GPT-Live-1 与 ElevenLabs：一个会倾听的模型，一家什么都卖的公司

这个对比中最有用的数字是 90.5%。这是 Artificial Analysis 在其 Speech Agent Arena 中为 ElevenLabs Agents 测得的任务成功率——在该榜单前六名中位居最高，而取得这一成绩的系统根本不是一个单一模型，而是由语音识别、语言模型和合成器组成的级联系统，通过 ElevenLabs 自家的轮次转换逻辑串联起来。GPT-Live-1 是 Open​AI 的端到端全双工模型，它并未出现在该榜单上，因为它参与的是另一个榜单：Speech to Speech Index，在那里它以 70.3% 的成绩在十四个模型中并列第六。与此同时，ElevenLabs Eleven v3 仍是业内部署最广泛的生产级语音，其库中拥有超过 10,000 种声音和 70 多种语言。

这个简化说法是：一方卖给你的是一场对话，另一方卖给你的是一整家公司。这种说法大体上没错，但它掩盖了底下那个更有意思的发现：在完成任务这件事上，一套精心设计的级联方案依然胜过原生的全双工模型。

两种架构，区别在于接缝在哪里

GPT-Live-1 是一个单一模型，可接收音频和文本输入，并输出音频和文本。它原生支持打断——Open​AI 自己的测试（随 9 月的 API 发布一同公布，且未在公司外部复现）报告称，在 Full Duplex Bench v1.5 上其交互性达到 80.1%，而 GPT-Realtime-2.1 为 45.4%；轮次转换延迟为 0.798 秒，后者为 1.41 秒。这里没有任何接缝，因为根本不存在需要拼接的东西。

ElevenLabs Agents 则是刻意押下的相反方向。ElevenLabs 的文档描述的是一条流水线：经过调优的语音识别、一个由你选择或自带的语言模型、一个低延迟的合成器——通常来自 Flash 系列——再加上一层专有的轮次交替模型。打断（barge-in）是每个智能体各自的配置，暴露的是轮次积极程度和超时设置，而非模型本身的属性。在 Artificial Analysis 的基准测试默认配置中，这套技术栈的构成是：语音识别采用 Scribe v2 Realtime，推理采用 Gem​ini 模型，合成采用 Eleven Flash v2。

那种设计有一个巨大的优势和一个结构性成本。优势在于每个阶段都可替换：简单轮次用廉价模型，困难轮次用前沿模型，不同地区用不同的合成器。代价在于延迟会在每个接缝处累积，而且话轮转换决策必须从外部做出。

逐个维度

• 架构 — GPT-Live-1：单一端到端模型，音频输入、音频输出，而 ElevenLabs Agents：级联式语音识别、语言模型与合成，外加专有话轮转换层

• 独立证据 — GPT-Live-1：在 Artificial Analysis Speech to Speech Index 上达到 70.3%，在十四家中并列第六，对比 ElevenLabs Agents：在 Speech Agent Arena 上 Elo 937，在 676 个样本中任务成功率为 90.5%，是该榜单前六名中的最佳成功率

• 质量榜 — GPT-Live-1：未在文本转语音竞技场中排名，因为与 ElevenLabs 属于不同类型的模型：Eleven v3 Conversational 以 1,194 Elo、Eleven v3 以 1,166 Elo 位列 Provider Voice 榜，定价分别为每百万字符 50 美元和 100 美元

• 价格 — GPT-Live-1：每语音分钟 0.05 美元，按秒计费，后端推理单独计量；对比 ElevenLabs：Eleven v3 Conversational 约为每百万字符 50 美元，Eleven v3 约为 100 美元，据报告智能体约为每分钟 0.08 美元，超过并发上限后会上涨，且语言模型和电话通信费用另行计费

• 延迟 — GPT-Live-1：未公布模型层面的首个音频时间；供应商测试中的轮次切换延迟为 0.798 秒，相比之下 ElevenLabs：Flash v2.5 约为 75 毫秒，Eleven v3 Conversational 约为 280 毫秒，供应商建议在智能体层面首个音频低于 800 毫秒

• 声音与克隆 — GPT-Live-1：十二个 API 预设，按设计不提供克隆；对比 ElevenLabs：库中有超过 10,000 种声音，可通过短样本即时克隆，使用 30 到 180 分钟的音频进行专业克隆并带自我验证

• 语言 — GPT-Live-1：主要语言表现良好，但在发布覆盖范围之外的语言上流畅度参差不齐；相比之下，ElevenLabs Eleven v3：支持 70 多种语言，而 Flash 系列为 32 种，其语音识别则支持 90 多种

• 广度 — GPT-Live-1：一个端点、一个模型 ID，并发档位从 25 到 500 个会话，且没有免费套餐；相比之下，ElevenLabs：语音合成、语音识别、配音、音效、音乐、语音市场以及智能体平台全都纳入同一份合同，其免费套餐不附带商业许可

ElevenLabs 不仅领先，而且无人能敌之处

那份名单中有三处差距并不接近，任何把它们写进同一句话里的比较，对现任者都不公平。

语音克隆是第一个方面。GPT-Live-1 提供十二种预设，并且在设计上完全不支持克隆——这是一种刻意的安全姿态，而非功能缺失。ElevenLabs 提供基于简短参考样本的即时克隆，以及基于 30 到 180 分钟音频训练的专业克隆，两者均受套餐层级和自助验证步骤的限制。如果你的产品语音是其身份标识的一部分，那么这并非 GPT-Live-1 参与竞争的维度。

语音库是第二项。超过 10,000 种声音，外加一个获得授权的标志性声音市场，汇集了来自艺人遗产管理机构和表演者的声音，这是任何模型发布都无法复制的资产。它也是买家最常低估的东西：挑选声音是语音产品的最后一公里，而有 10,000 种可供选择，会把一项品牌塑造工作压缩进一个下午。

第三个是广度。语音识别、配音、音效、音乐、智能体平台——一个需要其中四样的团队只需签一份合同，而不是四份。这是战略层面的优势，而非质量层面的优势，而且即便对手在某个基准测试中胜出，它依然成立。

两家公司都背负着一些治理层面的问题，这些问题应当纳入采购审查，而不是被当作脚注一带而过。ElevenLabs 的专业语音克隆要求自我验证，其条款禁止克隆他人的声音，即便获得对方同意也不行；该公司还面临 2026 年 5 月就训练数据同意问题提起的一系列集体诉讼，而这些指控尚未得到证实。OpenAI 的处境则更为简单，因为它已经移除了产生这一风险的功能。

级联税，以及在何处值得缴纳

级联架构的成本体现在延迟和编排两方面。ElevenLabs 的厂商指南指出，智能体的首次音频时间在中位数上低于 800 毫秒，在第 95 百分位上低于 1.5 秒——这些数字描述的是整个流水线，而非合成器那 75 毫秒。在此之上还叠加了语言模型的生成时间和网络传输耗时。其中一部分可以通过审慎选择各个阶段来挽回；但没有哪一部分是免费的。

编排的代价没那么显眼，却真实存在。每多一个环节，就多一处可能调用失败的地方，多一个要调的超时，多一家要对账的供应商。而这正是原生端到端模型彻底消除的部分：只有一样东西可能出故障，而它要么给出回答，要么不给。

级联真正回本的地方是中间阶段。语音代理背后的语言模型，是质量提升最快、成本波动也最大的组件，而能够在不触动语音层的前提下将其替换，在产品整个生命周期内能带来实实在在的价值。大约 来自十一家上游供应商的 190 个模型通过单个 OrcaRouter 密钥、按供应商标价、零加价接入，因此供应商一调价，当天就能传导到这一层，而自动故障转移可避免后端超时中断正在进行的通话。无论是 ElevenLabs 的 agents 技术栈，还是 GPT-Live-1 的 Live Sessions 端点，都无法以这种方式接入——语音层归各自的供应商所有，而这只是它们下面的一层。

该选哪一个

如果对话机制本身就是产品，并且你希望只有一份契约、一种故障模式，就选择 GPT-Live-1。适用于来电者会打断智能体的电话线路——自然转接比完美音色更重要，十二种好音色就足够。你接受封闭式托管模型、不支持克隆、独立质量处于中游，以及没有免费套餐可供原型开发。

如果约束条件是语音质量、克隆能力或覆盖广度，就选择 ElevenLabs。旁白、配音、多语言产品，任何语音即品牌的应用，任何需要在同一份合约中实现语音识别的场景。你接受需要运行级联系统、每单位语音的价格约为 GPT-Live-1 的十到二十倍，以及打断逻辑由你配置、也由你搞砸这一事实。

90.5% 这个数字才是值得带走的部分。它说明，一家把三个模型加一个轮次切换层拼装起来的公司，在一项最接近“通话是否真正管用”的指标上，击败了一家训练单个模型包办一切的公司。全双工是一项真正的架构进步，但就目前的证据来看，它并不是决定来电者能否得到自己想要的东西的那个因素。