
Realtime 1 vs GPT Live 1: Năm xu so với một xu, và một tuyên bố chưa ai có thể kiểm chứng
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 90 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 87 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 trên 1 triệu token · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 124 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 · 43 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 · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 trên 1 triệu token · 182 tok/s
Năm xu một phút. Đó là giá OpenAI tính cho GPT Live 1 — mô hình giọng nói song công toàn phần "có thể nghe và nói cùng lúc", được tính phí theo giây mà không làm tròn lên, mô hình backend và việc sử dụng công cụ được tính riêng. MAI Realtime 1, được Microsoft công bố vào ngày 17 tháng 11 năm 2026, có giá một xu một phút, chưa tính đến bậc suy luận của nó. Trên bảng giá, chênh lệch là năm so với một, và một người từng dùng cả hai chia sẻ trên internet rằng Realtime 1 "cảm thấy rất giống mô hình GPT Live." Câu đó là điều thú vị nhất trong màn so tài này và cũng là điều khó kiểm chứng nhất, vì chỉ có đúng một cách để phân định nó và chưa có bên độc lập nào chạy bài kiểm tra có thể làm được điều đó.
Vậy hãy coi đây là hai câu hỏi thay vì một. Một mô hình một xu một phút có kém hơn năm lần không? Và hồ sơ đo lường của GPT Live 1 thực sự mang lại điều gì mà một mô hình rẻ hơn sẽ phải sánh bằng? Câu thứ hai có câu trả lời. Câu thứ nhất thì chưa.
Các kiến trúc không có cùng hình dạng
GPT Live 1 là một mô hình khác thường và tài liệu của nó nói rõ điều đó. Đây là mô hình song công toàn phần — nghe và nói đồng thời, thay vì luân phiên theo lượt — và nó không tự thực hiện phần lý luận. Nó “chuyển giao phần lý luận và công việc công cụ cho một tác nhân phía backend”, chỉ có thể truy cập qua v1/live/sessions, không hỗ trợ endpoint Chat Completions, Responses hay Realtime. Nó nhận và xuất âm thanh lẫn văn bản, hỗ trợ truyền phát và gọi hàm, đồng thời không nhận hình ảnh hoặc video.
• GPT Live 1 — giao diện front-end song công toàn phần, phần suy luận được giao cho bất kỳ tác nhân backend nào bạn gắn vào. Giới hạn phiên đồng thời: 50 trên Build, 300 trên Launch, 500 trên Grow. Không có gói miễn phí.
• MAI Realtime 1 — giọng nói sang giọng nói với luồng xử lý nhanh và một tầng suy luận nội bộ. Microsoft tính phí $1.00 mỗi triệu token đầu vào và $5.00 mỗi triệu token đầu ra. Tính phí theo phút âm thanh ở phía hội thoại. Bản xem trước không bị tính phí cho đến khi ra mắt bản xem trước công khai.
Cả hai, trên thực tế, đều là những hệ thống gồm hai phần. Khác biệt nằm ở việc ai sở hữu phần thứ hai. Với GPT Live 1, phần đó rõ ràng là của bạn: bạn chọn agent backend, bạn trả riêng cho token của nó, bạn thấy được mối nối. Với MAI Realtime 1, việc bàn giao nằm bên trong sản phẩm và trang giá, còn quyết định định tuyến không phải là thứ bạn cấu hình.
Chỉ một khác biệt thiết kế đó thôi đã giải thích phần lớn khoảng cách về giá. OpenAI đang tính 0,05 USD mỗi phút cho một tai và miệng rất tốt. Microsoft đang tính 0,01 USD cho tai và miệng tạm ổn cùng một bộ điều phối nội bộ, và kiếm tiền từ phần suy nghĩ trên đồng hồ token.
Các phép đo của GPT Live 1 thực sự cho thấy điều gì
GPT Live 1 có mặt hai lần trên bảng xếp hạng speech-to-speech của Artificial Analysis, vì agent backend mà bạn đính kèm sẽ thay đổi kết quả:
• Chỉ số chuyển giọng nói sang giọng nói — 83,2 với backend lớp Astra ở mức trung bình, 80,1 với backend lớp Sol ở mức thấp. Cả hai đều nằm trên mức 74,5 của Gemini 3.8 Live và cao hơn hẳn mức 77,3 của Eleven Realtime Max, khiến GPT Live 1 trở thành mô hình có chỉ số cao nhất trong nhóm so sánh này.
• Suy luận giọng nói (Big Bench Audio) — lần lượt 90,1% và 89,0%. Không phải đứng đầu bảng — Eleven Realtime Max đạt 98,8% — nhưng vẫn có sức cạnh tranh vững chắc.
• Động lực hội thoại — 94,9% và 97,3%. Biến thể cấu hình Sol có điểm động lực tốt nhất trong bộ, đây là con số tương ứng với "cảm giác dễ chịu khi trò chuyện."
• Hoàn thành tác vụ dạng tác nhân (τ-Voice) — 74,5% và 59,3%. Cả hai đều vượt xa mức 30,1% của Gemini 3.8 Live, đúng như kỳ vọng ở một mô hình mà toàn bộ tiền đề thiết kế là chuyển giao công việc cho một backend có năng lực.
• Arena Elo — 1027 và 1037.
• Tỷ lệ hoàn thành nhiệm vụ — 87,4% và 90,9%.
• Thời gian đến âm thanh đầu tiên — 1,34 và 1,24 giây. Chậm hơn mức 0,57 của Eleven Realtime Max và chậm hơn mức 1,18 của Gemini 3.8 Live, nhưng thiết kế full-duplex nghĩa là thời gian chờ cảm nhận không giống với thời gian đo được; một mô hình phản hồi xác nhận trong khi vẫn đang suy nghĩ sẽ không tạo cảm giác bị tạm dừng.
• Chi phí hỗn hợp — 5,83 USD và 4,47 USD mỗi giờ theo cách chuẩn hóa của Artificial Analysis, so với bảng giá 0,05 USD mỗi phút, tức 3,00 USD một giờ chỉ riêng cho đường thoại. Các con số cao hơn bao gồm chi phí token phía backend, và đó là cách đọc trung thực đối với một mô hình giao phó phần suy luận.
Từ những con số đó suy ra hai điều. Thứ nhất, cấu hình quan trọng không kém mô hình: cùng một GPT Live 1 đạt 83,2 hoặc 80,1 tùy vào backend mà bạn trỏ nó tới, và 74,5% hoặc 59,3% trên các tác vụ agentic. Một bài đánh giá chỉ dẫn ra một con số mà không nói đã dùng backend nào thì gần như chẳng cho bạn biết gì. Thứ hai, người dẫn đầu bảng chỉ số ở đây không phải người dẫn đầu đấu trường — Gemini 3.8 Live thắng Elo, GPT Live 1 thắng chỉ số. Hai thứ đó đo những điều khác nhau, và không cái nào là đại diện thay thế cho khối lượng công việc của bạn.

Tuyên bố đáng để kiểm chứng, và cái giá của việc kiểm chứng nó
“Nó cảm giác rất giống mô hình GPT Live.” Nếu nhìn nhận theo đúng nghĩa đen, đó là nhận xét mạnh mẽ nhất mà bất kỳ ai từng đưa ra về MAI Realtime 1, và nó đến từ một người không công bố phương pháp luận, không có bản ghi âm nào và không có bộ nhiệm vụ nào. Công bằng mà nói, đây cũng chính xác là cách hầu hết những ấn tượng ban đầu về các mô hình giọng nói xuất hiện — hội thoại song công hoàn toàn khó chấm điểm và dễ cảm nhận, đó là lý do arena tồn tại ngay từ đầu.
Vấn đề là tuyên bố này chỉ kiểm chứng được một nửa. Microsoft công bố một con số độ chính xác cho MAI Realtime 1 — 98,8% trên Big Bench Audio, trên trang mô hình, do nhà cung cấp tự thực hiện và chưa được tái lập — cùng với một thẻ P50 thời gian đến âm thanh đầu tiên và chú thích “P50 Latency on BigBench Audio”. Hãng không công bố điểm τ-Voice, không công bố phân bố độ trễ và không công bố danh sách ngôn ngữ. Tính đến ngày 18 tháng 11, Artificial Analysis không có MAI Realtime 1, nên không có số đo độc lập nào về con số 98,8% đó để đặt cạnh 90,1% của GPT Live 1: một bên là đánh giá của chính nhà cung cấp, bên kia là của bên thứ ba. Tuyên bố so sánh của chính Microsoft nêu tên GPT Realtime 2.1, một mô hình khác với GPT Live 1 với cấu trúc giá hoàn toàn khác, và ngay cả phép so sánh đó cũng được công bố như một vị thế tiên phong thay vì dưới dạng số liệu.
Vậy phiên bản hữu ích của tuyên bố là một kế hoạch kiểm thử, không phải một phán quyết. Bốn việc cần chạy, tất cả đều rẻ khi bản xem trước chưa bị tính phí:
• Trò chuyện liên tiếp — cùng hai mươi cuộc gọi đã ghi âm được chạy qua cả hai mô hình, chấm điểm mù. Đây là cách duy nhất để kiểm tra cảm giác “gần gũi”, và đây là phép thử mà tuyên bố ban đầu đã bỏ qua.
• Gián đoạn khi chồng lấn — thiết kế song công toàn phần của GPT Live 1 cho phép nó vừa nói vừa nghe cùng lúc. Hãy kiểm tra xem Realtime 1 thực sự xử lý lời nói đồng thời hay chỉ xử lý việc ngắt lời dứt khoát. Đó là những khả năng khác nhau và chỉ một trong số đó xuất hiện trong bản demo.
• Độ trễ khi chuyển sang chế độ suy luận — khi Realtime 1 chuyển một lượt cho công cụ suy luận của nó, hãy đo khoảng dừng. Tuyên bố của Microsoft là "không có những khoảng dừng gượng gạo", một tuyên bố về độ trễ nhưng không kèm con số nào.
• Chi phí cho mỗi cuộc gọi đã hoàn tất — không phải mỗi phút. Một mô hình có chi phí mỗi phút chỉ bằng một phần năm và cần thêm hai lượt để xử lý một yêu cầu thì không phải có giá bằng một phần năm. Đây là con số quyết định cuộc so tài và không nhà cung cấp nào công bố nó.
Năm xu đó đi đâu
Nếu bốn xu mỗi phút thêm vào của GPT Live 1 chẳng mang lại cho bạn điều gì, thì đây không phải là một quyết định. Nhưng nó mang lại một thứ cụ thể: điểm agentic 74,5% được đo lường thực tế, đặt cạnh một tuyên bố chưa được đo lường, và một kiến trúc song công toàn phần – một năng lực khác về bản chất so với việc luân phiên lượt nói, chứ không phải một phiên bản tốt hơn của nó.
Thứ bạn phải trả ngoài mức giá là quyền kiểm soát và phần hạ tầng kết nối. GPT Live 1 yêu cầu bạn tự cung cấp và trả tiền cho một tác nhân backend — đó là công việc thật và hóa đơn thật, nhưng cũng là lý do cấu hình của nó làm thay đổi điểm số. Bạn chọn mô hình suy luận; bạn thấy chi phí token; bạn quyết định việc gì sẽ được leo thang. MAI Realtime 1 đưa ra quyết định đó bên trong sản phẩm và tính $1.00 và $5.00 mỗi triệu token cho việc đó, mà không cho bạn biết điều đó diễn ra thường xuyên đến mức nào.
Sự đánh đổi đó — khả năng quan sát đối lại sự tiện lợi — chính là nơi một gateway chứng minh giá trị của mình. Cả hai mô hình cuối cùng đều gọi tới các mô hình suy luận, GPT Live 1 theo thiết kế và MAI Realtime 1 ở bên trong, và lớp suy luận đó chính là phần mà OrcaRouter định tuyến: hơn 200 mô hình phía sau một khóa duy nhất, theo giá niêm yết của nhà cung cấp với mức cộng thêm 0%, nhờ đó phần backend quyết định cấu hình GPT Live 1 của bạn có thể hoán đổi mà không cần hợp đồng thứ hai, cùng với cơ chế chuyển đổi dự phòng tự động để một cuộc gọi suy luận bị đình trệ không biến thành khoảng lặng giữa câu. Hợp nhất mô hình là đòn bẩy khác đáng biết đến ở đây — với một tác nhân thoại mà những lượt khó là những lượt tốn kém, một nhóm mô hình cùng trả lời trên luồng leo thang là cách mua độ chính xác ở nơi cần thiết mà không phải trả giá cho nó ở mọi lượt.
Để chính xác về phạm vi hỗ trợ: cả GPT Live 1 lẫn MAI Realtime 1 đều không có trong danh mục của OrcaRouter. GPT Live 1 là endpoint v1/live/sessions của chính OpenAI; MAI Realtime 1 là bản xem trước hạn chế truy cập của MAI Labs và Foundry. Thứ nằm phía sau chúng mới là thứ chúng tôi cung cấp.
Chi tiết tích hợp quyết định tiến độ của bạn
GPT Live 1 có tích hợp vụng về hơn và tài liệu tốt hơn. Endpoint v1/live/sessions chuyên dụng của nó đồng nghĩa với việc không có gì bạn đã xây dựng dựa trên Realtime API có thể tái sử dụng — đây là một mô hình phiên mới, và việc nó không hỗ trợ Chat Completions, Responses hay Realtime là điều đầu tiên xuất hiện trong tài liệu của nó, không phải vô cớ. Giới hạn tốc độ đếm số phiên đồng thời, không phải token, nên lập kế hoạch dung lượng là một bài toán hoàn toàn khác: 50 đồng thời trên Build, 300 trên Launch, 500 trên Grow, không có gói miễn phí.
MAI Realtime 1 thì ngược lại: một giao diện tương thích với OpenAI Realtime API, và đây là câu hữu ích nhất trong thông báo của Microsoft. Nếu hệ thống của bạn đã nói giao thức đó, việc đánh giá chỉ là một chuỗi model và một base URL. Vấn đề nằm ở mọi thứ xung quanh giao diện — không có danh sách ngôn ngữ, không có phân phối độ trễ, không có điểm τ-Voice, không có ngày GA, và một bản demo hai phút trong MAI Labs đã báo "MAI Realtime is unavailable right now" khi chúng tôi kiểm tra.
Vậy là sự bất đối xứng về tiến độ là có thật. Với GPT Live 1, bạn có thể tích hợp ngay trong tuần này dựa trên tài liệu đã công bố và một endpoint production. Với MAI Realtime 1, bạn có thể tạo nguyên mẫu dựa trên khả năng tương thích mà bạn đã nắm rõ, rồi sau đó chờ một bản preview miễn phí chính vì nó chưa hoàn thiện.

Phán quyết, được nói như một lời cá cược
Chọn GPT Live 1 nếu trải nghiệm giọng nói chính là sản phẩm và bạn muốn một backend do mình kiểm soát. Nó có chỉ số giọng nói sang giọng nói cao nhất trong phân khúc, động lực hội thoại tốt nhất với backend hạng Sol, điểm agentic vượt mọi mô hình không phải OpenAI trong bảng so sánh ngoại trừ Phonic 1 và Grok Voice 3.0, cùng tài liệu cho bạn biết chính xác nó làm gì. Năm xu một phút là con số thật và bạn có thể dự báo được.
Hãy đặt cược vào MAI Realtime 1 nếu bài toán kinh tế là ràng buộc và bạn có thời gian kỹ thuật để dành cho việc đo lường thay vì mua sắm. Một xu mỗi phút với bản xem trước không tính phí và giao diện tương thích OpenAI là cách rẻ nhất có thể để tìm hiểu xem thiết kế hai tầng của Microsoft có vượt trội hơn thiết kế phía ứng dụng của bạn hay không. Điều bạn đang chấp nhận là bạn sẽ là người tạo ra phân phối độ trễ, con số τ-Voice và danh sách ngôn ngữ, vì Microsoft chưa công bố bất kỳ thông tin nào trong số đó — và rằng chỉ số độ chính xác duy nhất của nó, 98,8% trên Big Bench Audio, được nhà cung cấp đưa ra mà không có cơ sở nào đằng sau.
Điều duy nhất không nên làm là lặp lại tuyên bố "cảm giác rất sát nhau" như thể đó là một kết quả. Có thể điều đó đúng. Người nói điều đó rất có thể đúng, và nếu đúng thì cuộc so tài này không còn thú vị nữa, vì mô hình rẻ hơn sẽ là lựa chọn tốt hơn trên phương diện quan trọng nhất với người dùng. Nhưng cảm giác từ một buổi chiều không phải là tỷ lệ hoàn thành nhiệm vụ, và con số có thể giải quyết chuyện này — tỷ lệ cuộc gọi thực tế mà mỗi mô hình thực sự hoàn thành — lại chính là con số mà cả hai nhà cung cấp đều chưa công bố.

So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
