GPT-Live-1 与 Eleven v4：计费单位先于声音做出决定

把 GPT-Live-1 和 Eleven v4 放在一起对比，你遇到的第一处差异并不是基准测试，而是计价单位。GPT-Live-1 对会话开启的每一分钟收取 $0.05。Eleven v4 对智能体实际说出的每一千个字符收取 $0.08。一个计量表按时间走，另一个按脚本走，而你应该买哪一个，在任一模型发出一个音节之前，就已经由此决定了。

这种区分在大多数对比中都会丢失，那些对比往往把语音到语音指数和文本到语音 Elo 并排放在一起，然后称之为正面交锋。事实并非如此。下面说明这两个产品实际上是什么，现有数字能告诉你什么、不能告诉你什么，以及能为客服热线、有声书和介于两者之间的棘手情形解决这一问题的算法。

两个产品，两项工作

GPT-Live-1 是 OpenAI 的全双工语音模型，自 2026 年 9 月 10 日起已在 API 上提供。它边说边听，每秒多次决定是否让出话轮，并在问题需要时把推理交给单独的文本模型处理。它只有一个端点——v1/live/sessions——并且没有 Chat Completions 或 Realtime 接口，这意味着它不是一个可以换入现有 Realtime 集成的模型 ID；它是一个需要你打开的会话。

Eleven v4 是一个文本转语音模型，于 2026 年 9 月 28 日与低延迟的 v4 Turbo 一同发布。你交给它文本，它就会用 90 多种语言中的一种返回音频，并具备 10 秒即时语音克隆、用于表达情绪和节奏的内联音频标签，以及 10,000 字符的请求上限。它没有耳朵。它听不到来电者，注意不到对方打断，也无法因为句子效果不佳而决定停下。

这种不对称正是关键所在。基于 Eleven v4 构建的语音代理是一条流水线：转写、思考、发声。基于 GPT-Live-1 构建的语音代理则是一个模型，外加一个文本模型充当顾问。流水线方案成本更低，也更可控。端到端模型更自然，也远更难被打断。它们是面向不同场景的不同产品，而不是同一个产品的相互竞争的实现方式。

排行榜究竟能如实说明什么

并不存在一个能让这两者同场竞技的单一排行榜，任何给你展示所谓同榜对比的人，都是在拿不可比的分数作比较。在 Artificial Analysis 的 Provider Voice Arena 中——该榜单采用原生语音、盲测偏好，数据采集于 2026 年 10 月 29 日——Eleven v4 以 1334 Elo 位列全场第二，v4 Turbo 以 1336 分排名第一。没有人质疑其语音质量非常出色：在该实验室的测量中，发音稳健性达到 91.7%，是发布时主要商业模型中最强的。

GPT-Live-1 完全没有出现在该榜单上，因为它并不生成该榜单所衡量的那类文本转语音。它出现在 Speech Agent Arena 上，该榜单以盲测偏好对完整的预订式对话进行评分。在那里，GPT-Live-1（Astra，medium 配置）的 Elo 为 1037，任务成功率为 87.4%；Sol-low 配置则为 1041，成功率为 90.9%。在 Speech-to-Speech Index 上——该指数对推理、智能体表现、竞技场偏好和任务成功率进行加权综合——它得分 83.2，在 21 个参评模型中排名第二。

真正成立的比较是 GPT-Live-1 与 Eleven 的对话式产品，而不是其 TTS 模型。在同一个竞技场中，Eleven Realtime v1 Max 得分为 1003，任务成功率为 87.1%；ElevenLabs Agents 默认级联得分为 989，成功率为 90.5%。因此，端到端模型比实时替代方案领先约 35–50 Elo，而级联代理栈的得分低约 50 分，但成功率略高。这些数字足够接近，以至于单次部署中的电话通信、提示词设计和背景噪声将决定结果，而不是排行榜。

再补充一个坦诚的提醒：GPT-Live-1 的数值带有配置标签。它的推理由某个具名后端完成，而 Astra-medium 和 Sol-low 配置得分不同，是因为它们的委派方式不同。Eleven 的数值带的是产品标签。两者都不是针对对方的受控实验。

三分钟通话中的算术

假设一通呼入客服电话，客服人员每分钟说900个字符——语速轻快但属于正常——而来电者在这三分钟里大约有40%的时间在说话。

• GPT-Live-1 — 三分钟按每分钟 $0.050 计算，共 $0.15，另需加上后端文本模型针对本次通话所需推理所产生的费用。每分钟：$0.050。

• Eleven v4 — 智能体大约会说出 1,620 个字符，因此 1.62 × $0.08 = $0.13，再加上转录费用和你自己的语言模型费用。每分钟：在 STT 和 LLM 之前约为 $0.043。

• Eleven v4 Turbo —— 同样的 1,620 个字符，按每千字符 $0.04 计算：$0.065，约合每分钟 $0.022（尚未计入 STT 和 LLM 费用）。

即使加上一个语音转文本环节和一个轻量语言模型，Turbo 也比 GPT-Live-1 更便宜，这正是级联架构在成本评审中总能胜出的原因。但只要来电者说话比坐席多，比较的格局就会改变。人类独白的每一秒，Eleven v4 都不收费，而 GPT-Live-1 却按全价收费——包括有人从卡片上读取保单号时的沉默，也包括你的后端思考时的保持等待。

这不是四舍五入造成的差异。在座席通话时长占比为30%的线路上，TTS账单下降了三分之二，而按分钟计费的账单却纹丝不动。固定分钟费是在押注你的来电者会开口说话，而恰恰在他们真的开口时，这笔押注就会见效。

这笔账，按四十分钟的旁白来算

现在让同样的两个模型处理一个有声书章节——36,000 个字符，单一说话人，无打断，无推理，要求确定性输出。

• Eleven v4 — 这一章 36 × $0.08 = $2.88，而且当发音错误时，只需九美分就能重新生成单个段落。

• GPT-Live-1 — 40 分钟按 $0.05 计费 = $2.00，而且你无法重新生成一个段落，因为其工作单元是一场实时会话，而不是一段文本。

GPT-Live-1 看起来更便宜，但却是错误的工具。它没有文档化的方式可以接收一段 36,000 字符的文稿并返回一个确定性文件；它是一个对话界面，而与一本书进行对话并不等于旁白。对这一项的诚实结论不是“Live 成本更低”，而是“这个模型做不了这项工作”。

按分钟计费模式真正体现其溢价价值之处

有三种情形可以为它提供正当理由，而它们都有一个共同点：人类占用发言时间的长短无法预测。

• 高打断率的接入场景——保险理赔、临床分诊，以及任何来电者会在句子中途自我纠正的场景。级联系统必须检测到打断、停止播放并重新进入循环；GPT-Live-1 已经在监听。

预订与调度——短轮次、快速往复交互、大量工具调用。OpenAI 自己的数据声称，该模型的工具调用准确率为 87%，而它所取代的 Realtime 一代为 60%；这些数据由供应商报告，未经独立复现。

• 凡是在延迟本身就是产品的地方——0.8 秒的一轮响应与 1.4 秒的一轮响应，正是对话与对讲机之间的差别。同样来自厂商报告。

而有三种情形反对它：

• 旁白、朗读、有声书、视频配音——输入文本，输出文件，无需耳朵。

• 品牌声音——Eleven v4 的克隆是一项产品功能，但附带需要重新训练的注意事项；GPT-Live-1 使用固定的模型语音，因此“我们创始人的声音”不在可选之列。

• 长时间的静默——等候音乐、静音的通话线路、坐席苦苦等待缓慢的后端响应。这其中每一秒都在计费。

迁移也不是对称的

从 v3 迁移到 Eleven v4 不只是改个模型 ID，还有一条注意事项：现有的克隆语音需要重新训练，而且 SSML 已被内联音频标签取代，因此任何生成 SSML 的东西都得重写。虽然烦人，但影响范围仅限于你的 TTS 层。

从 Realtime 集成迁移到 GPT-Live-1 是一次重建。不同的端点、不同的会话语义、不同的计费单位，而且没有兼容层。要为编排层做预算，而不只是替换——并注意，大多数第三方语音智能体平台仍未将 GPT-Live-1 列为可选提供商，因此你很可能需要自己编写电话通信的粘合代码。

这个决策有哪些路由变更？

无论你选择哪条路线，这个决策在你的整个技术栈中都不是全有或全无的。语音层是唯一保持供应商专属的部分：OrcaRouter 不提供 GPT-Live-1，而像 Eleven v4 这样的语音合成模型，无论你从哪里购买，都是一份单独的合约。语音层背后的部分则是另一回事——推理调用、工具调用模型、以及供应商性能下降时的备用路径，全都通过 OrcaRouter 上的一个密钥运行，覆盖 200 多个模型，其中包括 GPT-6 Astra、GPT-5.6 Terra以及 GPT-5.6 Sol，也就是 GPT-Live-1 所委派到的层级。

这种拆分方式是这一对比的实用版本。从本季度拥有最好“耳朵”的那家租用耳朵，同时让“大脑”保持可路由，这样即便出现降价、故障或更好的模型，也无需改动用户能听到的那部分。供应商的标价以 0% 加价原样传递，因此厂商对推理层的降价在公布当天就会体现在你的账单上。

根据对话的形态来选择

如果你的用户会打断、会自我纠正，并期望智能体知道何时停止说话，那么{{1}}每分钟 0.05 美元的 GPT-Live-1{{/1}}是更好的产品，可能也是更划算的选择——这种溢价换来的是任何价位的流水线都无法提供的行为表现。如果你的用户是在听而不是在说，{{2}}Eleven v4 或 v4 Turbo{{/2}}每交付一个词都更便宜、更可控、可克隆成你的品牌声音，而且才是正确答案；{{3}}1334 Elo{{/3}}只是额外的加分。

要避免的失败模式是按排行榜位置来选择。v4 的 1334 和 Live 的 83.2 衡量的是不同的事物，而且刻度也不同；一个团队若凭这两个数字在两者之间做选择，就像在尺子和温度计之间做选择。