sig. Den säger att ett företag som satte ihop tre modeller och ett turtagningslager slog ett företag som tränade en enda modell att göra allt detta, på det mått som ligger närmast huruvida samtalet fungerade. Full duplex är ett genuint arkitektoniskt framsteg, och det är enligt nuvarande evidens inte det som avgör om den som ringer får det den ville.