Guides & Insights

{{1}}GPT-Live-1{{/1}} vs {{2}}Grok Voice Think Fast 2.0{{/2}}: เสียง API สองตัวที่เคลื่อนไปในทิศทางราคาตรงกันข้าม

ผู้เขียน

Alistair Wren

วันที่เผยแพร่

Sep 10, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

ข้อเท็จจริงที่มีประโยชน์ที่สุดเกี่ยวกับการจับคู่นี้คือทิศทาง ไม่ใช่ตัวเลข เมื่อ xAI เปิดตัว Grok Voice Think Fast 2.0 ในปลายเดือนกรกฎาคม 2026 มันเพิ่มอัตราค่าเสียงต่อนาทีขึ้น 60% จาก $0.05 ที่ Think Fast 1.0 เรียกเก็บ เป็น $0.08 หกสัปดาห์ต่อมา ในวันที่ 10 กันยายน 2026 OpenAI ได้นำ GPT-Live-1 เข้าสู่ developer API ในราคาเดียวกับที่ xAI เพิ่งทิ้งไปพอดี นั่นทำให้คุณได้เจอสถานการณ์ที่หาได้ยาก ซึ่ง API เสียงแบบ full-duplex ชั้นนำสองตัวสามารถเปรียบเทียบราคากันได้โดยตรง และผู้เข้ามาใหม่กว่าคือตัวที่ถูกกว่า — ขณะที่โมเดลที่เก่ากว่าและแพงกว่าคือตัวที่มีคะแนน benchmark จากบุคคลที่สามรองรับอยู่

บัญชีแยกประเภท ก่อนการวัดประสิทธิภาพใด ๆ

ทั้งสองอย่างนี้เป็นโมเดลเสียงเป็นเสียงที่สร้างมาสำหรับงานในลักษณะการสนทนาทางโทรศัพท์: การสนทนาแบบเรียลไทม์กับลูกค้า การขัดจังหวะ การเรียกใช้เครื่องมือ และค่าบริการที่คิดเป็นนาที นอกเหนือจากนั้น ทั้งสองก็แตกต่างกันอย่างรวดเร็ว

• ราคาต่อนาทีของเสียง — GPT-Live-1 $0.05 เทียบกับ Grok Voice Think Fast 2.0 $0.08

• หน่วยการคิดค่าบริการ — GPT-Live-1 คิดค่าบริการเป็นรายวินาที โดยไม่ปัดขึ้นเป็นนาทีเต็มถัดไป; Grok Voice Think Fast 2.0 คิดราคาต่อนาทีของเสียง และคิดเป็นประมาณ $4.80 ต่อชั่วโมง

• การเปิดตัว — GPT-Live-1 เปิดตัวภายใน ChatGPT เมื่อวันที่ 8 กรกฎาคม 2026 และเปิดให้ใช้งานผ่าน API เมื่อวันที่ 10 กันยายน 2026; Grok Voice Think Fast 2.0 ถูกประกาศเปิดตัวราววันที่ 29–30 กรกฎาคม 2026 ซึ่งประมาณสามเดือนหลังจาก Think Fast 1.0

• เอนด์พอยต์ — GPT-Live-1 เป็น Live Sessions เท่านั้น ที่ v1/live/sessions ผ่าน WebRTC; Grok Voice Think Fast 2.0 ทำงานบน Speech-to-Speech API ของ xAI ผ่านทั้ง WebSocket และ WebRTC

• ขอบเขตเครื่องมือ — GPT-Live-1 ส่งต่องานไปยังโมเดลการให้เหตุผลเบื้องหลังผ่าน Responses API; Grok Voice Think Fast 2.0 มีการค้นหาเว็บ การค้นหา X การค้นหาไฟล์ เซิร์ฟเวอร์ MCP และฟังก์ชันฝั่งไคลเอนต์ที่ใช้ได้ภายในเซสชัน

• ความสามารถในการพกพาเสียง — GPT-Live-1 ใช้ชุดเสียง 12 เสียงที่รีมาสเตอร์ใหม่ของ OpenAI; Grok Voice Think Fast 2.0 รองรับเสียงในตัวและเสียงแบบกำหนดเอง

แนวทาง WebSocket ดูเล็กกว่าที่เห็น และสำคัญกว่าที่ควรจะเป็น โครงสร้างพื้นฐานด้านโทรศัพท์จำนวนมาก — ระบบท่อส่งสตรีมมีเดียภายในผลิตภัณฑ์ CPaaS ส่วนใหญ่ — ใช้ WebSocket ไม่ใช่ WebRTC Grok Voice Think Fast 2.0 เข้าหาโครงสร้างพื้นฐานนั้นตรงจุดที่มันเป็นอยู่ ส่วน GPT-Live-1 ไม่เป็นเช่นนั้น และการไปให้ถึง WebRTC จากเส้นทางการโทรที่ใช้ WebSocket เท่านั้นเป็นงานวิศวกรรมจริง ๆ ไม่ใช่แค่แฟล็กกำหนดค่า

A two-column comparison scoreboard titled 'GPT-Live-1 vs Grok Voice Think Fast 2.0 - the scoreboard'. The GPT-Live-1 column lists Price $0.05 / minute; Price direction new entrant at $0.05; Transport WebRTC only; Quality evidence vendor-run, unreproduced; Tool calling delegated to backend model; Model ID single fixed ID. The Grok Voice Think Fast 2.0 column lists Price $0.08 / minute; Price direction raised 60% from $0.05; Transport WebSocket + WebRTC; Quality evidence 82.9 third-party speech index; Tool calling in-session search, MCP, functions; Model ID versioned ID plus floating alias. A footer reads 'Grok quality figure is a third-party index; GPT-Live-1 benchmarks are OpenAI's own and unreproduced.'

ความไม่สมดุลของ benchmark ต่างหากคือประเด็นที่แท้จริง

นี่คือจุดที่การเปรียบเทียบไม่ใช่การเสมอตัวอีกต่อไป และเป็นจุดที่งานเขียนส่วนใหญ่มองกลับตาลปัตร ด้วยการถือว่าตัวเลขทั้งสองชุดเป็นหลักฐานแบบเดียวกัน

คะแนนไฮไลต์ของ Grok Voice Think Fast 2.0 มาจาก Speech-to-Speech Quality Index ของ Artificial Analysis ซึ่งเป็นการวัดโดยบุคคลที่สามที่ให้คะแนนโมเดลอยู่ที่ 82.9% เพิ่มขึ้นจาก 75.7% ในเวอร์ชัน 1.0 แซงหน้า GPT-Realtime-2.1 ที่ 79.1% และ Gemini 3.1 Flash ที่ 69.5% xAI ยังรายงานว่าคว้าอันดับหนึ่งบน τ-voice Bench สำหรับพฤติกรรมแบบเอเจนต์ที่ 56.5% แซงหน้า GPT-Realtime-2.1 ที่ 45.7% ทั้งหมดนี้เป็นการวัดที่ดำเนินการจากภายนอกต่อโมเดลของ xAI

คะแนนเด่นของ GPT-Live-1 นั้นเป็นของ OpenAI เอง บริษัทรายงานว่ามีความสามารถโต้ตอบแบบฟูลดูเพล็กซ์ 80.1% เทียบกับ 45.4% ของ GPT-Realtime-2.1 ความหน่วงในการผลัดกันพูดลดลงจาก 1.4 วินาทีเหลือ 0.8 วินาที และความแม่นยำในการเรียกใช้เครื่องมือเพิ่มขึ้นจาก 60% เป็น 87% ตัวเลขทุกตัวเหล่านั้นเป็นข้อมูลที่ผู้ขายรายงานเอง ยังไม่ได้รับการทำซ้ำโดยห้องปฏิบัติการอิสระ และเป็นการเปรียบเทียบโมเดลใหม่ของ OpenAI กับโมเดลก่อนหน้าของ OpenAI เอง มากกว่าจะเปรียบเทียบกับคู่แข่ง

นั่นไม่ใช่เหตุผลที่จะปัดทิ้งตัวเลขเหล่านั้น — ทิศทางที่มุ่งไปสอดคล้องกับสิ่งที่ผู้ใช้งานช่วงแรกรายงาน — แต่มันหมายความว่าการเปรียบเทียบข้ามผู้ให้บริการเพียงรายการเดียวที่มีอยู่ในปัจจุบันสนับสนุนโมเดลของ xAI ในการทดสอบที่ดำเนินการอย่างอิสระ ขณะที่ตัวเลขเพียงตัวเดียวที่มีอยู่สำหรับข้อได้เปรียบด้านความหน่วงของ OpenAI ก็เป็นของ OpenAI เอง อย่าถือว่า 0.8 วินาทีและ 0.70 วินาทีเป็นการแข่งขันที่แท้จริง มีเพียงหนึ่งในสองตัวเลขนั้นเท่านั้นที่ถูกวัดโดยคนที่ไม่มีส่วนได้ส่วนเสียกับผลลัพธ์

A screenshot of OpenAI's official GPT-Live 1 API model documentation page, showing the model name 'GPT-Live 1', the price '$0.05 per minute', the note that 'Session duration is not rounded up to the next whole minute' and that 'Backend Responses calls use the normal pricing for the configured model and tools', text and audio shown as input and output with image and video marked 'Not supported', and the endpoint list showing only 'Live v1/live/sessions' active while Chat Completions, Responses and Realtime are struck through.

กับดักนามแฝง และเหตุใดการขึ้นราคาจึงทำให้ผู้คนไม่ทันตั้งตัว

การเพิ่มขึ้น 60% คงเป็นเพียงข้อผิดพลาดจากการปัดเศษในบันทึกการออกรุ่นส่วนใหญ่ หาก xAI ไม่ได้หมุนเวียนมันผ่าน alias ด้วย แอปพลิเคชันที่ชี้ไปยัง alias grok-voice-latest ได้สืบทอดทั้งโมเดลใหม่และอัตราที่สูงขึ้นโดยอัตโนมัติเมื่อวันที่ 5 สิงหาคม 2026 เว้นแต่จะได้ปักหมุด grok-voice-think-fast-1.0 ไว้อย่างชัดเจน นั่นเป็นการตัดสินใจด้านการออกแบบที่ควรค่าแก่การทำความเข้าใจมากกว่าจะเป็นการบ่น: floating alias ให้การอัปเกรดฟรีแก่คุณ และยังเปลี่ยนเศรษฐศาสตร์ต่อหน่วยของคุณโดยไม่ถาม

วิธีแก้ที่ชัดเจนนั้นอ่อนแอกว่าที่เห็น Grok Voice Think Fast 1.0 — โมเดลที่ราคา $0.05 ต่อนาที เปิดตัวเมื่อวันที่ 23 เมษายน 2026 — ตอนนี้ถูกระบุว่าล้าสมัยในรายการโมเดลของ xAI เอง การปักหมุดเวอร์ชันนี้ช่วยป้องกันคุณจากการอัปเกรดอัตโนมัติ และมันซื้อเวลาให้คุณ มากกว่าจะเป็นเส้นทางที่ถูกกว่าถาวร เพราะโมเดลที่ล้าสมัยมีวันปลดระวางอยู่ในอนาคตข้างหน้า วางแผนการย้ายระบบตามกำหนดการของคุณเอง แทนที่จะเป็นตามกำหนดการของชื่อแทน

พื้นผิวราคาเองก็ควรค่าแก่การอ่านอย่างละเอียดก่อนที่คุณจะตัดสินใจเลือกตัวเลขใด ๆ หน้าโมเดลของ xAI ระบุอัตราตามเวอร์ชันไว้อย่างชัดเจน — grok-voice-think-fast-2.0 อยู่ที่ $0.08 ต่อนาทีของเสียง, $4.80 ต่อชั่วโมง บวกอีก $0.004 ต่อข้อความอินพุต — ในขณะที่การ์ด Voice API อีกใบที่แยกต่างหากบนหน้าเดียวกันโฆษณาราคาสำหรับเอเจนต์ว่า "เริ่มต้นที่ $0.05 ต่อนาที" ซึ่งเป็นจุดเริ่มต้นมากกว่าจะเป็นอัตราที่โมเดล 2.0 เรียกเก็บจริง หากการวางแผนขีดความสามารถของคุณอิงจากตัวเลขการตลาด คุณจะประเมินต่ำไปราว 60%

โมเดลของ OpenAI ไม่มีปัญหานี้ในรูปแบบเดียวกัน เพราะไม่มีอะไรให้ลอยไปหา GPT-Live-1 มี ID โมเดลเพียงหนึ่งเดียวคือ gpt-live-1 ซึ่งเป็นสแนปช็อตเริ่มต้นของตัวเองเช่นกัน — ไม่มีเวอร์ชันที่ระบุวันที่ให้ปักหมุดได้ ดังนั้นจึงไม่มีนามแฝงที่สามารถเปลี่ยนทั้งโมเดลหรือราคาได้อย่างเงียบ ๆ ข้อแลกเปลี่ยนคือคุณไม่สามารถตรึงพฤติกรรมที่รู้ว่าดีและใช้มันต่อไปในขณะที่ของใหม่กำลังเข้าที่เข้าทางได้เช่นกัน

ทั้งสองโมเดลคิดค่าบริการเลเยอร์การให้เหตุผลแยกจากเลเยอร์เสียง และนี่คือจุดที่อัตราที่โฆษณาไว้ไม่ใช่ค่าใช้จ่ายทั้งหมดอีกต่อไป การเรียก Responses ที่ถูกมอบหมายของ GPT-Live-1 จะถูกคิดค่าบริการตามอัตราต่อโทเค็นปกติของโมเดลแบ็กเอนด์ที่กำหนดค่าไว้ xAI คิดเพิ่ม $0.004 ต่ออินพุตข้อความในเซสชันเสียง บวกกับค่าเรียกใช้เครื่องมือ ค่าหมายเลขโทรศัพท์ที่จัดสรรไว้ประมาณ $0.01 ต่อนาทีในกรณีที่คุณจำเป็นต้องใช้ ค่าโทรศัพท์และค่าพื้นที่จัดเก็บ เกินจากอัตราเสียงต่อนาที วอยซ์เอเจนต์ที่ฟังเป็นส่วนใหญ่และค้นหาอะไรบางอย่างเป็นครั้งคราวจะมีค่าใช้จ่ายใกล้เคียงกับอัตราที่โฆษณาไว้ ส่วนตัวที่เรียกใช้เครื่องมือทุกเทิร์นจะไม่เป็นเช่นนั้น และทั้งสองจะไม่ได้เบี่ยงเบนไปในทิศทางเดียวกัน เพราะการออกแบบแบ็กเอนด์แบบมอบหมายและการออกแบบเครื่องมือในเซสชันเผาผลาญโทเค็นในจุดที่ต่างกัน

ในฝั่งของเรา เหตุผลที่การเปลี่ยนแปลงอัตราค่าบริการต่อนาทีควรค่าแก่การจับตาดูอย่างใกล้ชิดก็คือ OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม เมื่อผู้ให้บริการปรับอัตราที่ประกาศไว้ ตัวเลขในฝั่งของเราก็จะเปลี่ยนตามในวันเดียวกัน แทนที่จะเป็นรอบสัญญาถัดไป

A screenshot of xAI's developer Models documentation page, showing a Voice API card with an agent price of 'Starting at $0.05 / min' alongside Text to Speech at $15.00 / 1M chars and Speech to Text at $0.10 / hour batch and $0.20 / hour streaming, plus a Grok 4.6 card listing a 500k-token context with $2.00 / 1M input and $6.00 / 1M output tokens, and an Imagine API card for image and video generation.

delegation split ทำให้คุณต้องเสียต้นทุนด้านวิศวกรรมอะไรบ้าง

ถ้าคุณกำลังเลือกระหว่างสองสิ่งนี้โดยดูที่สถาปัตยกรรม ไม่ใช่ที่ราคา คำถามที่ชี้ขาดก็คือรอยต่อนั้นอยู่ตรงไหน

โมเดลของ xAI เก็บเครื่องมือไว้ภายในเซสชัน ซึ่งทำให้การให้เหตุผลง่ายขึ้น — การเชื่อมต่อหนึ่งครั้ง บทสนทนาหนึ่งครั้ง และจุดเดียวที่การเรียกฟังก์ชันเกิดขึ้น — และหมายความว่าโมเดลสามารถตัดสินใจกลางประโยคได้ว่าต้องค้นหา แล้วพูดต่อไปขณะที่รอ

โมเดลของ OpenAI ผลักงานส่วนนั้นออกไป ชั้นเสียงคอยทำให้บทสนทนายังดำเนินอยู่ และส่งต่อภารกิจให้โมเดลการให้เหตุผลอีกลูกหนึ่งผ่าน Responses API ซึ่งหมายความว่านิยามเครื่องมือ การดึงข้อมูล และตรรกะทางธุรกิจของคุณ จะอยู่ในรูปแบบการเชื่อมต่อกับโมเดลข้อความธรรมดา แทนที่จะอยู่ในสตรีมเหตุการณ์ของเซสชัน นี่คือชิ้นส่วนที่ต้องขยับมากกว่าเดิม และยังพอร์ตได้ง่ายกว่าเดิมด้วย: ครึ่งที่ถูกมอบหมายออกไปคือการเรียก API ธรรมดา ๆ ที่คุณสามารถสลับ กำหนดราคา และทำ failover ได้อย่างเป็นอิสระจากชั้นเสียง

เรื่องนี้สำคัญด้วยเหตุผลเพียงข้อเดียว ทั้ง GPT-Live-1 และ Grok Voice Think Fast 2.0 ต่างไม่มีผู้ให้บริการรายอื่นนอกจากผู้จำหน่ายของตัวเอง — ทั้งคู่มาจากแหล่งเดียว และเราเตอร์ช่วยคุณในส่วนเสียงไม่ได้ สิ่งที่เราเตอร์ทำได้คือรวมส่วนที่คุณเลือกได้จริงให้เป็นหนึ่งเดียว GPT-5.6 Terra ซึ่งเป็นแบ็กเอนด์ในตัวอย่างการมอบหมายงานของ OpenAI เอง มีให้ใช้งานผ่าน OrcaRouter ในราคา$2.00 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $12.00 ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น โดยมีทั้ง /v1/chat/completions และ /v1/responses เปิดให้ใช้งาน พร้อมกับโมเดลอื่นอีกราว 190 รายการบนคีย์เดียว. หากเอเจนต์เสียงของคุณเรียกใช้โมเดลสำหรับการให้เหตุผลในแต่ละเทิร์น นั่นคือรายการค่าใช้จ่ายที่สามารถใช้ประโยชน์จากการจัดเส้นทางได้

คำตัดสิน แยกตามปริมาณงาน

• เลือก GPT-Live-1 หากข้อจำกัดคือราคาต่อนาที หากเส้นทางการโทรของคุณรองรับ WebRTC อยู่แล้ว หรือหากคุณต้องการให้สมองที่คิดวิเคราะห์อยู่เบื้องหลังเสียงเป็นโมเดลข้อความที่สลับเปลี่ยนได้ แทนที่จะเป็นส่วนที่ตายตัวของเซสชัน

• เลือก Grok Voice Think Fast 2.0 หากคุณต้องการคุณภาพที่ผ่านการตรวจสอบยืนยันอย่างอิสระก่อนตัดสินใจ หากสแต็กโทรศัพท์ของคุณเป็นแบบ WebSocket-native หรือหากเครื่องมือที่ใช้ภายในเซสชัน — โดยเฉพาะการค้นหา X — เป็นหัวใจสำคัญของผลิตภัณฑ์มากกว่าเป็นเพียงส่วนประกอบเสริม

• คอยจับตาดู alias ไว้ หากคุณใช้งาน xAI อยู่แล้ว การปักหมุด model ID ที่ระบุเวอร์ชันไว้คือสิ่งเดียวที่ขวางกั้นคุณจากการเปลี่ยนแปลงอัตราโดยอัตโนมัติครั้งถัดไป และวินัยแบบเดียวกันนี้ก็ควรนำไปใช้กับทุกที่ที่มี alias แบบลอยตัวปรากฏขึ้น

สรุปที่น่าอึดอัดคือ โมเดลที่ถูกกว่าคือตัวที่ไม่มีหลักฐานจากบุคคลที่สามรองรับ ส่วนโมเดลที่มีเอกสารประกอบดีกว่าคือตัวที่เพิ่งมีราคาแพงขึ้น 60% ถ้าคุณอยู่ในช่วงต้นของการพัฒนามากพอที่ยังไม่ล็อกการผสานรวมใด ๆ ทางเลือกที่มีความเสี่ยงต่ำสุดคือทำต้นแบบกับทั้งสองแบบ — เส้นทางเสียงไม่ว่าจะทางไหนก็มีแค่ไม่กี่ร้อยบรรทัด — แล้วให้คุณภาพทรานสคริปต์ของคุณเองเป็นตัวตัดสิน เพราะหลักฐานสาธารณะในตอนนี้ยังไม่อาจชี้ขาดเรื่องนี้ได้

{{1}}GPT-Live-1{{/1}} vs {{2}}Grok Voice Think Fast 2.0{{/2}}: เสียง API สองตัวที่เคลื่อนไปในทิศทางราคาตรงกันข้าม

บัญชีแยกประเภท ก่อนการวัดประสิทธิภาพใด ๆ

ความไม่สมดุลของ benchmark ต่างหากคือประเด็นที่แท้จริง

กับดักนามแฝง และเหตุใดการขึ้นราคาจึงทำให้ผู้คนไม่ทันตั้งตัว

delegation split ทำให้คุณต้องเสียต้นทุนด้านวิศวกรรมอะไรบ้าง

คำตัดสิน แยกตามปริมาณงาน

ผลิตภัณฑ์

ทรัพยากร

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล