GPT-Live-1 vs Gemini 3.5 Live Translate: นักอเนกประสงค์ที่เปิดใช้งานจริง ปะทะผู้เชี่ยวชาญแบบพรีวิว

สองโมเดลนี้ถูกนำมาเปรียบเทียบกันเพราะทั้งคู่ใส่เสียงแบบเรียลไทม์ไว้ใน API และการเปรียบเทียบนี้ก็พังทลายลงทันทีที่คุณอ่านการ์ดโมเดล GPT-Live-1 เป็นโมเดลเสียงแบบฟูลดูเพล็กซ์อเนกประสงค์ที่ Ope​nAI ย้ายเข้า API สำหรับนักพัฒนาเมื่อวันที่ 10 กันยายน 2026 สามเดือนหลังจากที่มันเปิดตัวภายใน ChatGPT เมื่อวันที่ 8 กรกฎาคม Gem​ini 3.5 Live Translate เป็นโมเดลแปลเสียงเป็นเสียงที่ทำหน้าที่เดียว ซึ่ง Goo​gle DeepMind เปิดตัวเมื่อวันที่ 9 มิถุนายน 2026 และ ID ของโมเดลยังมีคำว่า preview ติดอยู่ หนึ่งในสองตัวนี้คุณสามารถนำไปให้ลูกค้าที่จ่ายเงินใช้ได้ตั้งแต่วันนี้ภายใต้อัตราค่าบริการที่เผยแพร่แล้ว ส่วนอีกตัวหนึ่ง Goo​gle สามารถเปลี่ยนแปลงได้ขณะที่คุณใช้งานอยู่ โดยไม่มีประกาศเลิกสนับสนุน ความไม่สมมาตรนี้ต่างหาก ไม่ใช่ตารางผลเบนช์มาร์ก ที่ควรเป็นตัวกำหนดการเลือก

เครื่องสองเครื่องที่แตกต่างกันแต่สวมป้ายเดียวกัน

ควรพูดกันตรง ๆ ว่าสิ่งเหล่านี้ทับซ้อนกันน้อยแค่ไหน Gem​ini 3.5 Live Translate ทำหน้าที่แปลภาษา โดยรับเสียงแบบสตรีมมิ่งในภาษาหนึ่ง และส่งคืนเสียงแบบสตรีมมิ่งในอีกภาษาหนึ่ง โดยรักษาเสียงและโทนเสียงของผู้พูด ครอบคลุมมากกว่า 70 ภาษาและคู่ภาษามากกว่า 2,000 คู่ พร้อมการตรวจจับภาษาอัตโนมัติและการทำงานแบบสองทิศทาง มันไม่ได้สนทนา ไม่ได้เรียกใช้ฟังก์ชัน และไม่ได้ตอบคำถาม มันเป็นเครื่องยนต์แปลแบบพร้อมกัน

GPT-Live-1 มีรูปแบบตรงกันข้าม มันเป็นโมเดลเชิงสนทนา: ฟังและพูดพร้อมกัน ตัดสินใจหลายครั้งต่อวินาทีว่าจะฟังต่อ หยุดชั่วคราว ขัดจังหวะ หรือเรียกใช้เครื่องมือ และส่งงานหนัก — การค้นเว็บ การให้เหตุผลที่ลึกขึ้น งานแบบเอเจนต์ — ไปยังโมเดลให้เหตุผลแยกต่างหากผ่าน Responses API ในขณะที่การสนทนายังดำเนินต่อไป ตัวอย่าง WebRTC ที่ Ope​nAI เผยแพร่เองเชื่อมการมอบหมายนั้นเข้ากับ GPT-5.6 Terra การแปลเป็นหนึ่งในสิ่งที่มันทำได้; มันไม่ใช่คุณสมบัติที่โมเดลของ Goo​gle มีสิ่งที่เทียบเท่าใด ๆ ในทิศทางตรงกันข้าม

ดังนั้น คำถามในทางปฏิบัติจึงแคบกว่าที่การเปรียบเทียบแบบพาดหัวข่าวชวนให้คิด: ถ้าสิ่งที่คุณกำลังสร้างคือระบบล่าม โมเดลของ Google ถูกสร้างมาเพื่อจุดประสงค์นี้โดยเฉพาะ ส่วนของ OpenAI เป็นแบบอเนกประสงค์ หากสิ่งที่คุณกำลังสร้างคือวอยซ์เอเจนต์ที่แปลเป็นครั้งคราว GPT-Live-1 คือหนึ่งเดียวในสองตัวนี้ที่จัดอยู่ในหมวดหมู่ผลิตภัณฑ์ที่ถูกต้องเสียด้วยซ้ำ

แต่ละรายการมีค่าใช้จ่ายเท่าไรต่อนาทีของเสียง

นี่คือจุดที่ผู้เชี่ยวชาญคุ้มค่าที่จะจ้าง และการคำนวณนั้นยากลำบากอย่างแท้จริงสำหรับ Ope​nAI

GPT-Live-1 — $0.05 ต่อนาทีสำหรับเสียง โดยคิดค่าบริการเป็นรายวินาทีแทนการปัดขึ้นเป็นนาทีเต็มถัดไป ส่วนการให้เหตุผลและการเรียกใช้เครื่องมือที่ดำเนินการโดยแบ็กเอนด์ที่ได้รับมอบหมายจะคิดค่าบริการแยกต่างหากในอัตราปกติของโมเดลนั้น

• Gem​ini 3.5 Live Translate — $3.50 ต่อล้านโทเค็นอินพุตเสียง และ $21.00 ต่อล้านโทเค็นเอาต์พุตเสียง โดยคิดค่าบริการที่ 25 โทเค็นต่อวินาทีของเสียง เมื่อรวมกันแล้วจะอยู่ที่ประมาณ $0.037 ต่อนาทีของเสียงที่แปล

ในแง่นาทีการแปลล้วน ๆ Goo​gle ถูกกว่าประมาณหนึ่งในสี่ นั่นไม่ใช่ส่วนต่างเล็กน้อยจากการปัดเศษเมื่อใช้งานในระดับใหญ่: การแปลแบบล่าม 10,000 นาทีต่อเดือนมีค่าใช้จ่ายประมาณ $500 บนชั้นเสียงของ GPT-Live-1 เทียบกับประมาณ $368 บน Gem​ini 3.5 Live Translate และช่องว่างนี้เป็นของจริง ไม่ใช่ผลพลอยได้จากการเปลี่ยนแปลงวิธีคิดหน่วยวัด เพราะโมเดลทั้งสองคิดค่าบริการบนหน่วยที่นับต่างกันโดยแท้

มีข้อควรระวังในทิศทางตรงกันข้าม ราคาที่พาดหัวไว้ $0.05 สำหรับ GPT-Live-1 เป็นเพียงราคาของเลเยอร์เสียงเท่านั้น หากเอเจนต์ของคุณแปลและค้นหาข้อมูลบางอย่างไปด้วย หรือส่งประโยคที่ยากไปให้โมเดลด้านการให้เหตุผล คุณจะต้องจ่ายค่ามอบหมายงานนั้นเพิ่มด้วย และโมเดลที่รับมอบหมายนั้นคิดราคาต่อโทเคนเหมือนโมเดล frontier อื่น ๆ งานที่แปลอย่างเดียวไม่เคยกระตุ้นค่าใช้จ่ายนั้น ส่วนงานที่แปลบวกอย่างอื่นกระตุ้น และผู้ชนะของการเปรียบเทียบต่อนาทีก็ไม่ชัดเจนอีกต่อไป

ป้ายพรีวิวคือความเสี่ยงที่ไม่มีใครคิดรวมไว้ในราคา

ID ของโมเดล Gemini 3.5 Live Translate คือ gemini-3.5-live-translate-preview โดยเปิดตัวสู่ Gemini Live API และ Google AI Studio ในฐานะพรีวิวสาธารณะ และในเวลาเดียวกันก็เข้าไปในแอป Google Translate บน Android และ iOS รวมถึงพรีวิวแบบส่วนตัวใน Google Meet สำหรับลูกค้า Workspace บางราย คำว่าพรีวิวหมายถึงสิ่งที่มันเคยหมายถึงที่ Google เสมอ: ไม่มีการรับประกันความเสถียร ไม่มีกรอบเวลาการเลิกใช้งานที่ประกาศไว้ และไม่มีการรับปากว่าอัตราที่คุณจ่ายอยู่จะคงอยู่ต่อไปในการเปิดตัวครั้งถัดไป

สำหรับแอปสำหรับผู้บริโภคแล้ว นั่นก็โอเค สำหรับเวิร์กโหลดที่โมเดลนี้มุ่งเป้าไปที่จริง ๆ — การล่ามสดในคอลเซ็นเตอร์, ผลิตภัณฑ์สำหรับการประชุม, ผลิตภัณฑ์สำหรับการท่องเที่ยว — มันคือความเสี่ยงด้านการผสานรวมที่ใหญ่ที่สุดเพียงหนึ่งเดียวในสแต็ก คุณกำลังสร้างการพึ่งพาสำหรับโปรดักชันบนโมเดลที่ Google ยังไม่ได้ให้คำมั่นอย่างชัดเจน

GPT-Live-1 มีปัญหาตรงกันข้าม และมันเล็กกว่าแต่ไม่ใช่ศูนย์ มันพร้อมใช้งานทั่วไป ในอัตราที่ประกาศไว้ พร้อมเอนด์พอยต์ที่มีเอกสารประกอบ และมันจะไม่หายไป แต่พื้นผิว API ของมันแคบในแบบที่ทำให้ทีมที่คิดว่ามันเสียบเข้ากับการผสานรวม OpenAI ที่มีอยู่ได้ทันทีต้องประหลาดใจ: มีโมเดล ID เพียงหนึ่งเดียว เอนด์พอยต์เดียว และไม่มีเส้นทางผ่าน Chat Completions, Responses, Realtime, Batch, Assistants หรือ fine-tuning ทางเข้าเดียวคือเอนด์พอยต์ Live Sessions ที่ v1/live/sessions ผ่าน WebRTC โดยมีการจัดการเหตุการณ์บนแชนเนลข้อมูล นั่นคือการผสานรวมใหม่ ไม่ใช่การเปลี่ยนพารามิเตอร์

ภาษาต่าง ๆ และจุดที่ผู้รู้รอบด้านอ่อนกว่าจริง ๆ

จำนวนภาษาของ Google อยู่ที่กว่า 70 ภาษา พร้อมการรักษาเสียงและโทนเสียง เอกสารของ OpenAI เองกลับมั่นใจในความครอบคลุมของตัวเองน้อยลงอย่างเห็นได้ชัด โดยเอกสารเปิดตัวระบุว่าสำหรับบางภาษา โมเดลอาจมีสำเนียงที่ไม่ใช่เจ้าของภาษา หรือแสดงช่องว่างในความคล่องแคล่ว และไม่ได้เผยแพร่จำนวนภาษาที่แข่งขันกับ Google ได้

นั่นไม่ใช่ผู้ขายที่กำลังเล่นลิ้น — นั่นคือหน้าตาของโมเดลสนทนาแบบทั่วไปเมื่อเทียบกับผู้เชี่ยวชาญที่ฝึกมาเพื่องานนี้โดยเฉพาะ หากข้อเสนอคุณค่าของผลิตภัณฑ์คุณคือ "เราแปล 40 ภาษาได้ดี" ผู้เชี่ยวชาญคือทางเลือกที่ซื่อตรง และโมเดลทั่วไปจะทำให้คุณขายหน้าในหางยาว หากผลิตภัณฑ์ของคุณเป็น voice agent สำหรับตลาดที่พูดภาษาอังกฤษโดยมีฟีเจอร์แปลภาษาแปะไว้ ข้อจำกัดด้านภาษาของโมเดลทั่วไปก็จะไม่มีวันถูกหยิบยกขึ้นมา

ทั้งสองโมเดลใส่ลายน้ำให้เสียงที่สร้างขึ้นด้วย SynthID ซึ่งสำคัญหากคุณอยู่ในเขตอำนาจศาลหรือสัญญากับลูกค้าที่กำหนดให้ต้องมีที่มาของเสียงสังเคราะห์ อันนั้นเสมอกัน

จุดที่สถาปัตยกรรมการมอบหมายเปลี่ยนการบิลด์

ความแตกต่างเชิงโครงสร้างระหว่างสองสิ่งนี้คือ GPT-Live-1 จริง ๆ แล้วเป็นโมเดลสองตัวที่มีรอยต่ออยู่ตรงกลาง เลเยอร์เสียงทำให้บทสนทนายังคงดำเนินอยู่ ส่วนโมเดลการให้เหตุผลแยกต่างหากทำหน้าที่คิด รอยต่อนั้นคือจุดที่ความพยายามด้านวิศวกรรมของคุณต้องลงไป และยังเป็นจุดที่โมเดลต้นทุนเริ่มซับซ้อนอีกด้วย

เป็นเรื่องที่ควรรู้ว่าครึ่งส่วนที่ถูกมอบหมายไปนั้นเป็นโมเดลข้อความธรรมดาที่คุณกำหนดเส้นทางได้เหมือนโมเดลอื่น ๆ GPT-5.6 Terra ซึ่งเป็นแบ็กเอนด์ในตัวอย่างของ OpenAI เอง ให้บริการผ่าน OrcaRouter ในอัตรา2.00 ดอลลาร์ต่ออินพุตหนึ่งล้านโทเคน และ 12.00 ดอลลาร์ต่อเอาต์พุตหนึ่งล้านโทเคน โดยมีหน้าต่างบริบทขนาด 1 ล้านโทเคน และเปิดให้ใช้ทั้ง /v1/chat/completions และ /v1/responses หากคุณต้องการสลับสมองการให้เหตุผลที่อยู่เบื้องหลังเอเจนต์เสียง — ไปใช้โมเดลที่ถูกกว่าสำหรับการสนทนาง่าย ๆ หรือโมเดลที่แข็งแกร่งกว่าสำหรับการส่งต่อเรื่อง — ครึ่งหนึ่งของสแตกนี้ก็มีตัวเลือก เพราะมันคือการเรียก API ธรรมดาที่อยู่เคียงข้างโมเดลอื่นอีกราว 190 โมเดลบนคีย์เดียว.

ส่วนของเสียงไม่ได้เป็นเช่นนั้น GPT-Live-1 ไม่ได้อยู่บน OrcaRouter และ Gem​ini 3.5 Live Translate ก็ไม่เช่นกัน ทั้งคู่มีให้ใช้เฉพาะจากผู้จำหน่ายที่สร้างมันขึ้นมาเท่านั้น จุดที่เราเตอร์พิสูจน์คุณค่าในสถาปัตยกรรมแบบนี้คือทุกอย่างที่อยู่ปลายน้ำของเสียง ได้แก่ โมเดลข้อความที่ทำหน้าที่ค้นคืนข้อมูล สรุปความ เขียนข้อมูลกลับเข้า CRM และส่งต่อเรื่อง ซึ่งเป็นครึ่งหนึ่งของค่าใช้จ่ายที่คุณสามารถรวมให้เหลือคีย์เดียวและใบแจ้งหนี้เดียวได้จริง

จริง ๆ แล้วควรเลือกอะไร

• เลือก Gemini 3.5 Live Translate หากการแปลคือผลิตภัณฑ์ ราคาต่อनาทีสำคัญกว่าความเสถียรของสัญญา และคุณรับมือกับการที่โมเดลพรีวิวเปลี่ยนแปลงไปข้างใต้คุณได้ ตั้งงบประมาณไว้ที่ประมาณ $0.037 ต่อนาที และเก็บ abstraction layer ไว้เหนือการเรียกใช้งาน เพื่อให้โมเดล GA มาแทนที่ได้โดยไม่ต้องเขียนใหม่

• เลือก GPT-Live-1 หากคุณต้องการเอเจนต์สนทนาที่บังเอิญแปลภาษาได้ด้วย หากคุณต้องการการเรียกใช้ฟังก์ชันและการใช้เครื่องมือภายในลูปเสียง หรือหากทีมจัดซื้อจัดจ้างจะถามว่าเกิดอะไรขึ้นเมื่อโมเดลนี้ถูกยกเลิก และคุณต้องการคำตอบที่ดีกว่า "ก็คงไม่มีอะไร มั้ง"

• อย่าเลือกอันใดอันหนึ่งเพียงเพราะมันชนะเบนช์มาร์ก เบนช์มาร์กของทั้งสองฝ่ายไม่สามารถเปรียบเทียบกันได้ — ตัวเลขฟูลดูเพล็กซ์ของ Ope​nAI เป็นข้อมูลของบริษัทเอง ไม่มีบุคคลที่สามรายใดทำซ้ำได้ และข้อกล่าวอ้างด้านภาษาของ Goo​gle ยังไม่ได้รับการทดสอบเทียบกับโมเดลอเนกประสงค์บนชุดเสียงเดียวกัน

หมายเหตุเชิงมองไปข้างหน้าประการหนึ่ง: พื้นผิวทั้งสองกำลังบรรจบกันมากกว่าจะปะทะกัน โมเดลการแปลของ Goo​ogle อยู่ใน Gem​ini Live แล้ว และชั้นเสียงของ GPT-Live-1 ถูกออกแบบไว้อย่างชัดเจนให้รองรับการนำโมเดลระดับแนวหน้าใหม่ ๆ มาวางไว้เบื้องหลัง ความคาดหวังที่สมเหตุสมผลคือภายในไม่กี่รอบการออกรุ่น การแปลของโมเดลเอนกประสงค์จะดีขึ้น และเรื่องการผสานรวมของโมเดลเฉพาะทางจะมีความเสี่ยงน้อยลง หากคุณกำลังสร้างในวันนี้และการตัดสินใจนั้นสูสี นั่นเป็นข้อสนับสนุนให้เลือกตัวเลือกที่ถูกกว่าและเปลี่ยนแทนได้ง่ายกว่า และให้แยกเส้นทางเสียงไว้หลังอินเทอร์เฟซไม่ว่าจะเลือกทางใด