Ett genererat titelkort för Realtime 1 vs GPT Live 1 som visar $0,01 mot $0,05 per ljudminut och en anteckning om att jämförelsen ”känns väldigt nära” är otestad, plus en OrcaRouter-logotyp.
Engineering & Research

Realtime 1 vs GPT Live 1: Fem cent mot en, och ett påstående som ingen kan kontrollera ännu

Författare

jinhao.song

Publiceringsdatum

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

Fem cent per minut. Det är vad O​penAI tar för G​PT Live 1 — den full-duplexa röstmodellen som "kan lyssna och tala samtidigt", debiteras per sekund utan avrundning uppåt, medan backendmodell och verktygsanvändning debiteras separat. MAI Realtime 1, som Microsoft tillkännagav den 17 november 2026, kostar en cent per minut innan dess resonemangsnivå räknas in. På prislistan är skillnaden fem mot ett, och en person som har använt båda berättade på internet att Realtime 1 "kändes väldigt nära G​PT Live-modellen." Den meningen är det mest intressanta i den här jämförelsen och det minst verifierbara, eftersom det finns exakt ett sätt att avgöra det och ingen oberoende part har kört testet som skulle göra det.

Så behandla detta som två frågor i stället för en. Är en modell för en cent per minut fem gånger sämre? Och vad ger egentligen GPT Live 1:s uppmätta profil för fördelar som en billigare modell skulle behöva matcha? Den andra har svar. Den första har det inte, ännu.

Arkitekturerna har inte samma form

GPT Live 1 är ovanlig, och dokumentationen säger det rakt ut. Det är en full-duplexmodell – den lyssnar och talar samtidigt i stället för att turas om – och den försöker inte utföra resonemanget själv. Den "lämnar över resonemang och verktygsarbete till en backend-agent", som endast är nåbar via v1/live/sessions, utan stöd för Chat Completions-, Responses- eller Realtime-endpointarna. Den tar in och ut ljud och text, stöder streaming och funktionsanrop, och accepterar inte bilder eller video.

• G​PT Live 1 — full-duplex-frontend, med resonemanget delegerat till vilken backend-agent du än ansluter. Gränser för samtidiga sessioner: 50 på Build, 300 på Launch, 500 på Grow. Ingen gratisnivå.

• MAI Realtime 1 — tal-till-tal med ett snabbspår och en intern resonemangsnivå. Microsoft debiterar $1.00 per miljon indatatoken och $5.00 per miljon utdatatoken. Debiteras per ljudminut på samtalsdelen. Förhandsversionen debiteras inte förrän vid offentlig förhandsversion.

Båda är i praktiken tvådelade system. Skillnaden är vem som äger den andra delen. Med G​PT Live 1 är den uttryckligen din: du väljer backend-agenten, du betalar dess tokens separat, du ser sömmen. Med MAI Realtime 1 ligger överlämningen inne i produkten och på prissidan, och routningsbeslutet är inte något du konfigurerar.

Den enda designskillnaden förklarar större delen av prisskillnaden. OpenAI tar 0,05 dollar per minut för ett mycket bra öra och en mycket bra mun. Microsoft tar 0,01 dollar för ett hyfsat öra och en hyfsad mun plus en intern dispatcher, och tjänar pengar på tänkandet via tokenmätaren.

Vad G​PT Live 1:s mätningar faktiskt visar

G​PT Live 1 finns med två gånger på Artificial Analysis tal-till-tal-tavla, eftersom backendagenten du kopplar till ändrar resultatet:

• Tal-till-tal-index — 83,2 med en backend av Astra-klass på medelnivå, 80,1 med en backend av Sol-klass på låg nivå. Båda ligger över 74,5 för G​emini 3.8 Live och klart över 77,3 för Eleven Realtime Max, vilket gör G​PT Live 1 till modellen med högst index i denna jämförelsegrupp.

• Talresonemang (Big Bench Audio) – 90,1 % respektive 89,0 %. Inte högst upp på listan – Eleven Realtime Max får 98,8 % – men solitt konkurrenskraftigt.

• Samtalsdynamik – 94,9 % och 97,3 %. Den Sol-konfigurerade varianten har den bästa dynamikpoängen i uppsättningen, vilket är siffran som motsvarar "känns bra att prata med".

• Slutförande av agentiska uppgifter (τ-Voice) — 74,5 % och 59,3 %. Båda överträffar G​emini 3.8 Live:s 30,1 % med stor marginal, vilket är vad man skulle förvänta sig av en modell vars hela designpremiss är att lämna över arbete till en kapabel backend.

• Arena Elo — 1027 och 1037.

• Uppgiftsframgång — 87,4 % och 90,9 %.

Tid till första ljudet — 1,34 och 1,24 sekunder. Långsammare än Eleven Realtime Max 0,57 och långsammare än G​emini 3.8 Live 1,18, men full-duplex-designen innebär att den upplevda väntetiden inte är samma sak som den uppmätta; en modell som kvitterar medan den tänker känns inte som att den har pausat.

• Blandad kostnad – 5,83 $ och 4,47 $ per timme enligt Artificial Analysis normalisering, mot en taxa på 0,05 $ per minut som motsvarar 3,00 $ i timmen enbart för röstlinjen. De högre siffrorna inkluderar backend-tokenförbrukningen, vilket är det ärliga sättet att tolka en modell som delegerar resonemang.

Två saker följer av de siffrorna. För det första är konfigurationen lika viktig som modellen: samma G​PT Live 1 får 83,2 eller 80,1 beroende på vilken backend du pekar den mot, och 74,5 % eller 59,3 % på agentiska uppgifter. En granskning som citerar en enda siffra utan att ange vilken backend den använde har i princip inte sagt dig någonting. För det andra är indexledaren här inte arenaledaren — G​emini 3.8 Live vinner Elo, G​PT Live 1 vinner index. De mäter olika saker, och ingen av dem är en proxy för din arbetsbelastning.

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

Påståendet som är värt att testa, och vad testningen kostar

"Det kändes väldigt nära G​PT Live-modellen." Om man tar det för vad det är, är det det starkaste någon har sagt om MAI Realtime 1, och det kommer från någon som inte har någon publicerad metodik, inga inspelningar och ingen uppgiftsuppsättning. Det är också, för att vara rättvis, precis så de flesta tidiga intryck av röstmodeller dyker upp – samtal i full-duplex är svåra att poängsätta och lätta att få en känsla för, vilket är precis därför arenan finns från första början.

Problemet är att påståendet bara är delvis kontrollerbart. Microsoft publicerar en noggrannhetssiffra för MAI Realtime 1 – 98,8 % på Big Bench Audio, på modellsidan, körd av leverantören och ej reproducerad – tillsammans med ett P50-kort för time-to-first-audio och en bildtext med "P50 Latency on BigBench Audio". Det publicerar ingen τ-Voice-poäng, ingen latensfördelning och ingen språklista. Artificial Analysis listar inte MAI Realtime 1 per den 18 november, så det finns ingen oberoende mätning av de 98,8 % att ställa vid sidan av G​PT Live 1:s 90,1 %: den ena är leverantörens egen utvärdering, den andra är en tredje parts. Microsofts eget jämförande påstående namnger G​PT Realtime 2.1, en annan modell än G​PT Live 1 med en helt annan prisstruktur, och till och med den jämförelsen publiceras som en frontier-position snarare än som siffror.

Så den användbara versionen av påståendet är en testplan, inte en dom. Fyra saker att köra, alla billiga medan förhandsvisningen är kostnadsfri:

• Direkt efter varandra följande samtal — samma tjugo inspelade samtal genom båda modellerna, bedömda blint. Det är det enda sättet att testa "känns nära", och det är testet som det ursprungliga påståendet hoppade över.

• Avbrott vid överlappning – GPT Live 1:s full-duplexdesign låter den tala och lyssna samtidigt. Testa om Realtime 1 faktiskt hanterar samtidigt tal eller bara hanterar tydliga avbrott. Det är olika förmågor, och bara en av dem syns i en demo.

• Eskaleringslatens – i stunden då Realtime 1 lämnar över en tur till sin resonemangsmotor, mät pausen. Microsofts påstående är "utan pinsamma pauser", vilket är ett latenspåstående utan någon siffra kopplad till sig.

• Kostnad per slutfört samtal – inte per minut. En modell som kostar en femtedel så mycket per minut och behöver två fler turer för att lösa en begäran är inte en femtedel av priset. Det här är siffran som avgör jämförelsen, och ingen av leverantörerna publicerar den.

Vart femcentaren tar vägen

Om G​PT Live 1:s extra fyra cent per minut inte ger dig något är det inget svårt val. Men det ger något specifikt: en uppmätt agentisk poäng på 74,5 % mot ett omätt påstående, och en full-duplex-arkitektur som är en annan förmåga än turtagning snarare än en bättre version av den.

Det som kostar dig utöver taxan är kontroll och infrastruktur. GPT Live 1 kräver att du tillhandahåller och betalar för en backend-agent – vilket är riktigt arbete och en riktig kostnad, men också anledningen till att dess konfiguration förändrar dess poäng. Du väljer resonemangsmodellen; du ser tokenförbrukningen; du avgör vad som eskalerar. MAI Realtime 1 fattar det beslutet inuti produkten och debiterar $1.00 och $5.00 per miljon tokens för det, utan att tala om för dig hur ofta det händer.

Den avvägningen – synlighet mot bekvämlighet – är där en gateway gör sig förtjänt av sin plats. Båda modellerna slutar med att anropa resonemangsmodeller, G​PT Live 1 genom design och MAI Realtime 1 internt, och det resonemangslagret är den del som OrcaRouter routar: 200+ modeller bakom en enda nyckel till leverantörens listpris med 0 % påslag, så backendet som avgör din G​PT Live 1-konfiguration kan bytas ut utan ett andra avtal, och automatisk failover så att ett stoppat resonemangsanrop inte blir död luft mitt i en mening. Modellfusion är den andra hävstången som är värd att känna till här – för en röstagent vars svåra turer är de dyra är en panel som svarar tillsammans på den eskalerade vägen ett sätt att köpa noggrannhet där det spelar roll utan att betala för det på varje tur.

För att vara exakt om täckningen: varken GPT Live 1 eller MAI Realtime 1 finns i OrcaRouter-katalogen. GPT Live 1 är OpenAI:s egen v1/live/sessions-endpoint; MAI Realtime 1 är MAI Labs och Foundrys förhandsversion med begränsad åtkomst. Det som ligger bakom dem är det vi tillhandahåller.

Integrationsdetaljen som avgör din tidsplan

GPT Live 1 har den klumpigare integrationen och den bättre dokumentationen. Dess dedikerade v1/live/sessions-endpoint innebär att inget av det du har byggt mot Realtime API följer med — detta är en ny sessionsmodell, och att den inte stöder Chat Completions, Responses eller Realtime är det första som står i dess dokumentation av en anledning. Hastighetsgränserna räknar samtidiga sessioner, inte token, så kapacitetsplaneringen är en helt annan sak: 50 samtidiga på Build, 300 på Launch, 500 på Grow, ingen gratisnivå.

MAI Realtime 1 är det motsatta: ett OpenAI Realtime API-kompatibelt gränssnitt, vilket är den enskilt mest användbara meningen i Microsofts meddelande. Om din stack redan talar det protokollet är utvärderingen en modellsträng och en bas-URL. Haken är allt runtomkring gränssnittet – ingen språklista, ingen latensfördelning, inget τ-Voice-poäng, inget GA-datum, och en tvåminutersdemo i MAI Labs som rapporterade "MAI Realtime är inte tillgängligt just nu" när vi kontrollerade.

Så tidslinjeasymmetrin är verklig. G​PT Live 1 kan du integrera den här veckan mot publicerad dokumentation och en produktionsslutpunkt. MAI Realtime 1 kan du bygga prototyp mot en kompatibilitet du förstår, och sedan vänta på en förhandsversion som är gratis just för att den inte är färdig.

A screenshot of OpenAI's GPT-Live-1 documentation captured 18 November 2026, showing the model page headline, the $0.05 per minute billed-per-second pricing, the v1/live/sessions endpoint, and the note that reasoning and tool work are handed off to a backend agent.

Domen, formulerad som ett vad

Välj G​PT Live 1 om röstupplevelsen är produkten och du vill ha en backend som du kontrollerar. Den har det högsta tal-till-tal-indexet i sin klass, den bästa samtalsdynamiken med en Sol-klassad backend, en agentisk poäng som slår varje icke-OpenAI-modell i jämförelsen utom Phonic 1 och G​rok Voice 3.0, och dokumentation som exakt talar om vad den gör. Fem cent per minut är en verklig siffra och du kan prognostisera den.

Satsa på MAI Realtime 1 om ekonomin är begränsningen och du har ingenjörstid att lägga på mätning i stället för upphandling. En cent per minut med en ofakturerad förhandsversion och ett OpenAI-kompatibelt gränssnitt är det billigaste möjliga sättet att ta reda på om Microsofts tvåskiktsdesign slår din egen på applikationssidan. Det du accepterar är att det är du som kommer att ta fram latensfördelningen, τ-Voice-siffran och språklistan, eftersom Microsoft inte har publicerat någon av dem – och att dess enda noggrannhetssiffra, 98,8 % på Big Bench Audio, kommer från leverantören utan något som styrker den.

Det enda man inte bör göra är att upprepa påståendet att det "känns väldigt nära" som om det vore ett resultat. Det kan vara sant. Personen som sa det kan mycket väl ha rätt, och om så är fallet upphör den här jämförelsen att vara intressant, eftersom den billigare modellen skulle vara den bättre på den axel som betyder mest för användarna. Men en känsla från en eftermiddag är inte en andel slutförda uppgifter, och det tal som skulle avgöra saken — hur stor andel av verkliga anrop varje modell faktiskt slutför — är det enda tal som ingen av leverantörerna har publicerat.

A generated two-column scoreboard titled 'MAI Realtime 1 vs GPT Live 1 — the scoreboard'. Left column MAI Realtime 1: voice price $0.01 plus tokens, speech index not published, agentic not published, dynamics not published, first audio P50 only. Right column GPT Live 1: $0.05 per minute, speech index 83.2 / 80.1, agentic 74.5% / 59.3%, dynamics 94.9% / 97.3%, first audio 1.34 s / 1.24 s. Footer reads 'GPT Live 1 per Artificial Analysis, two backends; MAI index and agentic scores unpublished.'