GPT-Live-1 so với Voxtral 3: Cái giá không phải là cái giá

Voxtral 3quảng cáo một voice agent hoàn chỉnh với giá 0,04 USD/phút. GPT-Live-1quảng cáo 0,05 USD/phút rồi lại tính thêm phí cho phần suy luận. Xét các con số nổi bật, Mistral rẻ hơn 20% và bao gồm nhiều thứ hơn — speech-to-text, text-to-speech và một mô hình suy luận trong cùng một mức giá — trong khi con số của OpenAI chỉ bao phủ lớp thoại. Cách đọc đó đúng về mặt kỹ thuật nhưng gây hiểu nhầm trên thực tế, vì hai mức giá này không mua cùng một thứ.

Cả hai đều được phát hành cách nhau trong vòng sáu tuần: GPT-Live-1 lên API vào ngày 10 tháng 9 năm 2026, Voxtral 3 ở dạng xem trước công khai vào ngày 20 tháng 10. Cả hai đều nhắm đến cùng một khách hàng — người đang xây dựng một tác nhân điện thoại phải duy trì cuộc trò chuyện. Chúng đến đó bằng những con đường trái ngược nhau, và khoảng cách về chi phí chỉ tồn tại nếu bạn không bao giờ làm gián đoạn chúng.

Thực sự có gì bên trong mỗi phút

Hãy bắt đầu với những gì đồng hồ bao gồm, vì đây chính là điểm mà sự so sánh rẽ hướng.

• Voxtral 3 agent đầy đủ — $0.04 mỗi phút với Mistral Small 4 làm bộ suy luận, $0.08 với một mô hình mạnh hơn. Chi phí đó bao gồm phiên âm, tổng hợp và mô hình ngôn ngữ.

• GPT-Live-1 — $0.05 mỗi phút, chỉ tính cho giọng nói, tính tiền theo từng giây. Suy luận phía máy chủ, các lượt gọi công cụ và tìm kiếm web được tính riêng theo mức giá tiêu chuẩn của mô hình.

• Chỉ riêng Voxtral 3 TTS — 13 đô la mỗi triệu ký tự, tương đương khoảng 0,70 đô la mỗi giờ nói ở tốc độ bình thường.

• Âm thanh đầu vào của GPT-Live-1 — được đo ở mức 5,83 đô la Mỹ mỗi giờ âm thanh đầu vào trên cấu hình suy luận cao của nó, 4,47 đô la Mỹ trên cấu hình suy luận thấp, theo bộ 40 câu hỏi cố định của Artificial Analysis.

Vậy nên phép so sánh trung thực theo từng phút trong một cuộc gọi mười phút là 0,40 đô-la cho Voxtral 3 trọn gói, so với 0,50 đô-la cộng thêm backend cho GPT-Live-1 — tạm tính từ 0,50 đến 0,55 đô-la tùy vào mức độ agent phải suy nghĩ. Mistral thắng phép tính đó, và thắng nhờ bao gồm một thành phần mà OpenAI bỏ sót.

Trừ khi cuộc gọi chủ yếu là im lặng. Mức giá voice-agent của Voxtral được tính theo kiểu phiên; của GPT-Live-1 chắc chắn là như vậy. Không nhà cung cấp nào công bố miễn trừ cho khoảng lặng, và bất kỳ triển khai nào giữ người gọi ở trạng thái chờ đều nên giả định cả hai đồng hồ đo vẫn tiếp tục chạy. Sự khác biệt đó không nghiêng về bên nào, nhưng nó có nghĩa là các mức giá niêm yết không phải là nơi đúng để tối ưu.

Pipeline đối đầu với duplex, lần nữa

Voxtral 3 là một ngăn xếp, không phải một mô hình: các mô hình phiên âm (Mini Transcribe 3 với 4 tỷ tham số, Small, và một biến thể thời gian thực), một mô hình tổng hợp giọng nói, và một SDK Voice Agent dựa trên LiveKit, kết nối chúng lại với nhau với một mô hình ngôn ngữ ở giữa. Tuyên bố về độ trễ của Mistral là khoảng 90 mili giây cho âm thanh đầu tiên, điều này thực sự nhanh đối với phần tổng hợp.

Tổng hợp nhanh không giống với việc chuyển lượt nói tốt. Một hệ thống cascade vẫn phải quyết định khi nào người nói đã nói xong, và quyết định đó do bộ phát hiện hoạt động giọng nói hoặc mô hình phát hiện lượt nói nằm phía trước pipeline đưa ra. Khi nó đoán sai, tác nhân hoặc nói chồng lên người gọi hoặc chờ lâu hơn một nhịp, và không mức tổng hợp 90ms nào có thể khắc phục được điều đó.

GPT-Live-1 là một mạng duy nhất vừa nghe vừa nói cùng lúc, tự quyết định nhiều lần mỗi giây xem có nên nhường lượt hay không. Đó chính là năng lực mà bạn phải trả thêm một xu, và đây không phải là tính năng có thể ghép lại từ các thành phần. Đó cũng là lý do mô hình của OpenAI không có các hạng mục chi phí phiên âm hay tổng hợp giọng nói: chẳng có gì để liệt kê thành mục.

Bài kiểm tra thực tế không phải là độ trễ mà là tỷ lệ ngắt lời. Nếu người gọi của bạn nói thành câu hoàn chỉnh và chờ đến lượt mình, thì một pipeline là ổn và rẻ hơn. Nếu họ nói “khoan đã, ý tôi là cái kia” ở giữa chừng, thì bạn đang mua hành vi song công dù bạn có thừa nhận điều đó hay không.

Ngôn ngữ, phương ngữ và nơi dữ liệu được lưu trữ

Mistral ra mắt Voxtral 3 với hơn 35 ngôn ngữ và hơn 50 phương ngữ, điều khiển cảm xúc và phong cách, nhân bản zero-shot cùng quy trình thích ứng "Pro Voice" cần khoảng 30 phút âm thanh tham chiếu. Tài liệu của GPT-Live-1 không đề cập đến phạm vi phương ngữ và cung cấp các giọng mẫu cố định, không có tính năng nhân bản.

Nếu sản phẩm của bạn là châu Âu — tiếng Pháp, tiếng Đức, tiếng Ý, tiếng Tây Ban Nha, tiếng Hà Lan — thì Voxtral 3 là lựa chọn đầy đủ hơn, và định vị EU của Mistral là một lập luận thực sự trong các cuộc trao đổi mua sắm mà OpenAI không trả lời trực tiếp được như vậy. Đó là một thực tế kinh doanh chứ không phải một benchmark, và với rất nhiều người mua, nó quyết định thương vụ trước cả khi độ trễ được bàn tới.

Nếu sản phẩm của bạn là hỗ trợ hoặc đặt chỗ bằng tiếng Anh trong một thị trường duy nhất, thì độ rộng ngôn ngữ là nguồn dự trữ bạn sẽ không dùng đến, và hành vi song công là điều bạn sẽ nhận thấy trong mỗi cuộc gọi.

Bẫy trọng số mở

Điều đáng lưu ý vì nó dễ khiến người ta hiểu nhầm: bản thân Voxtral 3 là một API đóng. Mô hình có thể tải xuống trong dòng này là một checkpoint TTS 4B cũ hơn từ tháng 3 năm 2026, được phát hành theo CC BY-NC 4.0 — phi thương mại — một mô hình khác, cũ hơn với điểm arena thấp hơn. Việc tự triển khai Voxtral 3 trong doanh nghiệp là một thỏa thuận được thương lượng, không phải một liên kết tải xuống.

Vì vậy, không mô hình nào trong so sánh này cung cấp cho bạn trọng số. GPT-Live-1 không có trọng số theo thiết kế. Voxtral 3 không có trọng số theo chính sách. Nếu việc sở hữu mô hình là một yêu cầu, cả hai đều bị loại và cuộc thảo luận sẽ chuyển sang Fish Audio Drama 3 hoặc Ming-3.0-TTS.

Những gì các hội đồng đo lường, và những gì họ không đo lường

Voxtral 3 TTS đạt 1223 Elo trên Provider Voice Arena của Artificial Analysis, được ghi nhận ngày 29 tháng 10 năm 2026 — đứng thứ mười bốn trong nhóm, với mức 13 USD cho mỗi triệu ký tự. Đó là một kết quả tổng hợp vững chắc: xếp sau Eleven v4 ở 1334, xếp trước nhiều mô hình có chi phí cao hơn.

GPT-Live-1 không xuất hiện trên bảng xếp hạng đó, và bất kỳ ai đặt điểm Chỉ số Chuyển giọng thành Giọng nói (Speech-to-Speech Index) 83,2 của nó cạnh con số 1223 của Voxtral thì đều đang so sánh một chỉ số hội thoại có trọng số với một điểm Elo ưu tiên mù. Trên những bảng xếp hạng có xuất hiện các hệ thống hội thoại, GPT-Live-1 đạt 1037 đến 1041 Elo trên Speech Agent Arena với tỷ lệ hoàn thành nhiệm vụ từ 87,4% đến 90,9%. Bộ công cụ agent của Voxtral 3 vẫn chưa tích lũy đủ số cuộc hội thoại trên arena để được liệt kê.

Sự thiếu vắng đó là dữ kiện hữu ích nhất trong phần này. Không có so sánh đối đầu độc lập giữa hai bên, nghĩa là mọi so sánh bạn đọc — kể cả so sánh này — đều là suy luận từ các tỷ lệ đã công bố và kiến trúc, chứ không phải từ một thử nghiệm có kiểm soát. Bất kỳ ai nói với bạn rằng một bên tự nhiên hơn một cách đo lường được khi gọi điện là đang trích lời một nhà cung cấp.

Nơi đối số định tuyến dừng lại

Không mô hình nào trong hai được OrcaRouter phục vụ. Voxtral 3 là API của Mistral; GPT-Live-1 là của OpenAI. Thứ có thể định tuyến được là bộ suy luận mà mỗi mô hình ủy thác cho — và ở đây, hai kiến trúc rẽ nhánh theo cách có ý nghĩa đối với việc bạn kiến trúc ngăn xếp.

Voxtral 3 cho phép bạn chọn mô hình lý luận bên trong mức giá agent riêng của nó: Small 4 ở mức $0.04, một mô hình mạnh hơn ở mức $0.08. GPT-Live-1 để ngỏ hoàn toàn phần backend, nghĩa là bạn có thể trỏ nó tới bất kỳ mô hình văn bản nào bạn muốn — bao gồm GPT-6 Astra, GPT-5.6 Terra hoặc một bậc rẻ hơn, phía sau một khóa, với DSL định tuyến cho phép bạn cố định các mô hình khác nhau cho các loại tác vụ khác nhau trong cùng một triển khai.

Khả năng linh hoạt đó đáng giá bằng tiền thật trên một khối lượng công việc hỗn hợp: một mô hình rẻ xử lý việc xác nhận địa chỉ và một mô hình tiên phong xử lý khoản phí đang tranh chấp, mà không cần hợp đồng thứ hai hay tích hợp thứ hai. Giá niêm yết của nhà cung cấp được chuyển thẳng với mức đánh dấu 0%, vì vậy việc giảm giá ở tầng suy luận sẽ đến hóa đơn của bạn ngay ngày nó được áp dụng thay vì vào lần gia hạn hợp đồng tiếp theo.

Quyết định

Chọn Voxtral 3 nếu bạn đang xây dựng ở châu Âu, cần nhiều ngôn ngữ và phương ngữ, muốn một hóa đơn bao trùm từ phiên âm đến tổng hợp giọng nói, và những người gọi đến của bạn khá lịch sự trong việc nhường lượt nói. Tính toàn bộ thì nó rẻ hơn theo phút, là bộ công cụ đầy đủ hơn, và điểm tổng hợp 1223 là khá đáng kể.

Chọn {{1}}GPT-Live-1{{/1}} nếu sự ngắt lời chính là sản phẩm — tiếp nhận, phân loại, điều phối, bất cứ thứ gì mà người gọi tự sửa lời mình và agent phải nghe được điều đó đang diễn ra. Bạn sẽ trả nhiều hơn mỗi phút, sở hữu ít hơn, và bạn sẽ có được một hành vi mà pipeline không thể mua bằng bất kỳ giá nào.

Cái bẫy cần tránh là so sánh hai mức giá được nêu bật và kết luận rằng $0.04 tốt hơn $0.05. Những con số đó không đo cùng một phút: một bên bao gồm một bộ chuyển lời nói thành văn bản, một bộ tổng hợp và một bộ suy luận; bên kia bao gồm một cái tai. Hãy mua cái có nội dung phù hợp với công việc, rồi hãy tranh luận về giá.