GPT-Live-1 vs Voxtral 3: Priset som inte är priset

Voxtral 3 annonserar en komplett röstagent för 0,04 dollar per minut. GPT-Live-1 annonserar 0,05 dollar per minut och fakturerar dig sedan igen för tänkandet. Enligt rubriksiffrorna är Mistral 20 % billigare och inkluderar mer – tal-till-text, text-till-tal och en resonemangsmodell inom en och samma taxa – medan OpenAIs siffra endast täcker röstlagret. Den tolkningen är tekniskt korrekt och i praktiken missvisande, eftersom de två taxorna inte köper samma sak.

Båda lanserades inom sex veckor från varandra: GPT-Live-1 till API:et den 10 september 2026, Voxtral 3 i offentlig förhandsversion den 20 oktober. Båda riktar sig till samma kund – någon som bygger en telefonagent som måste föra en konversation. De når målet på motsatta vägar, och kostnadsskillnaden består bara om man aldrig avbryter dem.

Vad finns det egentligen inuti varje minut?

Börja med vad mätarna omfattar, för det är här jämförelsen vänder.

• Voxtral 3 full agent – $0,04 per minut med Mistral Small 4 som resonemangsmotor, $0,08 med en starkare sådan. Det täcker transkription, syntes och språkmodellen.

• GPT-Live-1 — $0,05 per minut för endast röst, faktureras per sekund. Backend-resonemang, verktygsanrop och webbsökning faktureras separat enligt normala modelltaxor.

• Voxtral 3 TTS ensamt — $13 per miljon tecken, ungefär $0,70 per timme med tal i normal takt.

• GPT-Live-1 ljudinmatning — uppmätt till $5,83 per timme ljudinmatning i konfigurationen med hög resonemangsinsats, $4,47 i den med låg, enligt Artificial Analysys fasta uppsättning på 40 frågor.

Så den ärliga jämförelsen per minut för ett tio minuters samtal är 0,40 dollar för Voxtral 3 allt inkluderat mot 0,50 dollar plus backend för GPT-Live-1 – låt oss säga 0,50 till 0,55 dollar beroende på hur mycket agenten måste tänka. Mistral vinner den kalkylen, och den vinner den genom att inkludera en komponent som OpenAI utelämnar.

Om inte samtalet mestadels består av tystnad. Voxtrals taxa för röstagenter mäts som en session; GPT-Live-1:s gör det definitivt. Ingen av leverantörerna publicerar något undantag för tystnad, och varje driftsättning som sätter uppringare i vänteläge bör räkna med att båda mätarna fortsätter att löpa. Den skillnaden gynnar inte någon av sidorna, men den innebär att rubrikpriserna är fel ställe att optimera på.

Pipeline mot duplex, igen

Voxtral 3 är en stack, inte en modell: transkriberingsmodeller (Mini Transcribe 3 med 4B parametrar, Small och en realtidsvariant), en syntesmodell och ett LiveKit-baserat Voice Agent SDK som kopplar samman dem med en språkmodell i mitten. Mistrals egen latensangivelse är cirka 90 millisekunder till första ljud, vilket är genuint snabbt för syntesdelen.

Snabb syntes är inte samma sak som bra turtagning. En kaskad måste fortfarande avgöra när människan har slutat tala, och det avgörandet görs av en röstaktivitetsdetektor eller en turtagningsmodell som sitter framför pipelinen. När den gissar fel talar agenten antingen över den som ringer eller väntar en takt för länge, och ingen mängd 90 ms-syntes rättar till det.

GPT-Live-1 är ett enda nätverk som lyssnar och talar samtidigt och avgör många gånger per sekund om det ska ge efter. Det är förmågan du betalar den extra centen för, och det är inte en funktion du kan bygga från delar. Det är också därför OpenAIs modell inte har några radposter för transkribering eller syntes: det finns inget att specificera som enskild post.

Det praktiska provet är inte latens utan avbrottsfrekvens. Om dina uppringare talar i hela meningar och väntar på sin tur fungerar en pipeline bra och är billigare. Om de mitt i säger "nej vänta, jag menade den andra" köper du duplexbeteende oavsett om du har erkänt det eller inte.

Språk, dialekter och var data finns

Mistral lanserar Voxtral 3 med över 35 språk och över 50 dialekter, styrning av känsla och stil, zero-shot-kloning samt en "Pro Voice"-anpassningsväg som tar cirka 30 minuter referensljud. GPT-Live-1:s dokumentation säger inget om dialekttäckning och erbjuder fasta modellröster utan kloning.

Om din produkt är europeisk – fransk, tysk, italiensk, spansk eller nederländsk – är Voxtral 3 det mer kompletta alternativet, och Mistrals EU-positionering är ett reellt argument i inköpsdiskussioner som OpenAI inte besvarar lika direkt. Det är ett affärsfaktum snarare än ett riktmärke, och för många köpare avgör det affären innan latensen ens diskuteras.

Om din produkt är engelskspråkig support eller bokning på en enda marknad är språkbredden ett lager du inte kommer att använda, och duplexbeteendet är det du kommer att lägga märke till vid varje samtal.

Fällan med öppna vikter

Värt att påpeka, eftersom det överraskar folk: Voxtral 3 i sig är ett slutet API. Den nedladdningsbara modellen i den här familjen är en äldre 4B TTS-checkpoint från mars 2026, släppt under CC BY-NC 4.0 – icke-kommersiell – en annan, äldre modell med lägre arena-poäng. Egen driftsättning av Voxtral 3 inom företag är en förhandlad överenskommelse, inte en nedladdningslänk.

Så ingen av modellerna i den här jämförelsen ger dig vikter. GPT-Live-1 har inga enligt konstruktionen. Voxtral 3 har inga på grund av policy. Om att äga modellen är ett krav är båda uteslutna, och samtalet går i stället vidare till Fish Audio Drama 3 eller Ming-3.0-TTS.

Vad styrelserna mäter, och vad de inte mäter

Voxtral 3 TTS ligger på 1223 Elo på Artificial Analysis' Provider Voice Arena, registrerad 29 oktober 2026 — på fjortonde plats i fältet, till $13 per miljon tecken. Det är ett stabilt syntesresultat: bakom Eleven v4 på 1334, före flera modeller som kostar mer.

GPT-Live-1 finns inte med på den resultattavlan, och den som ställer dess Speech-to-Speech Index-poäng på 83,2 bredvid Voxtrals 1223 jämför ett viktat konversationsindex med ett blindpreferens-Elo. På de resultattavlor där konversationssystem faktiskt förekommer får GPT-Live-1 1037 till 1041 Elo på Speech Agent Arena med 87,4 % till 90,9 % uppgiftsframgång. Voxtral 3:s agentstack har ännu inte samlat tillräckligt många arenakonversationer för att listas.

Den frånvaron är det mest användbara faktumet i det här avsnittet. Det finns ingen oberoende direkt jämförelse mellan de två, vilket betyder att varje jämförelse du läser – inklusive den här – bygger på publicerade priser och arkitektur, inte på ett kontrollerat experiment. Den som säger att den ena är mätbart mer naturlig i telefon citerar en leverantör.

Där routingargumentet landar

Ingen av modellerna serveras av OrcaRouter. Voxtral 3 är Mistrals API; GPT-Live-1 är OpenAIs. Det som går att routa är den resonemangsmotor som var och en delegerar till – och här skiljer sig de två arkitekturerna åt på ett sätt som är viktigt för hur du arkitekterar stacken.

Voxtral 3 låter dig välja resonemangsmodellen inom sin egen agenttaxa: Small 4 för $0,04, något starkare för $0,08. GPT-Live-1 lämnar backendet helt öppet, vilket innebär att du kan rikta det mot vilken textmodell du vill – inklusive GPT-6 Astra, GPT-5.6 Terra eller en billigare nivå, bakom en enda nyckel, med routnings-DSL:en som låter dig tilldela olika modeller för olika uppgiftstyper inom samma driftsättning.

Den flexibiliteten är värd riktiga pengar vid en blandad arbetsbelastning: en billig modell hanterar adressbekräftelse och en frontier-modell hanterar den tvistade avgiften, utan ett andra avtal eller en andra integration. Leverantörers listpriser passerar rakt igenom med 0 % påslag, så en sänkning på resonemangsnivån når din faktura samma dag som den lanseras i stället för vid nästa avtalsförnyelse.

Beslutet

Välj Voxtral 3 om du bygger i Europa, behöver många språk och dialekter, vill ha en enda faktura som täcker allt från transkription till syntes, och dina uppringare är någorlunda artiga när det gäller att turas om. Det är billigare per minut sammanlagt, det är den mer kompletta stacken, och syntespoängen 1223 är respektabel.

Välj GPT-Live-1 om avbrott är själva produkten — ärendemottagning, triage, utskick, allt där den som ringer korrigerar sig själv och agenten måste höra det hända. Du betalar mer per minut, du äger mindre, och du får det enda beteendet som en pipeline inte kan köpa till något pris.

Fällan att undvika är att jämföra de två rubrikpriserna och dra slutsatsen att $0.04 slår $0.05. Dessa siffror mäter inte samma minut: den ena omfattar en transkriberare, en syntetiserare och en resonerare; den andra omfattar ett öra. Köp den vars innehåll matchar jobbet och diskutera sedan priset.