Grok Voice 3.0 vs GPT-Live-1: xAI thắng trên chỉ số nhưng thua ở bài kiểm tra mới là điều quan trọng

Hai mô hình hàng đầu, cách nhau 3,7 điểm trên Chỉ số Speech to Speech của Artificial Analysis, và cả hai đều bị đánh bại ở đúng một thành phần quyết định liệu một voice agent có đáng để triển khai hay không. Grok Voice 3.0đạt 86,9 trên chỉ số mà SpaceXAI công bố ngày 14 tháng 10 năm 2026, so với 83,2 của GPT-Live-1 ở cấu hình Astra medium, phiên bản mà tài liệu của chính O​penAI chỉ định cho một tích hợp WebRTC khi một phiên làm việc chuyển giao phần suy luận cho backend. Trên τ-Voice — bộ đánh giá dịch vụ khách hàng chấm điểm liệu một agent có thực sự hoàn thành một tác vụ gồm nhiều bước hay không — Grok Voice 3.0 đạt 71,6% và GPT-Live-1 Astra medium đạt 74,5%. Mô hình có điểm tổng hợp tốt nhất trong hạng mục lại không nắm giữ thành phần tương quan với việc hoàn thành công việc, và O​penAI cũng không công bố một dòng tiêu đề nào về điều đó.

Điều thứ hai đáng chú ý là xu hướng giá. GPT-Live-1 tính 0,05 đô la mỗi phút thoại, tính phí theo từng giây, tức 3,00 đô la một giờ. Grok Voice 3.0 tính 0,08 đô la mỗi phút, tức 4,80 đô la một giờ. Mẫu mới hơn có giá cao hơn 60% mỗi phút âm thanh, và đây chính là mẫu mà nhà cung cấp đã dành quý cuối cùng trong vòng đời của mẫu tiền nhiệm để hấp thụ một đợt tăng giá thay vì công bố giảm giá.

Sự phân tách kiến trúc mà không ai đưa lên bảng so sánh

Không cái nào trong hai cái này là mô hình giọng nói biết suy nghĩ. Cả hai đều là những lớp thoại đóng vai trò ủy thác, và hai thiết kế ủy thác không phải là cùng một giống loài — đó là lý do chi phí tích hợp khác nhau nhiều hơn hẳn so với giá mỗi phút.

GPT-Live-1 chuyển công việc qua một ranh giới bất đồng bộ đến một backend được chỉ định trong cấu hình phiên. Ví dụ WebRTC đã công bố của OpenAI kết nối backend đó với GPT-5.6 Terra thông qua Responses API. Lớp thoại duy trì cuộc trò chuyện trong khi backend suy nghĩ, và gộp câu trả lời trở lại khi nó đến. Hệ quả là nửa suy luận là một cuộc gọi văn bản tính theo token thông thường mà bạn tự chọn, định giá và hoán đổi độc lập. Nửa thoại thì hoàn toàn không thể di động: chỉ có một ID model, gpt-live-1, một endpoint tại v1/live/sessions, WebRTC thay vì giao vận WebSocket mà hầu hết các tích hợp Realtime được xây dựng trên đó, và không có đường đi qua Chat Completions, Responses, Batch hay các endpoint tinh chỉnh. Giới hạn tốc độ được tính bằng số phiên đồng thời — 25 ở Tier 1, tăng dần qua 50, 200, 300 và 500 — điều này cho bạn thấy OpenAI nghĩ đơn vị quy mô là một đường dây điện thoại chứ không phải một yêu cầu.

Grok Voice 3.0 có phạm vi hẹp hơn và chi phí áp dụng thấp hơn. Nó chạy trên cùng endpoint WebSocket thời gian thực như Grok Voice 2.0, với cùng tham số phiên, cùng tên sự kiện và cùng bắt tay bearer-token, và việc dùng công cụ diễn ra thông qua một mảng tools trong session update giống như trước đây. Không có việc di trú transport. Cũng không có mẫu ủy thác backend nào được ghi nhận trong tài liệu theo kiểu mà GPT-Live-1 công bố, nghĩa là phần suy luận bạn cần phải có thể tiếp cận được dưới dạng một công cụ mà mô hình giọng nói gọi một cách đồng bộ, thay vì như một tác vụ nền do nó giám sát.

Sự khác biệt đó quyết định nhiều triển khai hơn chỉ số. Một đội vốn đã dùng API thời gian thực của xAI chỉ cần đổi chuỗi model để chuyển sang Grok Voice 3.0 — hoặc không làm gì cả, vì grok-voice-latest giờ đã trỏ tới nó và các triển khai alias hiện có đã được tự động chuyển. Một đội đang dùng các model Realtime cũ hơn của OpenAI mà chuyển sang GPT-Live-1 thì đang phải viết lại transport cùng với viết lại delegation.

Từng dòng một

Mọi số liệu dưới đây đều là kết quả đo lường của chính Artificial Analysis, ngày 13 tháng 10 năm 2026, trừ khi dòng đó có ghi chú khác.

• Chỉ số Speech to Speech — Grok Voice 3.0 86.9 so với GPT-Live-1 (Astra, medium) 83.2. Cũng có một cấu hình GPT-Live-1 thấp hơn được đo ở mức 80.1 trong biến thể Sol low-effort của nó, và chênh lệch chỉ số phụ thuộc hoàn toàn vào việc bạn đang nói đến cái nào.

• Hiệu năng agentic, τ-Voice — GPT-Live-1 Astra medium 74,5% so với Grok Voice 3.0 71,6%. OpenAI dẫn đầu ở hạng mục này, và dẫn đầu ở thành phần dự đoán liệu vấn đề của người gọi có được giải quyết hay không.

• Suy luận giọng nói, Big Bench Audio — Grok Voice 3.0 98.5% so với GPT-Live-1 Astra medium, vốn nằm cùng dải. Cả hai đều đủ gần mức trần đến mức trục này không còn phân biệt được ai nữa.

• Ưu tiên đấu trường — Grok Voice 3.0 giữ Elo cao nhất trên bảng ở mức 1070. GPT-Live-1 không giữ được đấu trường trong bất kỳ cấu hình nào.

• Thời gian đến âm thanh đầu tiên — Grok Voice 3.0 là 0,81 giây so với GPT-Live-1 Astra medium ở 1,34 giây. Bắt đầu nói nhanh hơn khoảng 40%, và là tuyên bố hiệu năng cụ thể nhất mà bất kỳ nhà cung cấp nào trong hai đưa ra.

• Chi phí cho mỗi tác vụ đã hoàn thành, Big Bench Audio — Grok Voice 3.0 $0.025 so với GPT-Live-1 Astra medium $0.030. Rẻ và chính xác trên từng tác vụ là sự kết hợp chấm dứt các cuộc tranh luận về mua sắm.

• Giá mỗi phút âm thanh — GPT-Live-1 $0,05, tính theo giây, không làm tròn lên đối với phút lẻ và khoản phí khởi tạo phiên 15 giây được trừ vào thời lượng sau đó thay vì cộng dồn lên trên; Grok Voice 3.0 $0,08 mỗi phút cộng thêm $0,004 cho mỗi đầu vào văn bản.

• Đầu vào đa phương thức — GPT-Live-1 tiếp nhận âm thanh và văn bản, và tài liệu của nó liệt kê hình ảnh cùng video là những thứ hoàn toàn không được hỗ trợ; Grok Voice 3.0 cũng không có nền tảng thị giác. Cả hai đều không thể nhìn thấy, và không nhà cung cấp nào công bố mốc thời gian để thay đổi điều đó.

• Giọng nói — GPT-Live-1 cung cấp 12 giọng; Grok Voice 3.0 giữ nguyên bộ tích hợp sẵn của xAI và điểm cuối giọng nói tùy chỉnh có thể huấn luyện một giọng nói từ clip tham chiếu dài tối đa 120 giây.

Hóa đơn, dành cho một khối lượng công việc mà bạn có thể hình dung

Mười nghìn phút trò chuyện mỗi ngày trong ba mươi ngày là 300.000 phút một tháng.

• GPT-Live-1 — $0.05 mỗi phút thoại, tức là $15,000 một tháng chỉ riêng lớp thoại.

• Grok Voice 3.0 — $0,08 mỗi phút, tức $24.000 một tháng, cộng thêm $0,004 cho mỗi đầu vào văn bản.

Cả hai con số chỉ là phần giọng nói. Phần suy luận phía backend của GPT-Live-1, các lệnh gọi công cụ và mọi tìm kiếm web đều được tính phí riêng theo mức giá của chính mô hình backend, và một phiên hướng tới một bộ suy luận tiên tiến vốn tìm kiếm ở mọi lượt có thể tốn nhiều chi phí cho việc ủy thác hơn là cho âm thanh. Các lệnh gọi công cụ đồng bộ của Grok Voice 3.0 chạy trên bất kỳ backend nào trả lời chúng, theo cùng quy tắc đó. Trong cả hai trường hợp, "giá mô hình giọng nói" chỉ là một phần nhỏ của cuộc gọi, và phần nhỏ đó phụ thuộc vào việc người gọi của bạn phải động não đến mức nào.

Đó là lớp mà một router thực sự hữu ích, và đáng để chính xác về ranh giới. OrcaRouter không phục vụ cả hai endpoint thời gian thực — gpt-live-1 nằm sau Live Sessions API của OpenAI và Grok Voice 3.0 nằm sau API riêng của xAI, và không gì có thể xen vào một phiên âm thanh song công thuộc về một nhà cung cấp. Thứ chúng tôi vận hành là phần ủy thác. GPT-5.6 Terra, đúng backend trong ví dụ đã công bố của chính OpenAI, được phục vụ qua OrcaRouter ở mức giá niêm yết của OpenAI là $2.00 cho mỗi triệu token đầu vào và $12.00 cho mỗi triệu token đầu ra với cả hai endpoint chat và Responses đều được mở, cùng với hơn 200 mô hình khác trên một key, theo giá niêm yết của nhà cung cấp, không cộng thêm gì và tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm. Bởi vì không có gì bị cộng thêm giá, việc nhà cung cấp giảm giá ở hạng suy luận sẽ có hiệu lực phía chúng tôi trong cùng ngày — điều này quan trọng trong một danh mục nơi một flagship đã tăng mức giá theo phút lên 60% trong vòng ba tháng trong khi một sản phẩm khác giữ nguyên không đổi.

Những gì mỗi nhà cung cấp nói mà không hội đồng nào bao quát

Cả hai nhà cung cấp đều công bố những con số về lưu lượng vận hành thực tế của chính họ. Không bên nào có thể được kiểm chứng một cách độc lập, và cách diễn giải trung thực nhất là coi đó như bằng chứng về sự tự tin chứ không phải về năng lực.

Các số liệu của OpenAI, được công bố cùng với bản phát hành API và không được ai tái lập: khả năng tương tác song công toàn phần đạt 80,1% so với 45,4% của GPT-Realtime-2.1, độ trễ chuyển lượt giảm từ 1,4 giây xuống 0,8, độ chính xác gọi công cụ từ 60% lên 87%. Yelp được nhắc đến nhờ việc xử lý đặt chỗ qua điện thoại được cải thiện, và nền tảng học ngôn ngữ Speak báo cáo số lần ngắt lời ít hơn gần 80% so với hệ thống dựa trên lượt trước đây của mình — do một công ty có lợi ích trong kết quả này tự báo cáo, và vẫn là số liệu triển khai cụ thể nhất trong bản phát hành.

Các số liệu của SpaceXAI, được công bố cùng với màn ra mắt của nó và cũng không thể tái tạo tương tự: Grok Voice 3.0 vận hành hàng triệu cuộc trò chuyện mỗi ngày trên các phương tiện Tesla và tại SpaceX, các trung tâm cuộc gọi của Starlink thực hiện 20.000 cuộc gọi khách hàng mỗi ngày bằng nhiều ngôn ngữ, với khoảng 70% được giải quyết mà không cần con người và khoảng một trong bốn cuộc gọi bán hàng kết thúc bằng việc mua hàng, cùng mức 74% được làm tròn trên EVA-Bench của ServiceNow. Hãy coi tỷ lệ containment là một con số cấp hệ thống đang khoác lên mình bộ cánh cấp mô hình — nó phản ánh thiết kế prompt, truy xuất và chính sách chuyển cấp chẳng kém gì bản thân mô hình, và không bên ngoài nào có thể tách bạch chúng.

Thực sự nên chọn cái nào

Chọn Grok Voice 3.0 khi độ trễ là ràng buộc và ngăn xếp đã nằm trên xAI. Thời gian đến âm thanh đầu tiên là 0,81 giây, con số được công bố nhanh nhất trong số các mô hình giọng nói tiên phong, đường dẫn WebSocket nghĩa là không cần viết lại tầng truyền tải, và chi phí di trú chỉ là một chuỗi mô hình. Cũng nên chọn nó nếu người gọi của bạn đánh giá trải nghiệm thay vì kết quả — nó giữ vị trí dẫn đầu đấu trường về mức độ ưa thích và điểm tổng hợp về chất lượng, và một người gọi thích thú với cuộc trò chuyện sẽ cúp máy vui vẻ hơn ngay cả khi tác vụ leo thang.

Hãy chọn GPT-Live-1 khi nhiệm vụ chính là sản phẩm. Nó dẫn đầu trước τ-Voice với 74.5% so với 71.6%, mô hình ủy quyền của nó được tài liệu hóa và backend suy luận của nó là một lệnh gọi đo token có thể di chuyển thay vì một công cụ mờ đục, và tính theo mỗi nhiệm vụ hoàn thành, nó cạnh tranh về chi phí bất chấp khoảng cách chỉ số. Cũng hãy chọn nó nếu bạn đang xây dựng từ đầu và không có tích hợp WebSocket nào cần giữ lại, bởi vì câu chuyện về truyền tải chỉ gây bất lợi cho bạn khi bạn đã có sẵn một tích hợp như vậy.

Điều duy nhất cần gạt bỏ là việc chọn dựa trên điểm tổng hợp. Khoảng cách chỉ số 3,7 điểm và khoảng cách τ-Voice 2,9 điểm chỉ về hai hướng ngược nhau, còn chênh lệch chi phí lại chỉ về hướng thứ ba — GPT-Live-1 rẻ hơn 37,5% cho mỗi phút âm thanh trước khi tính đến đầu vào văn bản. Bất kỳ ai chọn giữa hai cái này dựa trên 86,9 so với 83,2 đều đang chọn dựa trên con số ít liên quan nhất đến việc đường dây điện thoại của họ có hoạt động hay không.

Điều gì sẽ định đoạt chuyện này: một cam kết khả dụng chung và một con số độ trễ được OpenAI công bố cho cấu hình Astra đang giữ vị trí đầu bảng, vì việc so sánh 0,81 với 1,34 hiện dựa trên con số của xAI đối chiếu với một cấu hình mà tài liệu của chính OpenAI coi là ví dụ; hoặc một động thái giá từ một trong hai bên. Bảng giá là phần duy nhất của cuộc đối đầu này từng thay đổi trước đây, và nó đã thay đổi theo hướng tăng.

Những so sánh như thế này cũng là nơi các kiểu lỗi lộ diện: những sự cố AI được ghi nhận và các lỗi của agent đằng sau những mô hình thuộc lớp này được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.