
GPT-Live-1.1 vs SeedRealtime: Một bên bán số phút, một bên chẳng bán gì
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 187 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 414 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 138 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0748 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 116 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Đặt GPT-Live-1.1 và SeedRealtime cạnh nhau thì việc so sánh ngay lập tức không còn xoay quanh chất lượng. GPT-Live-1.1 là một mô hình giọng nói song công hoàn toàn mà bạn có thể gọi ngay hôm nay, thuê theo giây và đưa vào sản phẩm; nó xuất hiện trên API OpenAI vào ngày 19 tháng 11 năm 2026, năm tuần sau khi thay thế GPT-Live-1 bên trong ChatGPT Voice. SeedRealtime, do nhóm Seed của ByteDance công bố vào ngày 5 tháng 8 năm 2026, là kiến trúc thú vị hơn trên giấy tờ — một mô hình song công hoàn toàn âm thanh-hình ảnh gốc, vừa quan sát vừa lắng nghe và nói trong một hệ thống — và nó không phải thứ bạn có thể gọi. Không có API công khai, không có trọng số mở trên Hugging Face, không có số lượng tham số, không có báo cáo kỹ thuật nào chứa số liệu.
Vậy cách diễn đạt trung thực không phải là "cái nào tốt hơn". Mà là: một trong hai là một sản phẩm có bảng giá, còn cái kia là một màn trình diễn năng lực mà sản phẩm đầu tiên đã dứt khoát từ chối tung ra. Cả hai nhận định đều đúng cùng lúc, và cái nào quan trọng tùy thuộc hoàn toàn vào việc bạn có đang xây dựng thứ gì đó hay không.
Bề mặt đầu vào không cùng hình dạng.
GPT-Live-1.1 nghe. Đó là toàn bộ câu chuyện về đầu vào của nó. Trang mô hình liệt kê âm thanh và văn bản là các phương thức đầu vào và âm thanh và văn bản là đầu ra, và không có gì khác — không hình ảnh, không video, không tài liệu. Những gì nó làm với việc nghe thực sự bất thường: nó là song công toàn phần, nghĩa là nó lắng nghe trong khi nói thay vì luân phiên lượt, và nó quyết định nhiều lần mỗi giây xem nên tiếp tục nghe, tạm dừng, ngắt lời hay chuyển công việc cho phần phụ trợ. Thay đổi năng lực duy nhất được nêu ở bản nâng cấp phiên bản nằm ở lớp này: so với GPT-Live-1, nó "phiên âm giọng nói chính xác hơn và duy trì ngữ điệu và giọng nói nhất quán hơn trên các ngôn ngữ." Không có con số nào gắn với tuyên bố đó.
SeedRealtime nghe và nhìn, trong một mô hình duy nhất thay vì một chuỗi xử lý. Bài đăng ra mắt của ByteDance mô tả một kiến trúc hợp nhất kết hợp âm thanh, video và văn bản, vận hành nhận thức, hiểu biết, ra quyết định và biểu đạt song song trên các luồng liên tục. Những hệ quả cụ thể mà nó liệt kê là những điều một mô hình giọng nói thuần văn bản về mặt cấu trúc không thể đạt tới: phân giải từ đồng âm bằng cách nhìn vào cảnh, xác định "this" đang ám chỉ điều gì từ cử chỉ và ánh nhìn, và chủ động lên tiếng khi một vật thể mục tiêu xuất hiện trong khung hình. Các minh họa rất cụ thể — gắn tên với khuôn mặt qua một bàn ăn tối ồn ào, dịch một thực đơn chỉ có tiếng Trung cho một thực khách nước ngoài, nhận ra hạt cà phê nguyên hạt đang được cho vào portafilter và nói ra trước khi chiết xuất, giữ một hiện vật bảo tàng trong tầm nhìn cho đến khi tác phẩm người dùng yêu cầu xuất hiện rồi nhắc họ.
• Đầu vào — GPT-Live-1.1 chỉ âm thanh và văn bản so với SeedRealtime âm thanh, video và văn bản được hợp nhất trong một mô hình duy nhất
• Chuyển lượt nói — GPT-Live-1.1 quyết định nội bộ với tần suất cao, trong khi SeedRealtime đưa việc chuyển lượt nói vào bên trong mô hình và loại bỏ bộ phát hiện hoạt động giọng nói bên ngoài
• Hành vi chủ động — GPT-Live-1.1 phản hồi, giao việc và gọi công cụ, trong khi SeedRealtime được mô tả là tự lên tiếng mà không cần nhắc khi có thứ gì đó xuất hiện trong tầm nhìn
• Nơi nó chạy — GPT-Live-1.1 trên v1/live/sessions với mức giá công bố theo phút so với SeedRealtime bên trong ứng dụng Doubao của ByteDance
• Bằng chứng — GPT-Live-1.1 có điểm số từ bên thứ ba cho phiên bản tiền nhiệm trên Artificial Analysis, trong khi SeedRealtime có đánh giá con người từ đầu đến cuối nhưng không có cỡ mẫu và không có số liệu

Số tiền bạn thực sự phải trả, và trả cho ai
GPT-Live-1.1 tính phí các phiên thoại theo thời lượng, theo từng giây, với mức $0.05 mỗi phút hoạt động. Kể từ ngày 19 tháng 11 năm 2026, một phiên WebRTC cũng có thể được cấu hình để tạm dừng suy luận khi không hoạt động và tính phí $0.02 mỗi phút trong lúc chờ, rồi tiếp tục khi có người nói. Việc sử dụng mô hình và công cụ phía backend — phần suy luận và công việc công cụ mà lớp thoại ủy quyền — được tính phí riêng trên đồng hồ token của mô hình bạn chỉ định. Tạo một phiên WebRTC tính phí 15 giây thời lượng thoại tại thời điểm khởi tạo, được hoàn lại vào thời lượng khi phiên bắt đầu chạy.
Giá của SeedRealtime đối với nhà phát triển không phải là một con số, vì không có sản phẩm dành cho nhà phát triển. Nó có sẵn bên trong Doubao, trợ lý tiêu dùng, nơi ByteDance cho biết nó đã được “triển khai đầy đủ” kể từ lần ra mắt hồi tháng 8. Đó là một triển khai thực tế ở quy mô thực tế, và nó không phải là API. Việc nền tảng mô hình-dưới-dạng-dịch-vụ của ByteDance có cung cấp nó hay không, và với mức giá nào, không được nêu trong bài đăng ra mắt hoặc trên trang Seed như đã đọc vào ngày 20 tháng 11 năm 2026.
Sự bất đối xứng này có một hệ quả về chi phí vượt ra ngoài điều hiển nhiên. Một mô hình bạn thuê theo giây có thể được lập ngân sách, so sánh và tắt đi. Một mô hình nằm bên trong ứng dụng tiêu dùng của người khác thì không thể làm được bất kỳ điều nào trong số đó, và do đó việc so sánh giữa hai bên không có tỷ giá quy đổi. Bạn không đang chọn giữa $0.05 một phút và một thứ rẻ hơn; bạn đang chọn giữa một khoản mục chi phí và một bản demo.
Nơi bằng chứng trở nên thưa thớt
Bản thân GPT-Live-1.1 không có điểm số độc lập. Chỉ số speech-to-speech của Artificial Analysis, đọc ngày 20 tháng 11 năm 2026, liệt kê GPT-Live-1 hai lần — 83,2 với backend lớp Astra ở mức nỗ lực trung bình và 80,1 với backend lớp Sol ở mức thấp — và chưa đưa bản 1.1 vào. Đó là một mô hình API mới ra được một ngày, nên khoảng cách này là điều dễ hiểu chứ không phải đáng chê trách, nhưng điều đó cũng có nghĩa là cải thiện độ nhất quán ngữ âm, trong tuần này, chỉ là một tuyên bố từ phía nhà cung cấp. Điều mà chỉ số cho thấy là cấu hình ảnh hưởng đến con số nhiều ngang với phiên bản: cùng một mô hình đạt 83,2 hoặc 80,1 tùy vào backend bạn gắn vào. Bất kỳ bài đánh giá nào trích dẫn một con số GPT-Live mà không nêu rõ backend của nó thì đã cho bạn biết rất ít.
Bằng chứng của SeedRealtime mỏng hơn theo một cách khác. ByteDance công bố một kết quả nổi bật — một đánh giá con người đầu-cuối, trong đó mô hình "giảm một nửa các vấn đề về nhịp hội thoại nghe nhìn" so với các hệ thống ASR cộng thị giác cộng TTS xếp tầng, với ít lần ngắt giữa câu hơn, ít phản hồi chậm sau khoảng dừng hơn và ít kích hoạt nhầm do tiếng trò chuyện nền hơn. Không có kích thước mẫu, không có phương pháp luận, không có khoảng tin cậy và không có số liệu độ trễ. Cũng không có số lượng tham số và không có báo cáo kỹ thuật. Đó không phải bằng chứng cho thấy một mô hình yếu — các phần trình diễn đủ cụ thể để gợi ý một hệ thống thực — nhưng đó là một tuyên bố bạn không thể kiểm chứng, và nó không xuất hiện trên bất kỳ bảng xếp hạng độc lập nào.

Lưu ý điều đó có ý nghĩa gì cụ thể đối với việc so sánh: hai mô hình không nằm trên cùng một thang đo. Một bên có số liệu của bên thứ ba cho phiên bản trước và một mức giá công bố; bên kia có một câu của nhà cung cấp và không có cách nào để mua. Xếp hạng chúng với nhau sẽ là bịa ra một phép đo.
Vì sao khoảng trống API chính là toàn bộ lập luận
Thật dễ bị cám dỗ coi "không có API" là một trạng thái tạm thời sẽ tự khắc phục và vì thế chỉ là một chi tiết. Đối với một quyết định build, điều ngược lại mới đúng: đó là dữ kiện duy nhất quyết định hoàn toàn câu trả lời.
Nếu bạn đang chuẩn bị ra mắt một sản phẩm giọng nói trong quý tới, SeedRealtime không nằm trong danh sách lựa chọn của bạn, và tham vọng kiến trúc đến đâu cũng không thay đổi được điều đó. GPT-Live-1.1 thì có, với cấu hình phiên được ghi tài liệu hóa, mức giá công bố, chế độ chờ giúp các kết nối nhàn rỗi trở nên rẻ, và mô hình ủy quyền cho phép bạn giữ phần suy luận trong một backend do bạn kiểm soát. Điều duy nhất nó sẽ không làm là nhìn vào camera của người dùng bạn.
Hạn chế cuối cùng đó đáng được định giá một cách trung thực, vì chính tại đó các yêu cầu của một đội thực sự tách nhánh. Một đường dây hỗ trợ, một trợ lý trong xe, một gia sư ngôn ngữ, một tác nhân lập lịch — không cái nào trong số này cần video, và tất cả đều hưởng lợi từ một mô hình xử lý việc ngắt lời và ủy thác tốt với chi phí đã biết. Một tác nhân theo dõi một ca sửa chữa, đọc thực đơn hoặc làm theo một màn trình diễn cần phương thức mà SeedRealtime có và GPT-Live-1.1 không có, và với khối lượng công việc đó, câu trả lời hiện nay là chờ đợi, hoặc xây dựng chuỗi xếp tầng mà ByteDance đang lập luận chống lại.

Vai trò của router nằm ở phần ủy thác. OrcaRouter không cung cấp GPT-Live-1.1 hay SeedRealtime — cả hai đều không phải mô hình trò chuyện, và danh mục không có endpoint thoại song công hoàn toàn. Nó có cung cấp backend mà lớp thoại giao việc cho: gpt-6-luna, gpt-6-sol và phần còn lại của dòng GPT-6 đều có sẵn qua một khóa với giá niêm yết của nhà cung cấp, không phụ phí, với tính năng chuyển đổi dự phòng tự động giữa các nhà cung cấp và một DSL định tuyến để kết hợp nhiều mô hình vào một lệnh gọi. Nếu phiên Live của bạn ủy thác cho một backend, thì backend đó chính là phần bạn có thể định tuyến ngay hôm nay.
Cần chú ý điều gì và nên làm gì ngay bây giờ
Hai điều có thể thay đổi phép so sánh này, và cả hai đều chưa xảy ra. Một endpoint SeedRealtime công khai — trên nền tảng của chính ByteDance hay bất kỳ đâu khác — sẽ biến một bản trình diễn thành một lựa chọn chỉ qua một đêm, và sẽ ngay lập tức đặt ra câu hỏi liệu ngữ cảnh hình ảnh có đáng cho công sức tích hợp hay không. Một phép đo độc lập về GPT-Live-1.1 trên chỉ số speech-to-speech sẽ cho bạn biết liệu tuyên bố về giọng đa ngôn ngữ có thật hay không, và liệu mức 83.2 mà GPT-Live-1 đạt được với backend Astra có còn đúng hay không.
Cho đến lúc đó, quyết định này rõ ràng một cách bất thường. Nếu bạn cần triển khai giọng nói, GPT-Live-1.1 có thể gọi được, đã có giá, và — với chế độ standby — để kết nối còn rẻ hơn so với một tuần trước. Nếu bạn cần một mô hình có khả năng thị giác, thì bất kể năng lực bên phía ByteDance đến đâu cũng không thể chuyển thành API key, và việc có trách nhiệm là nói thẳng điều đó thay vì đem xếp hạng một sản phẩm so với một bản xem trước.
So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
