GPT-Live-1 vs Eleven v4: Đơn vị tính phí quyết định trước cả giọng nói

Đặt GPT-Live-1 và Eleven v4 cạnh nhau và khác biệt đầu tiên bạn bắt gặp không phải là một benchmark. Đó là đơn vị tính. GPT-Live-1 tính $0.05 cho mỗi phút phiên mở. Eleven v4 tính $0.08 cho mỗi nghìn ký tự mà agent thực sự nói. Một cách tính chạy theo đồng hồ, cách kia chạy theo kịch bản, và việc bạn nên mua cái nào suy ra từ đó trước khi bất kỳ mô hình nào thốt ra một âm tiết.

Sự phân biệt đó thường bị mất đi trong hầu hết các so sánh, vốn hay đặt một chỉ số speech-to-speech cạnh một điểm Elo text-to-speech rồi gọi đó là so sánh trực tiếp. Thực ra không phải vậy. Dưới đây là hai sản phẩm thực sự là gì, những con số hiện có có thể và không thể cho bạn biết điều gì, và phép tính giúp giải quyết điều đó cho một đường dây hỗ trợ, một audiobook, và những trường hợp khó xử ở giữa.

Hai sản phẩm, hai công việc

GPT-Live-1 là mô hình giọng nói song công hoàn toàn của OpenAI, có mặt trên API từ ngày 10 tháng 9 năm 2026. Nó lắng nghe trong khi nói, quyết định nhiều lần mỗi giây xem có nên nhường lượt nói hay không, và giao việc suy luận cho một mô hình văn bản riêng khi câu hỏi cần đến. Nó có đúng một endpoint — v1/live/sessions — và không có bề mặt Chat Completions hay Realtime, nghĩa là nó không phải là một ID mô hình mà bạn thay vào một tích hợp Realtime sẵn có; nó là một phiên mà bạn mở.

Eleven v4 là một mô hình chuyển văn bản thành giọng nói, ra mắt ngày 28 tháng 9 năm 2026 cùng với v4 Turbo có độ trễ thấp. Bạn đưa văn bản cho nó, nó trả về âm thanh bằng một trong hơn 90 ngôn ngữ, với tính năng nhân bản giọng nói tức thì trong 10 giây, thẻ âm thanh nội tuyến cho cảm xúc và nhịp độ, và giới hạn yêu cầu 10.000 ký tự. Nó không có tai. Nó không thể nghe thấy người gọi, nhận ra rằng họ đã ngắt lời, hay quyết định dừng lại vì câu nói đã không tạo được hiệu quả mong muốn.

Sự bất đối xứng đó chính là toàn bộ câu chuyện. Một voice agent được xây dựng trên Eleven v4 là một pipeline: phiên âm, suy nghĩ, nói. Một voice agent được xây dựng trên GPT-Live-1 là một mô hình duy nhất với một mô hình văn bản được gắn kèm như một cố vấn. Pipeline rẻ hơn và dễ kiểm soát hơn. Mô hình đầu-cuối tự nhiên hơn và khó bị ngắt lời hơn nhiều. Đó là những sản phẩm khác nhau cho những không gian khác nhau, không phải những cách triển khai cạnh tranh của cùng một sản phẩm.

Bảng xếp hạng có thể nói gì một cách trung thực

Không có một bảng xếp hạng duy nhất nào mà hai mô hình này cùng cạnh tranh, và bất kỳ ai đưa cho bạn một bảng như vậy đều đang so sánh những điểm số không cùng hệ quy chiếu. Trên Provider Voice Arena của Artificial Analysis — giọng bản ngữ, đánh giá ưu tiên mù, ghi nhận ngày 29 tháng 10 năm 2026 — Eleven v4 đứng ở 1334 Elo, vị trí thứ hai trong bảng, còn v4 Turbo với 1336 Elo giành vị trí đầu. Không ai phản đối rằng chất lượng giọng nói là xuất sắc: độ ổn định phát âm 91,7% trong phép đo của phòng thí nghiệm đó, mạnh nhất trong số các mô hình thương mại lớn tại thời điểm ra mắt.

GPT-Live-1 hoàn toàn không xuất hiện trên bảng đó, vì nó không tạo ra chuyển văn bản thành giọng nói theo nghĩa mà bảng này đo lường. Nó xuất hiện trên Speech Agent Arena, nơi chấm điểm sở thích ẩn danh đối với các cuộc hội thoại hoàn chỉnh kiểu đặt chỗ. Ở đó, GPT-Live-1 (Astra, medium) đạt 1037 Elo với tỷ lệ thành công nhiệm vụ 87,4%, và cấu hình Sol-low đạt 1041 với 90,9%. Trên Speech-to-Speech Index — một sự kết hợp có trọng số của khả năng suy luận, hiệu suất tác nhân, sở thích trên arena và thành công nhiệm vụ — nó đạt 83,2, đứng thứ hai trong số 21 mô hình được chấm điểm.

So sánh thực sự hợp lý là GPT-Live-1 với các sản phẩmđối thoại của Eleven, chứ không phải mô hình TTS của họ. Trên cùng một đấu trường, Eleven Realtime v1 Max đạt 1003 với 87,1% nhiệm vụ thành công, và cascade mặc định của ElevenLabs Agents đạt 989 với 90,5%. Vì vậy, mô hình đầu-cuối dẫn trước phương án thời gian thực khoảng 35–50 Elo, còn ngăn xếp agent cascade thấp hơn khoảng 50 điểm với tỷ lệ thành công cao hơn một chút. Những con số đó đủ gần để hạ tầng điện thoại, thiết kế prompt và tiếng ồn nền của một lần triển khai cụ thể sẽ quyết định kết quả, chứ không phải bảng xếp hạng.

Thêm một lưu ý trung thực nữa: các con số của GPT-Live-1 mang một nhãn cấu hình. Phần suy luận của nó được thực hiện bởi một backend có tên, và các cấu hình Astra-medium và Sol-low cho điểm số khác nhau vì chúng phân công nhiệm vụ khác nhau. Các con số của Eleven thì mang một nhãn sản phẩm. Cả hai đều không phải là một thí nghiệm có kiểm soát đối chọi với nhau.

Phép tính, trong một cuộc gọi ba phút

Hãy lấy một cuộc gọi hỗ trợ đến, trong đó điện thoại viên nói 900 ký tự mỗi phút — một tốc độ nhanh nhưng bình thường — và người gọi nói trong khoảng 40% của ba phút.

• GPT-Live-1 — ba phút ở mức $0.05 là $0.15, cộng thêm mô hình văn bản backend cho mọi phần suy luận mà cuộc gọi yêu cầu. Mỗi phút: $0.050.

• Eleven v4 — agent nói khoảng 1.620 ký tự, vì vậy 1,62 × $0,08 = $0,13, cộng thêm chi phí chuyển lời nói thành văn bản và mô hình ngôn ngữ của riêng bạn. Mỗi phút: khoảng $0,043 trước STT và LLM.

• Eleven v4 Turbo — cùng 1.620 ký tự với giá $0,04 mỗi nghìn: $0,065, hoặc khoảng $0,022 mỗi phút trước STT và LLM.

Turbo rẻ hơn GPT-Live-1 ngay cả khi bạn cộng thêm một chặng chuyển giọng nói thành văn bản và một mô hình ngôn ngữ khiêm tốn, đó là lý do vì sao cascade vẫn liên tục thắng trong các đánh giá chi phí. Nhưng phép so sánh đổi hình dạng ngay khi người gọi nói nhiều hơn agent. Mỗi giây con người độc thoại là một giây Eleven v4 không tính phí còn GPT-Live-1 tính đủ mức giá — kể cả khoảng lặng khi ai đó đọc số hợp đồng trên thẻ, và kể cả lúc giữ máy trong khi backend của bạn đang xử lý.

Đó không phải là một sai lệch do làm tròn. Trên một tuyến mà tổng đài viên nói 30% thời gian, hóa đơn TTS giảm đi hai phần ba trong khi hóa đơn tính theo phút không hề thay đổi. Phút cố định là một canh bạc rằng người gọi của bạn sẽ nói, và nó sinh lời đúng vào lúc họ nói.

Phép tính, trên một bài tường thuật dài bốn mươi phút.

Bây giờ là cùng hai mô hình đó trên một chương sách nói — 36.000 ký tự, một người nói, không ngắt lời, không suy luận, yêu cầu đầu ra tất định.

• Eleven v4 — 36 × $0.08 = $2.88 cho chương, và bạn có thể tạo lại một đoạn văn chỉ với chín xu khi phần phát âm bị sai.

• GPT-Live-1 — 40 phút với $0,05 = $2,00, và bạn không thể tạo lại một đoạn văn, vì đơn vị công việc ở đây là một phiên trực tiếp chứ không phải một đoạn văn bản.

GPT-Live-1 trông có vẻ rẻ hơn và là công cụ sai. Nó không có cách nào được tài liệu hóa để nhận một kịch bản dài 36.000 ký tự và trả về một tệp mang tính tất định; nó là một bề mặt hội thoại, mà hội thoại với một cuốn sách thì không phải là thuyết minh. Phán quyết trung thực cho hàng này không phải là "Live tốn ít hơn", mà là "mô hình này không làm được việc này".

Nơi mô hình tính theo phút thực sự xứng đáng với mức giá cao hơn

Ba tình huống biện minh cho điều đó, và chúng có chung một đặc điểm: con người giữ quyền phát biểu trong những khoảng thời gian không thể dự đoán được.

• Tiếp nhận nhiều ngắt lời — yêu cầu bảo hiểm, phân loại lâm sàng, bất cứ tình huống nào mà người gọi tự sửa lại giữa câu. Một chuỗi xử lý phải phát hiện việc ngắt lời, dừng phát lại và quay lại vòng lặp; GPT-Live-1 đang lắng nghe sẵn.

• Đặt vé và điều phối — lượt hội thoại ngắn, trao đổi qua lại nhanh, gọi công cụ với tần suất cao. Số liệu của chính OpenAI tuyên bố độ chính xác gọi công cụ đạt 87% trên mô hình này, so với 60% ở thế hệ Realtime mà nó thay thế, và đó là số liệu do nhà cung cấp tự báo cáo, chưa được kiểm chứng độc lập.

• Ở bất kỳ đâu mà độ trễ chính là sản phẩm — một lượt 0,8 giây so với một lượt 1,4 giây là sự khác biệt giữa một cuộc trò chuyện và một chiếc bộ đàm. Cũng do nhà cung cấp báo cáo.

Và ba tình huống phản đối điều đó:

• Thuyết minh, đọc thành tiếng, sách nói, lồng tiếng video — văn bản vào, tệp ra, không cần dùng đến đôi tai.

Giọng điệu thương hiệu — tính năng nhân bản giọng nói của Eleven v4 là một tính năng sản phẩm đi kèm lưu ý về việc phải huấn luyện lại; GPT-Live-1 sử dụng các giọng nói mô hình cố định, nên "giọng của nhà sáng lập chúng tôi" không có trong danh mục lựa chọn.

• Những khoảng lặng kéo dài — nhạc chờ, đường dây bị tắt tiếng, điện thoại viên chờ đợi một backend chậm chạp. Mỗi giây trong số đó đều bị tính phí.

Di cư cũng không đối xứng.

Chuyển từ v3 sang Eleven v4 là thay đổi model-id kèm một lưu ý: các giọng đã sao chép hiện có cần được huấn luyện lại, và SSML được thay bằng thẻ âm thanh nội tuyến, nên bất cứ thứ gì tạo ra SSML đều phải viết lại. Phiền thật, nhưng chỉ nằm gọn trong lớp TTS của bạn.

Việc chuyển sang GPT-Live-1 từ một tích hợp Realtime là một cuộc xây dựng lại. Endpoint khác, ngữ nghĩa phiên khác, đơn vị tính phí khác và không có lớp shim tương thích. Hãy dự trù ngân sách cho lớp điều phối, chứ không chỉ cho việc hoán đổi — và lưu ý rằng hầu hết nền tảng tác nhân giọng nói của bên thứ ba vẫn chưa liệt kê GPT-Live-1 như một nhà cung cấp có thể chọn, nên nhiều khả năng bạn sẽ phải tự viết phần kết nối điện thoại.

Những thay đổi định tuyến nào liên quan đến quyết định này?

Dù bạn chọn phương án nào, quyết định này không phải kiểu được ăn cả ngã về không trên toàn bộ ngăn xếp của bạn. Lớp giọng nói là phần duy nhất vẫn phụ thuộc vào nhà cung cấp cụ thể: OrcaRouter không cung cấp GPT-Live-1, và một mô hình tổng hợp giọng nói như Eleven v4 là một hợp đồng riêng bất kể bạn mua ở đâu. Những gì nằm phía sau lớp giọng nói lại là chuyện khác — các lệnh gọi suy luận, mô hình gọi công cụ, đường dự phòng khi một nhà cung cấp bị suy giảm đều chạy qua một khóa duy nhất trên OrcaRouter, trên hơn 200 mô hình bao gồm GPT-6 Astra, GPT-5.6 Terra và GPT-5.6 Sol, các tầng mô hình mà GPT-Live-1 ủy thác xử lý.

Sự tách biệt đó là phiên bản thực tiễn của phép so sánh này. Hãy thuê phần “tai” từ bất kỳ ai có giải pháp tốt nhất trong quý này, và giữ phần “não” có thể định tuyến để việc giảm giá, sự cố ngừng dịch vụ hay một mô hình tốt hơn không buộc bạn phải động đến phần mà người dùng có thể nghe được. Giá niêm yết của nhà cung cấp được chuyển nguyên với mức cộng thêm 0%, nên khi nhà cung cấp giảm giá ở tầng suy luận, điều đó sẽ xuất hiện trên hóa đơn của bạn ngay trong ngày được công bố.

Chọn theo hình dạng của cuộc trò chuyện

Nếu người dùng của bạn ngắt lời, tự sửa lại và kỳ vọng tác nhân biết khi nào nên ngừng nói, thì GPT-Live-1 ở mức $0.05 một phút là sản phẩm tốt hơn và có lẽ cũng là lựa chọn mua tốt hơn — khoản phí cao mua lấy những hành vi mà bạn không thể có được từ một pipeline ở bất kỳ mức giá nào. Nếu người dùng của bạn đang lắng nghe thay vì đang nói, Eleven v4 hoặc v4 Turbo rẻ hơn trên mỗi từ được giao, dễ kiểm soát hơn, có thể nhân bản theo thương hiệu của bạn, và là câu trả lời đúng; chỉ số 1334 Elo là phần thưởng thêm trên hết.

Cách thức thất bại cần tránh là chọn theo vị trí trên bảng xếp hạng. Con số 1334 của v4 và 83.2 của Live đo những thứ khác nhau trên những thang đo khác nhau, và một đội ngũ đem hai con số đó ra để chọn lựa giữa chúng thì chẳng khác nào đang chọn giữa một cái thước và một cái nhiệt kế.