GPT-Live-1 vs Eleven v4: หน่วยการเรียกเก็บเงินเป็นตัวชี้ขาดก่อนที่เสียงจะได้ตัดสิน

วาง GPT-Live-1 และ Eleven v4 ไว้ข้างกัน แล้วความแตกต่างแรกที่คุณเจอไม่ใช่ benchmark แต่เป็นหน่วยวัด GPT-Live-1 คิด $0.05 ต่อทุกหนึ่งนาทีที่เซสชันเปิดอยู่ ส่วน Eleven v4 คิด $0.08 ต่อทุกหนึ่งพันอักษรที่เอเจนต์พูดจริง ๆ มิเตอร์ตัวหนึ่งเดินตามเวลา อีกตัวเดินตามบท และคุณควรซื้อตัวไหนก็ตามมาจากสิ่งนี้ก่อนที่โมเดลใดจะเปล่งเสียงออกมาสักพยางค์

ความแตกต่างนั้นมักเลือนหายไปในการเปรียบเทียบส่วนใหญ่ ซึ่งมักเอาดัชนี speech-to-speech ไปวางข้าง ๆ Elo ของ text-to-speech แล้วเรียกมันว่าการเทียบแบบตัวต่อตัว ทั้งที่มันไม่ใช่ ต่อไปนี้คือสิ่งที่ผลิตภัณฑ์ทั้งสองเป็นอยู่จริง สิ่งที่ตัวเลขที่มีอยู่บอกคุณได้และบอกไม่ได้ และการคำนวณที่คลี่คลายเรื่องนี้ได้สำหรับสายบริการช่วยเหลือ หนังสือเสียง และกรณีที่กลืนไม่เข้าคายไม่ออกซึ่งอยู่ระหว่างกลาง

สองผลิตภัณฑ์ สองหน้าที่

GPT-Live-1 เป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ของ OpenAI ซึ่งเปิดให้ใช้ผ่าน API ตั้งแต่ 10 กันยายน 2026 มันฟังไปพร้อมกับพูดไป ตัดสินใจหลายครั้งต่อวินาทีว่าจะปล่อยสิทธิ์ในการพูดหรือไม่ และมอบหมายการคิดวิเคราะห์ให้กับโมเดลข้อความแยกต่างหากเมื่อคำถามจำเป็นต้องใช้ โมเดลนี้มีเอนด์พอยต์เพียงหนึ่งเดียวเท่านั้น — v1/live/sessions — และไม่มีอินเทอร์เฟซ Chat Completions หรือ Realtime ซึ่งหมายความว่ามันไม่ใช่ id ของโมเดลที่คุณนำไปสลับใช้ในการเชื่อมต่อกับ Realtime ที่มีอยู่เดิม แต่เป็นเซสชันที่คุณเปิดขึ้นมา

Eleven v4 เป็นโมเดลแปลงข้อความเป็นเสียง เปิดตัวเมื่อวันที่ 28 กันยายน 2026 พร้อมกับ v4 Turbo ที่มีความหน่วงต่ำ คุณป้อนข้อความให้มัน แล้วมันจะคืนเสียงในหนึ่งในมากกว่า 90 ภาษา พร้อมความสามารถโคลนเสียงทันทีภายใน 10 วินาที แท็กเสียงแบบอินไลน์สำหรับอารมณ์และจังหวะ และเพดานคำขอ 10,000 ตัวอักษร มันไม่มีหู จึงไม่ได้ยินผู้โทร ไม่รู้ตัวว่าผู้โทรขัดจังหวะ หรือตัดสินใจหยุดเพราะประโยคออกมาไม่ดี

ความไม่สมมาตรนั้นคือทั้งหมดของเรื่องนี้ วอยซ์เอเจนต์ที่สร้างบน Eleven v4 คือไปป์ไลน์: ถอดเสียง คิด พูด ส่วนวอยซ์เอเจนต์ที่สร้างบน GPT-Live-1 คือโมเดลเดียวโดยมีโมเดลข้อความแนบมาเป็นที่ปรึกษา ไปป์ไลน์นั้นถูกกว่าและควบคุมได้มากกว่า โมเดลแบบ end-to-end นั้นเป็นธรรมชาติกว่าและขัดจังหวะได้ยากกว่ามาก สิ่งเหล่านี้เป็นผลิตภัณฑ์ที่แตกต่างกันสำหรับพื้นที่ใช้งานที่แตกต่างกัน ไม่ใช่การนำไปใช้ที่แข่งขันกันของผลิตภัณฑ์เดียวกัน

สิ่งที่ตารางอันดับสามารถบอกได้อย่างตรงไปตรงมา

ไม่มีกระดานเปรียบเทียบเพียงกระดานเดียวที่สองรายนี้ลงแข่งด้วยกัน และใครก็ตามที่เอาสักกระดานมาให้คุณดู ก็กำลังเปรียบเทียบคะแนนที่ไม่สามารถเทียบกันได้ บน Artificial Analysis' Provider Voice Arena — เสียงเจ้าของภาษา การให้คะแนนความชอบแบบปกปิด เก็บข้อมูลเมื่อวันที่ 29 ตุลาคม 2026 — Eleven v4 อยู่ที่ 1334 Elo เป็นอันดับสองของกลุ่มผู้เข้าแข่งขัน โดย v4 Turbo อยู่ที่ 1336 และคว้าอันดับหนึ่ง ไม่มีใครโต้แย้งว่าคุณภาพเสียงยอดเยี่ยม: ความทนทานในการออกเสียง 91.7% ในการวัดของห้องแล็บนั้น ซึ่งแข็งแกร่งที่สุดในบรรดาโมเดลเชิงพาณิชย์รายใหญ่ ณ เวลาที่เปิดตัว

GPT-Live-1 ไม่ปรากฏบนบอร์ดนั้นเลย เพราะมันไม่ได้สร้างข้อความเป็นเสียงพูดในความหมายที่บอร์ดนั้นวัด มันปรากฏใน Speech Agent Arena ซึ่งให้คะแนนความชอบแบบไม่เปิดเผยตัวตนจากบทสนทนาแนวการจองที่สมบูรณ์ ที่นั่น GPT-Live-1 (Astra, medium) อยู่ที่ 1037 Elo ด้วยอัตราความสำเร็จของงาน 87.4% และการกำหนดค่า Sol-low อยู่ที่ 1041 ด้วย 90.9% ใน Speech-to-Speech Index ซึ่งเป็นการผสมแบบถ่วงน้ำหนักของความสามารถในการให้เหตุผล ประสิทธิภาพแบบเอเจนต์ ความชอบจากอารีนา และความสำเร็จของงาน มันได้คะแนน 83.2 เป็นอันดับสองจาก 21 โมเดลที่ได้คะแนน

การเปรียบเทียบที่ใช้ได้จริงคือ GPT-Live-1 กับผลิตภัณฑ์ของ Elevenแบบสนทนา ไม่ใช่โมเดล TTS ของบริษัท บนอารีนาเดียวกัน Eleven Realtime v1 Max ได้คะแนน 1003 โดยมีอัตราความสำเร็จของงาน 87.1% และ cascade ค่าเริ่มต้นของ ElevenLabs Agents ได้คะแนน 989 โดยมี 90.5% ดังนั้นโมเดลแบบ end-to-end จึงนำทางเลือกแบบเรียลไทม์อยู่ประมาณ 35–50 Elo และชุดเอเจนต์แบบ cascade อยู่ต่ำกว่าประมาณ 50 คะแนน แต่มีอัตราความสำเร็จดีกว่าเล็กน้อย ตัวเลขเหล่านั้นใกล้เคียงกันมากพอที่ระบบโทรศัพท์ การออกแบบพรอมต์ และเสียงรบกวนพื้นหลังของการติดตั้งใช้งานครั้งเดียวจะตัดสินผลลัพธ์ ไม่ใช่ลีดเดอร์บอร์ด

ข้อควรระวังที่ตรงไปตรงมาอีกข้อหนึ่ง: ตัวเลขของ GPT-Live-1 มีป้ายกำกับเป็นการกำหนดค่า การให้เหตุผลของมันดำเนินการโดยแบ็กเอนด์ที่ระบุชื่อ และการกำหนดค่า Astra-medium กับ Sol-low ได้คะแนนแตกต่างกันเพราะมอบหมายงานแตกต่างกัน ตัวเลขของ Eleven มีป้ายกำกับเป็นผลิตภัณฑ์แทน ทั้งสองไม่ใช่การทดลองแบบควบคุมที่เทียบกันโดยตรง

การคำนวณบนสายโทรสามนาที

ลองพิจารณาสายโทรเข้าที่ติดต่อฝ่ายสนับสนุน ซึ่งตัวแทนพูด 900 ตัวอักษรต่อนาที — เป็นอัตราที่เร็วแต่ปกติ — และผู้โทรพูดประมาณ 40% ของระยะเวลาสามนาที

• GPT-Live-1 — สามนาทีในราคา $0.05 รวมเป็น $0.15 บวกกับโมเดลข้อความฝั่งแบ็กเอนด์สำหรับการให้เหตุผลที่การเรียกนั้นต้องใช้ ต่อนาที: $0.050

• Eleven v4 — เอเจนต์พูดประมาณ 1,620 ตัวอักษร ดังนั้น 1.62 × $0.08 = $0.13 บวกค่าถอดเสียงและโมเดลภาษาของคุณเอง ต่อนาที: ประมาณ $0.043 ก่อนรวมค่า STT และ LLM

• Eleven v4 Turbo — อักขระ 1,620 ตัวเดียวกันในราคา $0.04 ต่อหนึ่งพันตัว: $0.065 หรือประมาณ $0.022 ต่อนาทีก่อนค่า STT และ LLM

Turbo ถูกกว่า GPT-Live-1 แม้จะรวมส่วนการแปลงเสียงเป็นข้อความและโมเดลภาษาขนาดเล็กเข้าไปด้วย ซึ่งเป็นเหตุผลที่ระบบแบบ cascade ยังคงชนะในการตรวจสอบต้นทุน แต่การเปรียบเทียบจะเปลี่ยนรูปไปทันทีที่ผู้โทรพูดมากกว่าตัวเอเจนต์ ทุกวินาทีที่มนุษย์พูดคนเดียวยาว ๆ คือวินาทีที่ Eleven v4 ไม่คิดค่าใช้จ่ายเลย และ GPT-Live-1 คิดในอัตราเต็ม — รวมถึงช่วงเงียบขณะที่มีคนอ่านหมายเลขกรมธรรม์จากบัตร และรวมถึงช่วงพักสายขณะที่แบ็กเอนด์ของคุณกำลังประมวลผล

นั่นไม่ใช่ความแตกต่างจากการปัดเศษ ในสายที่เอเจนต์พูด 30% ของเวลา ค่าใช้จ่าย TTS จะลดลงสองในสาม ขณะที่ค่าบริการรายนาทีไม่เปลี่ยนแปลงเลย การคิดค่าบริการแบบเหมาจ่ายรายนาทีคือการเดิมพันว่าผู้โทรของคุณจะพูด และมันจะคุ้มค่าก็ต่อเมื่อพวกเขาพูดจริง ๆ

การคำนวณนี้ สำหรับการบรรยายความยาวสี่สิบนาที

ตอนนี้ลองเอาโมเดลสองตัวเดิมมาใช้กับบทหนึ่งของหนังสือเสียง — 36,000 ตัวอักษร ผู้พูดคนเดียว ไม่มีการขัดจังหวะ ไม่ต้องใช้การReasoning และต้องการผลลัพธ์ที่แน่นอนเหมือนเดิมทุกครั้ง

• Eleven v4 — 36 × $0.08 = $2.88 สำหรับบทนี้ และคุณสามารถสร้างย่อหน้าเดียวใหม่ได้ในราคาเก้าเซนต์เมื่อการออกเสียงไม่ถูกต้อง

• GPT-Live-1 — 40 นาทีที่ $0.05 = $2.00 และคุณไม่สามารถสร้างย่อหน้าขึ้นใหม่ได้ เพราะหน่วยของงานคือเซสชันสด ไม่ใช่ชิ้นส่วนของข้อความ

GPT-Live-1 ดูเหมือนจะถูกกว่าและเป็นเครื่องมือที่ผิด มันไม่มีวิธีที่ระบุไว้ในเอกสารว่าจะรับสคริปต์ 36,000 ตัวอักษรแล้วส่งคืนไฟล์ที่ได้ผลลัพธ์เหมือนเดิมทุกครั้งได้อย่างไร มันเป็นพื้นที่สำหรับการสนทนา และการสนทนากับหนังสือก็ไม่ใช่การบรรยาย คำตัดสินอย่างตรงไปตรงมาสำหรับแถวนี้ไม่ใช่ "Live ราคาถูกกว่า" แต่คือ "โมเดลนี้ทำงานนี้ไม่ได้"

จุดที่โมเดลแบบรายนาทีคุ้มค่าพรีเมียมจริง ๆ

มีสามสถานการณ์ที่ทำให้สิ่งนี้สมเหตุสมผล และทั้งสามมีคุณสมบัติร่วมกันอย่างหนึ่ง นั่นคือ มนุษย์เป็นผู้ถือสิทธิ์ในการพูดเป็นระยะเวลาที่คาดเดาไม่ได้

• การรับข้อมูลที่มีการขัดจังหวะสูง — การเคลมประกัน การคัดกรองทางคลินิก หรือกรณีใดก็ตามที่ผู้โทรแก้ไขคำพูดของตนเองกลางประโยค ระบบแคสเคดต้องตรวจจับการขัดจังหวะ หยุดการเล่นเสียง และกลับเข้าสู่วงลูปอีกครั้ง GPT-Live-1 กำลังฟังอยู่แล้ว

• การจองและการจัดส่ง — การสนทนาสั้น ไปกลับอย่างรวดเร็ว ใช้การเรียกใช้เครื่องมือจำนวนมาก ตัวเลขของ OpenAI เองอ้างว่ามีความแม่นยำในการเรียกใช้เครื่องมือ 87% สำหรับโมเดลนี้ เทียบกับ 60% สำหรับรุ่น Realtime ที่มันมาแทนที่ และตัวเลขเหล่านั้นเป็นข้อมูลที่ผู้ขายรายงานเอง ไม่ได้ถูกทำซ้ำอย่างเป็นอิสระ

• ทุกที่ที่ความหน่วงคือตัวผลิตภัณฑ์ — เทิร์น 0.8 วินาทีเทียบกับเทิร์น 1.4 วินาที คือความแตกต่างระหว่างบทสนทนากับวอลกี้ทอล์กกี้ ทั้งนี้เป็นข้อมูลที่ผู้จำหน่ายรายงาน

และมีสามสถานการณ์ที่โต้แย้งเรื่องนี้:

• การบรรยาย การอ่านออกเสียง หนังสือเสียง การพากย์เสียงวิดีโอ — ใส่ข้อความเข้า รับไฟล์ออกมา ไม่ต้องใช้หู

• เสียงของแบรนด์ — การโคลนเสียงของ Eleven v4 เป็นฟีเจอร์ของผลิตภัณฑ์ที่มีข้อแม้เรื่องการรีเทรนโมเดล; GPT-Live-1 ใช้เสียงจากโมเดลแบบตายตัว ดังนั้น “เสียงของผู้ก่อตั้งของเรา” จึงไม่มีให้เลือก

• ความเงียบที่ยาวนาน — เพลงรอสาย สายที่ถูกปิดเสียง เจ้าหน้าที่ที่ต้องรอระบบหลังบ้านที่ทำงานช้า ทุกวินาทีเหล่านั้นล้วนถูกคิดค่าใช้จ่าย

การย้ายถิ่นก็ไม่สมมาตรเช่นกัน

การย้ายจาก Eleven v3 ไปเป็น v4 คือการเปลี่ยน model-id พร้อมข้อควรระวัง: เสียงโคลนที่มีอยู่เดิมต้องฝึกใหม่ และ SSML ถูกแทนที่ด้วยแท็กเสียงแบบอินไลน์ ดังนั้นอะไรก็ตามที่สร้าง SSML จะต้องถูกเขียนใหม่ น่ารำคาญอยู่ แต่ก็จำกัดอยู่ภายในเลย์เยอร์ TTS ของคุณเท่านั้น

การย้ายจากอินทิเกรชัน Realtime ไปยัง GPT-Live-1 คือการสร้างใหม่ทั้งหมด เอนด์พอยต์ต่างกัน ความหมายของเซสชันต่างกัน หน่วยคิดค่าบริการต่างกัน และไม่มีตัวเชื่อมความเข้ากันได้ (compatibility shim) ต้องตั้งงบประมาณสำหรับเลเยอร์ออร์เคสเทรชัน ไม่ใช่แค่การสลับ — และโปรดทราบว่าแพลตฟอร์มเอเจนต์เสียงของบุคคลที่สามส่วนใหญ่ยังไม่ระบุ GPT-Live-1 เป็นผู้ให้บริการที่เลือกใช้ได้ ดังนั้นคุณอาจต้องเขียนตัวเชื่อมสำหรับ telephony เอง

การกำหนดเส้นทาง (routing) เปลี่ยนอะไรบ้างเกี่ยวกับการตัดสินใจนี้

ไม่ว่าคุณจะเลือกเส้นทางใด การตัดสินใจก็ไม่ใช่แบบทั้งหมดหรือไม่มีเลยสำหรับทั้งสแต็กของคุณ ชั้นเสียงเป็นส่วนเดียวที่ยังคงผูกกับผู้ขายรายใดรายหนึ่ง: OrcaRouter ไม่ให้บริการ GPT-Live-1 และโมเดลสังเคราะห์เสียงอย่าง Eleven v4 ก็เป็นสัญญาแยกต่างหากไม่ว่าคุณจะซื้อจากที่ไหน ส่วนสิ่งที่อยู่เบื้องหลังชั้นเสียงนั้นเป็นอีกเรื่องหนึ่ง — การเรียกใช้การให้เหตุผล โมเดลเรียกใช้เครื่องมือ และเส้นทางสำรองเมื่อผู้ให้บริการมีประสิทธิภาพลดลง ล้วนทำงานผ่านคีย์เดียวบน OrcaRouter ครอบคลุมโมเดลกว่า 200 รุ่น รวมถึง GPT-6 Astra, GPT-5.6 Terra และ GPT-5.6 Sol ซึ่งเป็นเทียร์ที่ GPT-Live-1 ส่งต่องานไปให้

การแยกส่วนนั้นคือเวอร์ชันที่นำไปใช้ได้จริงของการเปรียบเทียบนี้ เช่า “หู” จากเจ้าที่มีของดีที่สุดในไตรมาสนี้ และทำให้ “สมอง” สามารถกำหนดเส้นทางได้ เพื่อให้การลดราคา ระบบล่ม หรือโมเดลที่ดีกว่า ไม่ต้องแตะส่วนที่ผู้ใช้ของคุณได้ยิน ราคาตามรายการของผู้ให้บริการส่งผ่านโดยบวกเพิ่ม 0% ดังนั้นการลดราคาของผู้ขายในระดับการให้เหตุผลจะปรากฏในบิลของคุณในวันเดียวกับที่ประกาศ

เลือกตามลักษณะของการสนทนา

หากผู้ใช้ของคุณขัดจังหวะ แก้ไขคำพูดของตนเอง และคาดหวังให้เอเจนต์รู้ว่าควรหยุดพูดเมื่อใด GPT-Live-1 ที่ราคา $0.05 ต่อนาทีเป็นผลิตภัณฑ์ที่ดีกว่าและน่าจะเป็นการซื้อที่คุ้มกว่า — การจ่ายเพิ่มนั้นซื้อพฤติกรรมที่คุณไม่สามารถได้รับจากไปป์ไลน์ไม่ว่าจะราคาเท่าใด หากผู้ใช้ของคุณเป็นฝ่ายฟังมากกว่าพูด Eleven v4 หรือ v4 Turbo มีต้นทุนต่อคำที่ส่งมอบต่ำกว่า ควบคุมได้มากกว่า โคลนให้เข้ากับแบรนด์ของคุณได้ และเป็นคำตอบที่ถูกต้อง ส่วน 1334 Elo ถือเป็นโบนัสเพิ่มเติมจากสิ่งนั้น

โหมดความล้มเหลวที่ต้องหลีกเลี่ยงคือการเลือกจากอันดับบนตารางคะแนน 1334 ของ v4 กับ 83.2 ของ Live วัดสิ่งที่แตกต่างกันด้วยสเกลที่ต่างกัน และทีมที่เลือกระหว่างสองสิ่งนี้โดยอาศัยตัวเลขสองตัวนั้น ก็เท่ากับกำลังเลือกระหว่างไม้บรรทัดกับเทอร์โมมิเตอร์