การ์ดหัวเรื่องที่สร้างขึ้นในชื่อ 'GPT-Live-1.1 vs SeedRealtime' พร้อมคำโปรยรอง 'ฝ่ายหนึ่งขายเป็นนาที อีกฝ่ายไม่ขายอะไรเลย' โดยแสดงการ์ดด้านซ้ายที่ติดป้ายว่า GPT-Live-1.1 พร้อมราคา $0.05 ต่อนาทีที่ใช้งาน $0.02 ต่อนาทีสแตนด์บาย และ API สาธารณะ และการ์ดด้านขวาที่ติดป้ายว่า SeedRealtime ซึ่งไม่มี API สาธารณะ ไม่มี open weights และพร้อมใช้งานเฉพาะภายใน Doubao เท่านั้น
Guides & Insights

GPT-Live-1.1 กับ SeedRealtime: ตัวหนึ่งขายนาที อีกตัวขายความว่างเปล่า

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

ลองวางGPT-Live-1.1กับSeedRealtimeไว้ข้างกัน แล้วการเปรียบเทียบก็จะไม่ใช่เรื่องของคุณภาพอีกต่อไปในทันที GPT-Live-1.1 เป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ที่คุณเรียกใช้ได้วันนี้ เช่าใช้เป็นรายวินาที และนำไปใช้ในผลิตภัณฑ์ได้; มันเปิดตัวบน OpenAI API เมื่อวันที่ 19 พฤศจิกายน 2026 ห้าสัปดาห์หลังจากที่มันเข้ามาแทนที่ GPT-Live-1 ภายใน ChatGPT Voice SeedRealtime ซึ่งทีม Seed ของ ByteDance ประกาศเมื่อวันที่ 5 สิงหาคม 2026 เป็นสถาปัตยกรรมที่น่าสนใจกว่าในทางทฤษฎี — โมเดลเสียง-ภาพแบบฟูลดูเพล็กซ์โดยกำเนิดที่ดู ฟัง และพูดได้ในระบบเดียว — และมันไม่ใช่สิ่งที่คุณจะเรียกใช้ได้ ไม่มี API สาธารณะ ไม่มีน้ำหนักโมเดลแบบเปิดบน Hugging Face ไม่มีจำนวนพารามิเตอร์ และไม่มีรายงานทางเทคนิคที่มีตัวเลขอยู่เลย

ดังนั้นกรอบความคิดที่ตรงไปตรงมาจึงไม่ใช่ "อันไหนดีกว่า" แต่คือ: หนึ่งในนั้นคือผลิตภัณฑ์ที่มีตารางราคา และอีกอันคือการสาธิตขีดความสามารถที่ตัวแรกได้ปฏิเสธที่จะเปิดตัวออกมาอย่างชัดเจน ทั้งสองข้อความเป็นจริงในเวลาเดียวกัน และข้อไหนสำคัญกว่ากันก็ขึ้นอยู่ทั้งหมดกับว่าคุณกำลังสร้างอะไรบางอย่างอยู่หรือไม่

พื้นผิวอินพุตมีรูปร่างไม่เหมือนกัน

GPT-Live-1.1 รับฟังได้ นั่นคือเรื่องราวทั้งหมดของอินพุตของมัน หน้าโมเดลระบุว่าอินพุตแบบเสียงและข้อความ และเอาต์พุตแบบเสียงและข้อความ และไม่มีอย่างอื่น — ไม่มีภาพ ไม่มีวิดีโอ ไม่มีเอกสาร สิ่งที่มันทำกับการรับฟังนั้นแปลกอย่างแท้จริง: มันเป็นฟูลดูเพล็กซ์ หมายความว่ามันฟังขณะที่มันพูด แทนที่จะผลัดกันพูด และมันตัดสินใจหลายครั้งต่อวินาทีว่าจะฟังต่อ หยุดชั่วคราว ขัดจังหวะ หรือส่งงานไปยังแบ็กเอนด์ การเปลี่ยนแปลงความสามารถเพียงอย่างเดียวที่ระบุไว้ของการอัปเวอร์ชันนี้อยู่ในเลเยอร์นี้: เมื่อเทียบกับ GPT-Live-1 มัน "ถอดเสียงพูดได้แม่นยำกว่าและรักษาสำเนียงและเสียงให้สอดคล้องกันมากขึ้นข้ามภาษา" ไม่มีตัวเลขใดผูกกับข้อกล่าวอ้างนั้น

SeedRealtime ได้ยินและมองเห็น {{1}}ในโมเดลเดียวแทนที่จะเป็นไปป์ไลน์{{/1}} โพสต์เปิดตัวของ ByteDance อธิบายถึงสถาปัตยกรรมแบบรวมเป็นหนึ่งที่หลอมรวมเสียง วิดีโอ และข้อความ โดยทำงานด้านการรับรู้ ความเข้าใจ การตัดสินใจ และการแสดงออกแบบขนานบนสตรีมต่อเนื่อง ผลลัพธ์ที่เป็นรูปธรรมซึ่งโพสต์ระบุไว้คือสิ่งที่โมเดลเสียงแบบข้อความล้วนไม่สามารถเข้าถึงได้ในเชิงโครงสร้าง: {{2}}การแยกแยะคำพ้องเสียงโดยดูจากฉาก{{/2}}, {{3}}การหาว่า “this” หมายถึงอะไรจากท่าทางและการมอง{{/3}}, และ {{4}}การเอ่ยขึ้นมาเองโดยไม่ถูกกระตุ้นเมื่อวัตถุเป้าหมายปรากฏในเฟรม{{/4}} ตัวอย่างสาธิตมีความเฉพาะเจาะจง — {{5}}การจับคู่ชื่อกับใบหน้าทั่วโต๊ะอาหารที่เสียงดัง{{/5}}, {{6}}การแปลเมนูภาษาจีนล้วนสำหรับลูกค้าต่างชาติ{{/6}}, {{7}}การสังเกตเห็นเมล็ดกาแฟเต็มเมล็ดถูกใส่ลงในพอร์ตาฟิลเตอร์และบอกก่อนการสกัด{{/7}}, {{8}}การคงนิทรรศการพิพิธภัณฑ์ไว้ในมุมมองจนกว่าชิ้นงานที่ผู้ใช้ร้องขอจะมาถึง แล้วจึงเตือนผู้ใช้{{/8}}

• อินพุต — GPT-Live-1.1 เฉพาะเสียงและข้อความ เทียบกับ SeedRealtime ที่หลอมรวมเสียง วิดีโอ และข้อความไว้ในโมเดลเดียว

• การผลัดกันพูด — GPT-Live-1.1 ตัดสินใจภายในด้วยความถี่สูง ในขณะที่ SeedRealtime ย้ายการผลัดกันพูดเข้าไปไว้ในโมเดลและตัดตัวตรวจจับกิจกรรมเสียงภายนอกออก

• พฤติกรรมเชิงรุก — GPT-Live-1.1 ตอบสนอง มอบหมายงาน และเรียกใช้เครื่องมือ ในขณะที่ SeedRealtime ถูกอธิบายว่าพูดขึ้นเองโดยไม่ถูกกระตุ้นเมื่อมีบางสิ่งปรากฏในมุมมอง

• ให้บริการที่ไหน — GPT-Live-1.1 บน v1/live/sessions ในอัตราค่าบริการต่อนาทีที่ประกาศไว้ เทียบกับ SeedRealtime ภายในแอป Doubao ของ ByteDance

• หลักฐาน — GPT-Live-1.1 มีคะแนนจากบุคคลที่สามสำหรับรุ่นก่อนหน้าใน Artificial Analysis ขณะที่ SeedRealtime มีการประเมินโดยมนุษย์แบบ end-to-end โดยไม่มีขนาดตัวอย่างและไม่มีตัวเลข

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).

สิ่งที่คุณจ่ายจริง และจ่ายให้ใคร

GPT-Live-1.1 คิดค่าบริการเซสชันเสียงตามระยะเวลา เป็นรายวินาที ในอัตรา $0.05 ต่อนาทีที่ใช้งานอยู่ ตั้งแต่วันที่ 19 พฤศจิกายน 2026 เซสชัน WebRTC ยังสามารถกำหนดค่าให้หยุดการประมวลผลอนุมานในช่วงที่ไม่มีการใช้งาน และคิดค่าบริการ $0.02 ต่อนาทีขณะรอ โดยจะกลับมาทำงานเมื่อมีคนพูด การใช้งานโมเดลแบ็กเอนด์และเครื่องมือ — งานด้านการให้เหตุผลและการทำงานของเครื่องมือที่เลเยอร์เสียงมอบหมาย — คิดค่าบริการแยกต่างหากตามมิเตอร์โทเค็นของโมเดลใดก็ตามที่คุณระบุ การสร้างเซสชัน WebRTC จะคิดค่าบริการระยะเวลาเสียง 15 วินาที ณ เวลาที่เริ่มต้นระบบ และจะถูกเครดิตคืนเทียบกับระยะเวลาหลังจากเซสชันเริ่มทำงาน

ราคาของ SeedRealtime สำหรับนักพัฒนานั้นไม่ใช่ตัวเลข เพราะไม่มีผลิตภัณฑ์สำหรับนักพัฒนา มันพร้อมใช้งานภายใน Doubao ผู้ช่วยสำหรับผู้บริโภค ซึ่ง ByteDance ระบุว่าได้ "เปิดตัวเต็มรูปแบบ" นับตั้งแต่การเปิดตัวในเดือนสิงหาคม นี่คือการติดตั้งใช้งานจริงในระดับจริง และไม่ใช่ API ไม่มีการระบุว่าแพลตฟอร์ม model-as-a-service ของ ByteDance จะรองรับมันหรือไม่ และในอัตราเท่าใด ทั้งในโพสต์เปิดตัวหรือบนเว็บไซต์ Seed ณ วันที่อ่านเมื่อ 20 พฤศจิกายน 2026

ความไม่สมมาตรนี้มีผลต่อต้นทุนที่เกินกว่าผลที่เห็นได้ชัด โมเดลที่คุณเช่าเป็นรายวินาทีสามารถจัดทำงบประมาณ เปรียบเทียบ และปิดใช้งานได้ โมเดลที่อยู่ภายในแอปผู้บริโภคของคนอื่นไม่สามารถทำสิ่งเหล่านั้นได้เลย ดังนั้นการเปรียบเทียบระหว่างสองสิ่งนี้จึงไม่มีอัตราแลกเปลี่ยน คุณไม่ได้กำลังเลือกระหว่าง $0.05 ต่อนาทีกับสิ่งที่ถูกกว่า คุณกำลังเลือกระหว่างรายการในงบประมาณกับการสาธิต

ในจุดที่หลักฐานเริ่มเบาบางลง

GPT-Live-1.1 เองไม่มีคะแนนอิสระ ดัชนี speech-to-speech ของ Artificial Analysis ซึ่งอ่านเมื่อวันที่ 20 พฤศจิกายน 2026 แสดงรายการ GPT-Live-1 สองครั้ง — 83.2 เมื่อใช้แบ็กเอนด์ระดับ Astra ที่ความพยายามระดับกลาง และ 80.1 เมื่อใช้แบ็กเอนด์ระดับ Sol ที่ความพยายามระดับต่ำ — และยังไม่มีข้อมูลของ 1.1 นั่นเป็นโมเดล API ที่มีอายุหนึ่งวัน ดังนั้นช่องว่างจึงเป็นเรื่องที่คาดหมายได้มากกว่าจะเป็นข้อตำหนิร้ายแรง แต่มันหมายความว่าการปรับปรุงความสม่ำเสมอของสำเนียงในสัปดาห์นี้เป็นเพียงคำกล่าวอ้างของผู้ขาย สิ่งที่ดัชนีแสดงให้เห็นคือการกำหนดค่าขยับตัวเลขได้มากพอ ๆ กับที่เวอร์ชันทำ: โมเดลเดียวกันได้ 83.2 หรือ 80.1 ขึ้นอยู่กับแบ็กเอนด์ที่คุณผูกไว้ บทวิจารณ์ใดก็ตามที่อ้างตัวเลข GPT-Live เพียงตัวเลขเดียวโดยไม่ระบุแบ็กเอนด์ของมันได้บอกคุณไว้น้อยมาก

หลักฐานของ SeedRealtime บางกว่าในแง่ที่ต่างออกไป ByteDance เผยแพร่ผลลัพธ์พาดหัวเพียงรายการเดียว — การประเมินโดยมนุษย์แบบ end-to-end ซึ่งโมเดล “ลดปัญหาจังหวะการสนทนาแบบเสียงและภาพลงครึ่งหนึ่ง” เมื่อเทียบกับระบบ ASR-plus-vision-plus-TTS แบบ cascaded โดยมีการตัดบทกลางประโยคน้อยลง การตอบกลับที่เชื่องช้าหลังหยุดพักน้อยลง และการทริกเกอร์ผิดพลาดจากเสียงพูดคุยในพื้นหลังน้อยลง ไม่มีขนาดตัวอย่าง ไม่มีระเบียบวิธี ไม่มีช่วงความเชื่อมั่น และไม่มีตัวเลขความหน่วง ไม่มีจำนวนพารามิเตอร์และไม่มีรายงานทางเทคนิคเช่นกัน นั่นไม่ใช่หลักฐานว่าโมเดลอ่อนแอ — การสาธิตเจาะจงพอที่จะบ่งชี้ว่าเป็นระบบจริง — แต่เป็นข้อกล่าวอ้างที่คุณตรวจสอบไม่ได้ และไม่ปรากฏบนลีดเดอร์บอร์ดอิสระใด ๆ

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.

โปรดสังเกตว่าสิ่งนั้นหมายความว่าอย่างไรสำหรับการเปรียบเทียบโดยเฉพาะ: สองโมเดลไม่ได้อยู่บนมาตรวัดเดียวกัน โมเดลหนึ่งมีตัวเลขจากบุคคลที่สามสำหรับเวอร์ชันก่อนหน้าและมีอัตราที่เผยแพร่ ส่วนอีกโมเดลหนึ่งมีเพียงประโยคจากผู้ขายและไม่มีช่องทางให้ซื้อ การจัดอันดับทั้งสองเทียบกันจะเป็นการสร้างการวัดขึ้นมาเอง

ทำไมช่องว่างของ API จึงเป็นประเด็นทั้งหมด

มันเป็นเรื่องที่น่าล่อใจที่จะมองว่า "no API" เป็นสถานะชั่วคราวที่จะคลี่คลายไปเองได้ และจึงมองเป็นเพียงรายละเอียด แต่สำหรับการตัดสินใจเรื่องบิลด์แล้ว กลับตรงกันข้าม: มันเป็นข้อเท็จจริงเดียวที่กำหนดคำตอบได้อย่างสมบูรณ์

หากคุณกำลังจะเปิดตัวผลิตภัณฑ์ด้านเสียงภายในไตรมาสหน้า SeedRealtime ไม่ได้อยู่ในรายการตัวเลือกของคุณ และความทะเยอทะยานด้านสถาปัตยกรรมไม่ว่าจะมากเพียงใดก็ไม่อาจเปลี่ยนข้อเท็จจริงนี้ได้ GPT-Live-1.1 อยู่ในรายการ พร้อมการกำหนดค่าเซสชันที่มีเอกสารประกอบ อัตราค่าบริการที่ประกาศไว้ โหมดสแตนด์บายที่ทำให้การเชื่อมต่อที่ไม่ได้ใช้งานมีค่าใช้จ่ายต่ำ และโมเดลการมอบหมายงานที่ช่วยให้คุณเก็บส่วนการให้เหตุผลไว้ในแบ็กเอนด์ที่คุณควบคุม สิ่งหนึ่งที่มันจะไม่ทำคือดูกล้องของผู้ใช้ของคุณ

ข้อจำกัดข้อสุดท้ายนั้นควรค่าแก่การประเมินต้นทุนอย่างตรงไปตรงมา เพราะเป็นจุดที่ความต้องการของทีมแยกออกจากกันจริง ๆ สายสนับสนุน ผู้ช่วยในรถ ครูสอนภาษา เอเจนต์จัดตารางเวลา — ไม่มีสิ่งใดต้องใช้วิดีโอ และทั้งหมดล้วนได้ประโยชน์จากโมเดลที่รับมือการขัดจังหวะและการมอบหมายงานได้ดีในต้นทุนที่รู้ล่วงหน้า เอเจนต์ที่ดูการซ่อม อ่านเมนู หรือตามดูการสาธิต จำเป็นต้องใช้มอดาลิตีที่ SeedRealtime มีแต่ GPT-Live-1.1 ไม่มี และสำหรับภาระงานนั้น คำตอบในวันนี้คือรอ หรือสร้างแคสเคดที่ ByteDance กำลังโต้แย้งอยู่

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.'

จุดที่เราเตอร์เข้าไปมีบทบาทคือส่วนของการมอบหมายงาน OrcaRouter ไม่ได้ให้บริการ GPT-Live-1.1 หรือ SeedRealtime — ทั้งสองไม่ใช่โมเดลแชต และแคตตาล็อกก็ไม่มีเอนด์พอยต์เสียงแบบฟูลดูเพล็กซ์ แต่ให้บริการแบ็กเอนด์ที่ชั้นเสียงส่งงานต่อไปให้: gpt-6-luna, gpt-6-solและโมเดลอื่น ๆ ในตระกูล GPT-6 ใช้งานได้ผ่านคีย์เดียวในราคาตามที่ผู้ให้บริการประกาศโดยไม่บวกเพิ่ม พร้อมการสลับไปยังผู้ให้บริการรายอื่นอัตโนมัติเมื่อเกิดปัญหา และมี DSL สำหรับกำหนดเส้นทางเพื่อประกอบหลายโมเดลไว้ในการเรียกครั้งเดียว หากเซสชัน Live ของคุณมอบหมายงานให้แบ็กเอนด์ แบ็กเอนด์นั้นคือส่วนที่คุณกำหนดเส้นทางได้แล้ววันนี้

สิ่งที่ควรจับตา และสิ่งที่ควรทำตอนนี้

มีสองสิ่งที่จะเปลี่ยนการเปรียบเทียบนี้ได้ และทั้งสองอย่างก็ยังไม่เกิดขึ้น เอนด์พอยต์ SeedRealtime แบบสาธารณะ — ไม่ว่าจะบนแพลตฟอร์มของ ByteDance เองหรือที่อื่นใด — จะเปลี่ยนการสาธิตให้กลายเป็นตัวเลือกได้ในชั่วข้ามคืน และจะทำให้เกิดคำถามขึ้นมาทันทีว่าบริบททางภาพนั้นคุ้มค่ากับงานการเชื่อมต่อหรือไม่ การวัดผล GPT-Live-1.1 อย่างเป็นอิสระบนดัชนี speech-to-speech จะบอกคุณได้ว่าข้อกล่าวอ้างเรื่องสำเนียงหลายภาษานั้นเป็นความจริงหรือไม่ และคะแนน 83.2 ที่ GPT-Live-1 ทำได้เมื่อใช้แบ็กเอนด์ Astra นั้นยังคงอยู่หรือไม่

จนถึงตอนนั้น การตัดสินใจจึงชัดเจนผิดปกติ หากคุณต้องส่งฟีเจอร์เสียงออกสู่ตลาด GPT-Live-1.1 เรียกใช้ได้ มีการกำหนดราคาไว้ และเมื่อเปิดโหมดสแตนด์บาย การปล่อยให้เชื่อมต่อค้างไว้ก็มีต้นทุนถูกกว่าที่เคยเป็นเมื่อสัปดาห์ก่อน หากคุณต้องการโมเดลที่มองเห็นได้ ความสามารถใด ๆ ฝั่ง ByteDance ก็ไม่สามารถแปลงเป็น API key ได้ และสิ่งที่รับผิดชอบคือการบอกเช่นนั้น มากกว่าการนำผลิตภัณฑ์ไปจัดอันดับเทียบกับพรีวิว

การเปรียบเทียบในบทความนี้1

ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube