
Realtime 1 กับ Realtime Venus: เช่าวอยซ์เอเจนต์หรือเป็นเจ้าของในราคาเท่ากับ GPU
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0711 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 182 tok/s
ทุกอย่างเกี่ยวกับการเปรียบเทียบนี้ขึ้นอยู่กับประโยคหนึ่งในไฟล์สัญญาอนุญาต Realtime Venus เป็น Apache 2.0 — โมเดล 9B ที่คุณดาวน์โหลด รันบน A100 ของตัวเอง และไม่ต้องจ่ายรายนาทีอีกต่อไป MAI Realtime 1 ซึ่ง Microsoft ประกาศเมื่อวันที่ 17 พฤศจิกายน 2026 เป็น API แบบโฮสต์ในราคา $0.01 ต่อนาทีเสียง โดยมีระดับการให้เหตุผลที่คิดราคาตามโทเคนอยู่เบื้องหลัง และมี Foundry preview ที่ไม่คิดเงินจนถึง public preview หนึ่งในนี้มีราคาต่อการเรียกใช้ อีกอันมีราคาต่อชั่วโมง GPU การนำมาเปรียบเทียบกันบนตารางราคาเป็นความผิดพลาดเชิงหมวดหมู่ ซึ่งเป็นเหตุผลว่าทำไมบทความเกือบทุกชิ้นเกี่ยวกับ hosted voice กับ open weights จึงผิดพลาดในจุดเดียวกัน
คำถามที่ใช่คือ แต่ละตัวมีต้นทุนในการให้บริการที่ปริมาณการใช้งานของคุณเท่าไร และแต่ละตัวทำอะไรได้จริงบ้าง — และตรงจุดนี้ การเปรียบเทียบกลับด้าน: ตัวเลขของโมเดลเปิดมาพร้อมเปเปอร์ที่อธิบายฮาร์เนส ขณะที่ตัวเลขของตัวที่ให้บริการแบบโฮสต์มาจากหน้ารายละเอียดโมเดลซึ่งมีตัวเลขความแม่นยำเพียงค่าเดียว การกลับด้านนี้แหละคือเรื่องราว
แต่ละอันจริง ๆ แล้วคืออะไร
Realtime Venus มาจาก inclusionAI และมีเอกสารอธิบายใน arXiv 2609.13814 โดยให้เครดิตแก่ทีม Venus ของ Ant Group และมหาวิทยาลัยชิงหัว โดยเอกสารลงวันที่กันยายน 2026 เปิดตัวเป็นเช็กพอยต์สองรายการ ได้แก่ Realtime-Venus-Omni ซึ่งเป็นโมเดลเสียง-ภาพขนาด 9B ที่ดัดแปลงจาก MiniCPM-o 4.5 เฝ้าดูและฟังอย่างต่อเนื่อง ตัดสินใจได้เองว่าเมื่อใดควรพูด และส่งออกข้อความและเสียงบนไทม์ไลน์เดียวกัน และ Realtime-Venus-Audio ซึ่งเป็นโมเดลเสียงอย่างเดียวขนาด 9B บนโครงสร้างสตรีมมิ่งเดียวกัน ทั้งสองใช้ Whisper-Medium เป็นตัวเข้ารหัสเสียง Qwen3-8B เป็นแกนภาษาหลัก โทเคนเสียง S3 แบบไม่ต่อเนื่องพร้อมตัวถอดรหัส flow-matching แบบสตรีมมิ่ง บริบท 40,960 โทเคน น้ำหนัก BF16 และมีภาษาอังกฤษกับภาษาจีนเป็นภาษาที่รองรับ
MAI Realtime 1 เป็นโมเดลแปลงเสียงเป็นเสียงตัวแรกของ Microsoft เป็นระบบสองชั้นที่ให้บริการแบบโฮสต์: เส้นทางการสนทนาที่รวดเร็วในราคา 1 เซนต์ต่อนาที และเอนจินการให้เหตุผลในราคา $1.00 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $5.00 ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น ซึ่งเทิร์นที่ยากกว่าจะถูกส่งต่อไปยังเอนจินนี้ ไม่มีรายละเอียดสถาปัตยกรรม ไม่มีจำนวนพารามิเตอร์ ไม่มีรายการภาษา ตัวเลขความแม่นยำที่เผยแพร่เพียงตัวเดียวคือ 98.8% บน Big Bench Audio บนหน้าของโมเดลเอง ดำเนินการโดยผู้จำหน่ายและยังไม่มีการทำซ้ำ — ซึ่งเป็นภาพตรงกันข้ามกับสถานการณ์ด้านล่าง ที่ห้องแล็บที่เล็กกว่าวางวิธีการประเมินไว้ในเปเปอร์ที่ใครก็อ่านได้
• น้ำหนักโมเดล — Realtime Venus Apache 2.0 ดาวน์โหลดได้ มีเช็กพอยต์ 9B สองตัว; MAI Realtime 1 เป็นแบบปิด เข้าถึงเวอร์ชันพรีวิวได้โดยลงทะเบียน
• ภาษา — Realtime Venus ระบุภาษาอังกฤษและภาษาจีนอย่างชัดเจน; MAI Realtime 1 ไม่ระบุ
• บริบท — Realtime Venus 40,960 โทเค็น; MAI Realtime 1 ยังไม่เผยแพร่
ฮาร์ดแวร์ — Realtime Venus ต้องใช้ A100 สำหรับเดโมแบบ duplex เรียลไทม์; MAI Realtime 1 ไม่ต้องใช้อะไรนอกจากคีย์
• โมดัลลิตี — Realtime Venus Omni รับวิดีโอและเสียงแบบสตรีมมิ่ง; MAI Realtime 1 เป็นการสื่อสารแบบเสียงต่อเสียง
• รูปแบบราคา — Realtime Venus คิดตาม GPU-ชั่วโมง ตลอดไป; MAI Realtime 1 คิดตามนาทีเสียง บวกโทเค็นการให้เหตุผล
ตัวเลขที่ Realtime Venus เผยแพร่ และความหมายของตัวเลขเหล่านั้น
บทความนี้เจาะจงอย่างผิดปกติเกี่ยวกับ{{1}}พฤติกรรมแบบฟูลดูเพล็กซ์{{/1}} ซึ่งเป็นส่วนที่โมเดลเสียงส่วนใหญ่ปล่อยไว้คลุมเครือ:
• การตอบสนองเมื่อถูกขัดจังหวะ — 75% ของการขัดจังหวะจากผู้ใช้ได้รับการตอบสนอง บน Full-Duplex-Bench v1.5
• การต่อเนื่องหลังจากแบ็กแชนเนล — 97%
• การพูดต่อเมื่อคำพูดถูกส่งไปที่อื่น — 88%
• การพูดต่อภายใต้เสียงพูดพื้นหลัง — 86%
• ข้อกล่าวอ้างของผู้เขียน — ที่ว่าสิ่งเหล่านี้ "ทำได้เหนือกว่า Gemini 3.1 Live และ GPT-4o ในเมตริกการต่อเนื่องทั้งสามรายการ" โปรดสังเกตเป้าหมายการเปรียบเทียบ: Gemini 3.1 Live ซึ่ง Google ขณะนี้จัดเป็น legacy แล้ว โดยหันไปสนับสนุน 3.8 Live และ GPT-4o ทั้งสองไม่ใช่แนวหน้าปัจจุบัน ดังนั้นชัยชนะนี้เป็นเรื่องจริง แต่เกณฑ์ที่ใช้วัดนั้นเก่าไปหนึ่งรุ่นแล้ว
ในด้านความเข้าใจ Realtime-Venus-Audio นำกลุ่มเปรียบเทียบของตนใน MMAU ที่ 78.0%, MMAU-Pro ที่ 63.2%, Llama Questions ที่ 83.8% และ Speech CMMLU ที่ 67.8% และเสมอกับคะแนน VoiceBench AlpacaEval สูงสุดที่ 4.81 Realtime-Venus-Omni ดีที่สุดในบรรดาโมเดลออนไลน์ที่ได้รับการประเมินบนเบนช์มาร์กวิดีโอหกจากแปดรายการ รวมถึง StreamingBench ที่ 70.2%, OVO-Bench ที่ 64.7% และ Daily-Omni ที่ 81.3%
ทั้งหมดนั้นเป็นการประเมินของผู้เขียนเองในบทความของพวกเขาเอง เป็นหลักฐานที่แข็งแกร่งกว่าหน้าสื่อการตลาด — อย่างน้อยก็มีการอธิบายฮาร์เนสและชุดการเปรียบเทียบ — และอ่อนกว่าหลักฐานจากคณะกรรมการอิสระ ณ วันที่ 18 พฤศจิกายน Artificial Analysis ไม่ได้ให้ข้อมูลเกี่ยวกับ Realtime Venus ดังนั้นจึงยังไม่มีบุคคลที่สามใดรันการประเมินเหล่านั้นซ้ำ
ตัวเลขหนึ่งตัวที่หายไปจากบทสรุประดับบทคัดย่อของรายงาน คือตัวเลขที่สำคัญสำหรับเอเจนต์ฝ่ายสนับสนุน: คะแนนการทำภารกิจให้สำเร็จแบบเอเจนต์ของ τ-Voice Realtime Venus ถูกสร้างขึ้นบนแนวคิดที่แตกต่างออกไป — กลไก <delegate> ที่ส่งงานภายนอกแบบอะซิงโครนัสไปยังรันไทม์ Harness แยกต่างหาก เพื่อให้บทสนทนายังคงดำเนินอยู่ขณะที่งานเกิดขึ้นเบื้องหลัง ในเชิงสถาปัตยกรรม สิ่งนี้ใกล้เคียงกับสิ่งที่ MAI Realtime 1 ทำภายในด้วยชั้นการให้เหตุผล และกับสิ่งที่ GPT Live 1 ทำโดยการส่งต่อให้เอเจนต์แบ็กเอนด์ ผลิตภัณฑ์ที่แตกต่างกันสามตัว การออกแบบที่บรรจบกันหนึ่งแบบ: พูดให้เร็ว มอบหมายการคิด ยังไม่มีใครเผยแพร่การเปรียบเทียบแบบตัวต่อตัวในส่วนของการมอบหมายงาน

คณิตศาสตร์ที่ราคาต่อนาทีซ่อนไว้
ตรงนี้คือจุดที่การเปรียบเทียบไม่ใช่เรื่องของอัตราค่าบริการอีกต่อไป MAI Realtime 1 ในราคาหนึ่งเซนต์ต่อนาที เท่ากับ $0.60 ต่อชั่วโมงของเสียง A100 หนึ่งตัวที่รัน Realtime Venus มีต้นทุนประมาณ $1.50 ถึง $2.50 ต่อชั่วโมงตามราคาคลาวด์ทั่วไป — สมมติเป็น $2 เพื่อให้เปรียบเทียบกันง่าย ๆ และโปรดทราบว่านี่เป็นราคาตลาด ไม่ใช่ราคาที่ผู้ขายรายใดรายหนึ่งประกาศไว้
• จุดคุ้มทุน — ที่อัตราดังกล่าว การสนทนาพร้อมกันประมาณสามถึงสี่รายการจะทำให้ A100 หนึ่งตัวเต็มความจุ ต่ำกว่านั้น การเช่าถูกกว่า สูงกว่านั้น การเป็นเจ้าของถูกกว่า
• ข้อควรระวังฝั่งโฮสต์ — ระดับการให้เหตุผลของ MAI Realtime 1 คิดค่าบริการตามจำนวนโทเค็นเพิ่มจากอัตราค่าบริการรายนาที ดังนั้นต้นทุนที่แท้จริงต่อชั่วโมงจึงสูงกว่า $0.60 และยังไม่ทราบแน่ชัด
• จุดที่ต้องระวังในฝั่งที่โฮสต์เอง — จำนวนงานที่ทำพร้อมกันต่อ A100 สำหรับโมเดลดูเพล็กซ์ขนาด 9B ก็ไม่ได้รับการเผยแพร่เช่นกัน เดโมระบุว่าต้องใช้ "NVIDIA A100 อย่างน้อยหนึ่งตัว" ซึ่งบอกได้เพียงว่ามันทำงานได้ แต่ไม่ได้บอกอะไรเลยเกี่ยวกับจำนวนสตรีมที่มันรองรับได้อย่างต่อเนื่อง
ทั้งสองด้านของจุดคุ้มทุนล้วนเป็นการประมาณ สิ่งที่ไม่ใช่การประมาณคือรูปร่างของเส้นโค้ง: ต้นทุนแบบโฮสต์เพิ่มขึ้นเชิงเส้นและเพิ่มไปเรื่อยๆ ไม่มีที่สิ้นสุด ส่วนต้นทุนแบบติดตั้งเองมีพื้นคงที่แล้วจึงค่อยๆ โค้งลง โครงการนำร่องที่ใช้งานวันละหนึ่งร้อยสายควรเลือกเช่า ส่วนศูนย์ติดต่อที่เดินสายพร้อมกันสองร้อยสายไม่ควรเช่า เว้นแต่โมเดลแบบโฮสต์จะดีกว่าอย่างมีนัยสำคัญ และในการเทียบกันครั้งนี้ โมเดลเปิดคือโมเดลที่คำกล่าวอ้างเรื่องความแม่นยำมาพร้อมชุดทดสอบที่เผยแพร่ต่อสาธารณะ
ยังมีความไม่สมมาตรเชิงปฏิบัติการอีกประการหนึ่งที่ไม่เคยปรากฏบน rate card การโฮสต์โมเดล duplex ขนาด 9B ด้วยตนเองหมายถึงการเป็นเจ้าของความจุ GPU, cold start, การโหลดโมเดล และโหมดความล้มเหลวที่โหนดล่มแล้วคำขอหลุด ส่วนการโฮสต์แบบมีผู้ให้บริการหมายถึงการไม่ต้องเป็นเจ้าของสิ่งเหล่านั้นเลย และยอมรับความหน่วง ความพร้อมใช้งาน และกำหนดการเลิกใช้งานของผู้ให้บริการ ทีมต่างๆ ประเมินสิ่งแรกต่ำเกินไปและประเมินสิ่งหลังสูงเกินไปอยู่เสมอ โดยมักเป็นเพราะสิ่งแรกมองไม่เห็นในสเปรดชีต
ในกรณีที่โมเดลที่โฮสต์ไว้ไม่มีคำตอบแบบเปิดน้ำหนัก
สามสิ่ง และมันไม่ใช่เรื่องเล็ก
ระบบเชื่อมต่อระดับองค์กร: MAI Realtime 1 กำลังจะมาสู่ Dynamics 365 Contact Center และ Dragon Copilot สำหรับการจำลองการฝึกพยาบาล โดยมี Agoda และ Reservations.ai กำลังทดสอบอยู่ สิ่งเหล่านี้คือการเชื่อมต่อเข้ากับระบบที่โมเดลที่โฮสต์เองไม่สามารถเข้าถึงได้ เว้นแต่คุณจะสร้างตัวเชื่อมต่อด้วยตัวเอง
ความเข้ากันได้: มันรองรับ OpenAI Realtime API ดังนั้นสแต็กเสียงที่มีอยู่เพียงต้องใช้สตริงโมเดล ไม่ต้องเขียนใหม่ทั้งหมด Realtime Venus มาในรูปแบบแพ็กเกจ Python — AutoModel.from_pretrained, as_duplex(), streaming_prefill() และ streaming_generate() แบบสตรีมมิ่งรายวินาที พร้อม FFmpeg และ CUDA บนโฮสต์ นั่นคือโครงการวิศวกรรมจริง
และขอบเขตของการถอดความ: ประกาศที่มาพร้อมกันของ Microsoft อย่าง Dragon Copilot Transcribe บน MAI Transcribe 2 ครอบคลุมการเขียนตามคำบอกทางคลินิกในระดับที่ไม่มีส่วนใดในรายงาน Venus กล่าวถึง — 10 ล้านครั้งของการพบผู้ป่วยต่อเดือน อัตราข้อผิดพลาดด้านหลายภาษาที่ลดลงครึ่งหนึ่ง ตามข้อมูลของ Microsoft เอง หากผลิตภัณฑ์ของคุณเป็นทางคลินิก ระบบนิเวศนั้นคือเหตุผลหลักในการเลือก ไม่ใช่อัตราต่อนาที
ในจุดที่น้ำหนักแบบเปิดไม่มีคำตอบแบบโฮสต์
วิดีโอ Realtime-Venus-Omni เป็นโมเดลเสียงและภาพแบบสตรีมมิ่ง — มันดูและฟังได้ และเบนช์มาร์ก Omni ก็เป็นเบนช์มาร์กด้านวิดีโอ ส่วน MAI Realtime 1 เป็นเสียงพูด หากการโต้ตอบเกี่ยวข้องกับกล้อง การแชร์หน้าจอ หรือผู้ป่วยทำท่าทางชี้ไปที่บางสิ่ง การเปรียบเทียบก็ไม่ใกล้เคียงเลย เพราะโมเดลแบบโฮสต์ไม่ได้พยายามทำสิ่งนั้น
ความจำสำหรับวิดีโอความยาวมากก็เช่นกัน: การ์ด Venus อ้างว่าสามารถจดจำวิดีโอความยาวมากได้โดยไม่ต้องเทรนเพิ่มเติม ผ่านสวิตช์ use_memory() ไม่มีส่วนใดในประกาศของ Microsoft ที่กล่าวถึงความจำตลอดทั้งเซสชัน
และสัญญาอนุญาต Apache 2.0 หมายความว่าคุณสามารถ fine-tune มันได้ ฝังมันไว้ในผลิตภัณฑ์ รันมันในเขตอำนาจศาลที่ Microsoft ไม่มีภูมิภาครองรับ และเก็บเสียงไว้บนฮาร์ดแวร์ของคุณเอง สำหรับการติดตั้งใช้งานในสถานพยาบาลหรือภาครัฐที่ข้อมูลไม่สามารถออกจากอาคารได้ นั่นไม่ใช่ความชอบ แต่เป็นข้อกำหนด และส่วนลดต่อนาทีไม่ว่าจะมากเพียงใดก็ทดแทนสิ่งนั้นไม่ได้

แบบไฮบริดที่ทีมส่วนใหญ่ควรลงมือสร้างจริง ๆ
การบรรจบกันที่กล่าวถึงก่อนหน้านี้คือคำตอบในทางปฏิบัติ ผลิตภัณฑ์ทั้งสามนี้ — Realtime Venus, MAI Realtime 1, GPT Live 1 — แยกการสนทนาออกจากงาน: Venus ผ่าน <delegate> และรันไทม์ Harness, Microsoft ผ่านชั้นการให้เหตุผลภายใน, OpenAI ผ่านเอเจนต์แบ็กเอนด์ที่เชื่อมต่อไว้อย่างชัดเจน ในทุกกรณี ส่วนที่ยากคือโมเดลที่สองที่ทำหน้าที่คิด และในทุกกรณี ชั้นนั้นคือจุดที่ต้นทุนและความหน่วงกระจุกตัว
ซึ่งหมายความว่า การตัดสินใจเลือกระหว่างทั้งสองนั้นจริง ๆ แล้วเป็นการตัดสินใจเกี่ยวกับฟรอนต์เอนด์ และแบ็กเอนด์จะเหมือนกันไม่ว่าจะเลือกทางไหนก็ตาม OrcaRouter ถูกสร้างมาสำหรับเลเยอร์ที่สองนั้น: โมเดล 200+ รายการบนคีย์เดียว ในราคาตามรายการของผู้ให้บริการ โดยบวกเพิ่ม 0% ดังนั้นไม่ว่าคุณจะเลือกฟรอนต์เอนด์ใด โมเดลการให้เหตุผลที่อยู่เบื้องหลังก็สลับได้ และการเปลี่ยนแปลงราคาจากผู้ขายจะมีผลในวันเดียวกัน การเฟลโอเวอร์อัตโนมัติคือสิ่งที่ทำให้งานที่มอบหมายกลายเป็นสิ่งที่ปลอดภัยพอจะรันในโปรดักชัน — การเรียกแบบเบื้องหลังที่ล้มเหลวอย่างเงียบ ๆ คือคำสัญญาต่อผู้เรียกที่ไม่มีวันถูกรักษา และการลองใหม่แบบกำหนดเส้นทางข้ามผู้ให้บริการคือความแตกต่างระหว่างงานที่เสร็จสมบูรณ์กับงานที่เงียบ ๆ ไม่เสร็จ DSL การกำหนดเส้นทางคือวิธีที่นโยบายการมอบหมายกลายเป็นกฎ: เจตนาใดจะถูกยกระดับ ไปยังโมเดลใด ด้วยงบประมาณเท่าไร
ทั้งสองโมเดลเสียงนี้ไม่ได้อยู่ในแคตตาล็อกของเรา — Realtime Venus เป็นเวต Apache 2.0 ที่คุณโฮสต์เอง และ MAI Realtime 1 เป็นพรีวิวแบบจำกัดการเข้าถึงจาก MAI Labs และ Foundry สิ่งที่เราเราเตอร์คือทุกอย่างที่พวกมันส่งต่อมา

การเลือกอย่างเป็นรูปธรรม
เริ่มต้นด้วย Realtime Venus หากข้อใดข้อหนึ่งต่อไปนี้เป็นจริง: ข้อมูลไม่สามารถออกจากโครงสร้างพื้นฐานของคุณได้, การโต้ตอบเกี่ยวข้องกับวิดีโอ, คุณต้องการภาษาอังกฤษและภาษาจีนโดยเฉพาะและไม่มีภาษาอื่น, คุณมีกำลังความสามารถด้าน GPU อยู่แล้ว, หรือปริมาณการใช้งานของคุณสูงพอที่การคิดค่าบริการแบบเชิงเส้นต่อนาทีจะไม่ใช่รูปแบบที่เหมาะสม ยอมรับเป็นข้อแลกเปลี่ยนว่าคุณกำลังใช้งานสแต็กระดับงานวิจัยที่มี API แบบ Python, มีเปเปอร์เป็นเอกสารประกอบ, และไม่มีเบนช์มาร์กอิสระมายืนยันตัวเลขของผู้เขียน
เริ่มด้วย MAI Realtime 1 หากการโต้ตอบเป็นแบบเสียงเท่านั้น ปริมาณการใช้งานไม่สูง การผสานรวมมีรูปแบบเป็น OpenAI-Realtime อยู่แล้ว และหนึ่งเซนต์ต่อนาทีคือตัวเลขที่ทำให้โครงการนี้เป็นไปได้จริง แลกกับการที่คุณต้องยอมรับว่าคุณแทบจะวัดอะไรจากมันได้น้อยมาก: ตัวเลขความแม่นยำหนึ่งตัวที่ผู้ขายรายงาน ความหน่วง P50 ที่ไม่มีข้อมูลการกระจาย ไม่มีคะแนน τ-Voice ไม่มีรายการภาษา และเดโมที่ไม่ใช่เชิงพาณิชย์ความยาวสองนาทีซึ่งรายงานว่าตัวเองไม่พร้อมใช้งานตอนที่เราตรวจสอบ
และจับตาสิ่งที่ทั้งคู่กำลังเดิมพันกันอย่างเงียบ ๆ Realtime Venus, MAI Realtime 1 และ GPT Live 1 ต่างสรุปตรงกันว่าโมเดลเสียงไม่ควรคิดหนักขณะที่มีคนกำลังรอ ความแตกต่างระหว่างพวกมันอยู่แค่ตรงที่การคิดนั้นไปอยู่ที่ไหน ใครก็ตามที่เผยแพร่อัตราการทำภารกิจสำเร็จของครึ่งที่ถูกมอบหมายก่อน จะชี้ขาดการเปรียบเทียบที่อัตราต่อนาทีไม่เคยชี้ขาดได้
