生成的标题卡标题为“GPT-Live-1.1 vs SeedRealtime”,副标题为“一个卖分钟,一个什么都不卖”,左侧卡片标注为 GPT-Live-1.1,显示每活跃分钟 $0.05、每待机分钟 $0.02 以及公共 API;右侧卡片标注为 SeedRealtime,无公共 API、无开放权重,且仅在 Doubao 内可用。
Guides & Insights

GPT-Live-1.1 对比 SeedRealtime:一个卖分钟数,一个什么都不卖

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

把 GPT-Live-1.1 和 SeedRealtime 并排放在一起,比较就立刻不再关乎质量。GPT-Live-1.1 是一个全双工语音模型,你今天就能调用、按秒租用,并投入产品;它于 2026 年 11 月 19 日出现在 OpenAI API 上,是在 ChatGPT Voice 中取代 GPT-Live-1 的五周之后。SeedRealtime 由 ByteDance 的 Seed 团队于 2026 年 8 月 5 日发布,纸面上是更有趣的架构——一个原生音视频全双工模型,在同一个系统里观看、聆听和说话——而它不是你能调用的东西。没有公开 API,在 Hugging Face 上没有开放权重,没有参数量,也没有包含数字的技术报告。

所以,诚实的表述框架不是“哪个更好”。而是:其中一个是带有价目表的产品,另一个是对第一种产品已明确拒绝推出的某项能力的演示。这两种说法同时成立,而哪一种更重要完全取决于你是否在构建什么东西。

输入界面的形状不同

GPT-Live-1.1 能听见。这就是其输入的全部情况。模型页面将音频和文本列为输入模态,将音频和文本列为输出模态,除此之外别无其他——没有图像,没有视频,也没有文档。它对听见的内容所做的处理确实非同寻常:它是全双工的,也就是说它会在说话的同时聆听,而不是轮流发言;并且它每秒会多次决定是继续聆听、暂停、打断,还是将工作交给后端。此次版本升级唯一明确说明的能力变化就在这一层:与 GPT-Live-1 相比,它“更准确地转写语音,并在不同语言间保持更一致的口音和音色”。这一说法没有附带任何数字。

SeedRealtime 在一个模型中而非流水线中实现听与看。字节跳动的发布文章描述了一种统一架构,它融合音频、视频和文本,在连续流上并行执行感知、理解、决策和表达。文章列出的具体结果,是纯文本语音模型在结构上无法达到的:通过观察场景消除同音词歧义,根据手势和目光判断“this”指什么,并在目标物体出现在画面中时主动开口。演示很具体——在嘈杂的餐桌上把名字和面孔对应起来,为外国食客翻译只有中文的菜单,注意到整颗咖啡豆被倒入冲煮手柄并在萃取前说出来,将博物馆展品保持在视野中,直到用户想看的展品到达,然后提醒他们。

• 输入 — GPT-Live-1.1 仅支持音频和文本,而 SeedRealtime 在单一模型中融合音频、视频和文本

• 话轮转换 — GPT-Live-1.1 在内部进行高频决策,而 SeedRealtime 将话轮转换移入模型内部,并移除了外部语音活动检测器

• 主动行为——GPT-Live-1.1 会响应、委派并调用工具,而 SeedRealtime 则被描述为当视野中出现某些内容时会主动开口

• 运行位置 — GPT-Live-1.1 在 v1/live/sessions 上按公开的每分钟费率运行,对比 ByteDance 的 Doubao 应用内的 SeedRealtime

• 证据 — GPT-Live-1.1 在 Artificial Analysis 上有其前代的第三方评分,而 SeedRealtime 有一项端到端的人工评估,却没有样本量,也没有具体数字

Generated two-column scoreboard titled 'GPT-Live-1.1 vs SeedRealtime — the scoreboard' with six matched rows: inputs (audio and text vs audio, video and text fused), turn-taking (decided inside the model vs moved into the model), proactive behaviour, where each runs (v1/live/sessions vs inside Doubao only), evidence (index scores for GPT-Live-1 only vs a vendor human evaluation with no figure), and price ($0.05/$0.02 per minute vs no developer product).

你实际支付多少,以及支付给谁

GPT-Live-1.1 按持续时间对语音会话计费,按秒计算,活跃分钟为每分钟 $0.05。自 2026 年 11 月 19 日起,WebRTC 会话还可配置为在无活动时暂停推理,并在等待期间按每分钟 $0.02 计费,当有人说话时恢复。后端模型和工具使用——即语音层委派的推理与工具工作——会按你所指定模型的 token 计量表单独计费。创建 WebRTC 会话时,初始化阶段会计收 15 秒的语音时长费用;会话开始运行后,这笔费用会抵扣回语音时长。

SeedRealtime 对开发者而言的价格不是一个数字,因为并不存在面向开发者的产品。它可在消费级助手豆包(Doubao)内使用,字节跳动称自8月发布以来已“全面铺开”。这是真实规模的真实部署,而且它不是 API。字节跳动的模型即服务平台是否会承载它、以什么费率承载,发布博文中没有说明,截至2026年11月20日查阅的 Seed 网站上也没有说明。

这种不对称带来的成本后果,不止显而易见的那一个。按秒租用的模型可以被纳入预算、被比较、被关停。嵌在别人的消费级应用里的模型,这些一样都做不到,因此两者之间的比较根本没有汇率可言。你不是在每分钟 0.05 美元和更便宜的东西之间做选择;你是在一个预算条目和一个演示之间做选择。

证据逐渐稀少之处

GPT-Live-1.1 本身没有独立评分。Artificial Analysis 的语音到语音指数于 2026 年 11 月 20 日查阅时,两次列出 GPT-Live-1——使用 Astra 级后端、中等努力程度时为 83.2,使用 Sol 级后端、低努力程度时为 80.1——但尚未收录 1.1。那是一个刚发布一天的 API 模型,因此这一差距在意料之中,而非致命问题,但这确实意味着,本周口音一致性的改进只是厂商的说法。该指数确实表明,配置对分数的影响不亚于版本:同一个模型会因为你所接的后端不同而得到 83.2 或 80.1。任何只引用一个 GPT-Live 数字却不说明其后端的评测,几乎没告诉你什么。

SeedRealtime 的证据则以另一种方式显得更为单薄。字节跳动公布了一项主要结果——一项端到端人工评估,其中该模型与级联式 ASR+视觉+TTS 系统相比,“将音视频对话节奏问题减少了一半”,句中中断更少,停顿后回复迟缓的情况更少,因背景闲聊而误触发的情况也更少。但没有样本量、没有方法说明、没有置信区间,也没有延迟数据。同样没有参数规模,也没有技术报告。这并不能证明模型很弱——演示足够具体,足以表明这是一个真实系统——但这是一个你无法核实的说法,而且它没有出现在任何独立排行榜上。

Screenshot of the ByteDance Seed blog post announcing SeedRealtime, showing the 2026-08-05 publication date, the Audio category label, and the three stated breakthroughs of the model.

尤其要注意这对比较意味着什么:这两个模型并不处在同一尺度上。一个拥有上一版本的第三方数据和已公布的价格;另一个只有厂商的一句话,而且无从购买。把二者相互排名,无异于凭空发明一种测量。

为什么 API 差距就是整个论证的关键

人们很容易把“没有 API”当作一种会自行解决的临时状态,因而只视其为细节。但对于构建决策而言,情况恰恰相反:它是唯一能完全决定答案的事实。

如果你要在下个季度发布语音产品,SeedRealtime 不在你的选项清单上,再大的架构野心也改变不了这一点。GPT-Live-1.1 则在清单上:它有文档化的会话配置、公开的费率、让空闲连接成本很低的待机模式,以及一种委托模型,让你可以把推理保留在自己控制的后端中。它唯一不会做的事,就是查看你用户的摄像头。

最后这项限制值得如实权衡其代价,因为团队的需求正是在这里真正出现分化。客服热线、车载助手、语言辅导助手、日程安排智能体——这些都不需要视频,而且它们都能受益于一个在已知成本下能妥善处理打断与任务委派的模型。一个需要观看维修过程、读取菜单或跟随演示的智能体,需要的是 SeedRealtime 具备而 GPT-Live-1.1 不具备的模态能力;对于这类工作负载,如今的答案要么是等待,要么是构建 ByteDance 所反对的级联方案。

Generated decision card titled 'Which voice workload fits which model', with a left column headed 'GPT-Live-1.1 can take this today' listing support lines, in-car assistants, language tutors and scheduling agents, and a right column headed 'This needs a camera' listing repair guidance, menu reading and demonstration following, captioned 'SeedRealtime shows these; no public API yet.'

路由器的用武之地,在于委派这一侧。OrcaRouter 不提供 GPT-Live-1.1 或 SeedRealtime——两者都不是聊天模型,而且目录中也没有全双工语音端点。它提供的,是语音层将工作转交给的后端:gpt-6-luna、gpt-6-sol 以及 GPT-6 系列的其他模型,均可通过一个密钥、按提供商标价且无加价使用,并支持跨提供商自动故障转移,以及用于将多个模型组合成一次调用的路由 DSL。如果你的 Live 会话委派给某个后端,那么该后端就是你今天可以路由的部分。

该关注什么,现在该做什么

有两件事会改变这一比较,而这两件事都尚未发生。一个公开的 SeedRealtime 端点——无论是在字节跳动自己的平台上,还是在其他任何地方——都会在一夜之间把演示变成可选项,并立即引出视觉上下文是否值得投入集成工作的问题。对 GPT-Live-1.1 在语音到语音指数上的独立测量,会告诉你多语言口音的说法是否真实,以及 GPT-Live-1 在 Astra 后端下取得的 83.2 是否能够延续。

在那之前,这个决定异常清晰。如果你需要交付语音功能,GPT-Live-1.1 可调用、已定价,而且——借助待机模式——保持连接的成本比一周前更低。如果你需要一个具备视觉能力的模型,字节跳动方面再强的能力也无法转化为 API 密钥,负责任的做法是如实说明这一点,而不是拿产品与预览版进行对比排名。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新