GPT-Live-1 vs VoxCPM2：一个每分钟花费 0.05 美元，另一个则要花上一块 24 GB 的 GPU

比较 GPT-Live-1 和 VoxCPM2 最干脆的方式，是注意到：只有在给硬件算一笔账之后，才会发现它们看似竞争对手，实则不然。GPT-Live-1 是 OpenAI 的全双工语音模型，自 2026 年 9 月 10 日起已在 API 中提供，每分钟语音收费 0.05 美元，无需安装任何东西。VoxCPM2 是 OpenBMB 的 20 亿参数开放权重文本转语音模型，于 2026 年 4 月以 Apache 2.0 许可发布，运行大约需要 8 GB 显存，且没有任何推理服务商部署它——所以如果你想要它，就得自己拥有机器。一个是按秒租用的对话，另一个是你自己操作的合成器。问题不在于哪个更好，而在于你的工作负载实际上能承接哪一个。

两个模型，两项任务，各自一条诚实的规格说明

• 功能 — GPT-Live-1 进行对话：它同时倾听与说话，轮流发言，处理打断和附和，并返回转录文本。VoxCPM2 将文本转换为语音。它完全听不到任何声音。

• 访问 — GPT-Live-1 为托管且闭源模型，可通过 Live Sessions 端点后的一个模型 ID 访问，已发布的集成示例基于 WebRTC 运行。VoxCPM2 是 Hugging Face 和 ModelScope 上可下载的检查点，采用 Apache 2.0 许可，可免费用于商业用途。

• 价格 — GPT-Live-1 为每语音分钟 $0.05，按秒计费，委托后端单独计量。VoxCPM2 每次调用 $0，外加一块 GPU，而开源托管就是全部成本模型。

• 占用 — GPT-Live-1 无需你自己的任何硬件。VoxCPM2 需要大约 8 GB 显存（Q4 下为 6–8 GB）、Python 3.10+、PyTorch 2.5+ 和 CUDA 12+。

• 基准测试——GPT-Live-1 的每一项语音数据都出自 Open​AI 自己，未经复现；唯一一家独立评测榜单把它排在十一名中的第七位。VoxCPM2 公布的数字来自 OpenBMB，而针对其多语言能力主张的现有独立测量结果却指向相反的方向。

24 GB 之问，已定价

VoxCPM2 的服务性能数字，决定了自托管究竟只是业余爱好，还是能撑起一套正经架构。在单块 RTX 4090 上，该模型在纯 PyTorch 下的实时因子约为 0.30，而走 Nano-VLLM 路径时约为 0.13——也就是说，在更快的配置下，每 1 小时 GPU 时间大约能生成 7.7 小时音频。这些都是模型卡自报的数字，而非外部实测；一套在 4090 上以 CUDA 12.9 验证过的独立服务方案报告称，零样本合成的稳态实时因子约为 0.120，声音克隆为 0.139，峰值 GPU 显存接近 24 GB 中的 22 GB。这两组数据都是稳态值，而非冷启动——全新进程中的第一个请求要慢得多，而人们说这个模型没法用时，引用的正是那个数字。

把它放在 API 旁边对比一下。GPT-Live-1 每分钟 0.05 美元，连续对话一小时就是 3.00 美元。在公开市场上租一张 24 GB 显卡，每小时只要个位数低段的美元，而自己买一张，算上利用率之后，摊销下来也差不多。所以这个对比的结果，和这类对比通常的结局一样，只有一个让人不太舒服的不对称之处：显卡账单不管有没有人跟你的产品说话都会来，而 API 账单在冷清的日子会缩到零，在繁忙的日子会涨到五位数。固定目录的批量合成非常适合显卡。全天候电话线则非常适合按表计费。

VoxCPM2 做到了其他开源方案做不到的事

VoxCPM2 之所以值得如此关注，并不是因为它能在基准测试中胜出——它大多并不能——而是因为它能仅凭文本描述设计出声音，完全不需要参考音频。这是开放权重中一项真正全新的能力，它改变了任何需要一种尚不存在的声音的人的工作流程：用文字描述来试听，用文字描述来迭代，然后才决定是否克隆。围绕这一点，它还叠加了 30 种语言外加九种汉语方言、通过内置超分辨率阶段实现的 48 kHz 输出，以及仅需 5–10 分钟音频即可进行的微调。

证据基础比功能清单更单薄。OpenBMB 自己的报告给出英语词错误率 1.84% 和中文字错误率 0.97%，以及在其自有的每语言 500 条话语数据集上测量、由另一家厂商的模型评分得出的 30 种语言平均 1.68% 错误率。在存在独立测试的地方，差距很大：在 MiniMax 的多语言测试集上，用 Whisper-large-v3 评分，印地语为 19.70，阿拉伯语为 13.05——比自我报告的数字差好几倍。OpenBMB 还警告，语音设计和风格控制在多次运行之间会产生可变结果，并建议生成一到三次以获得想要的输出，这是一种委婉的说法：一次可用结果的每次调用成本并不只是一次调用。

没人会放进对比里的集成税

一个不起眼的细节决定了 VoxCPM2 是一周的工作量还是一个月。其在 Hugging Face 上的仓库被标记为voxcpm而非transformers这意味着该网站上几乎所有其他内容所依托加载的库，都无法加载这个模型。修复此问题的拉取请求于 2026 年 8 月 4 日提交，截至我们最后一次查看时仍未合入。将其添加到其他服务栈的拉取请求已经合入，其采用情况毋庸置疑：截至本次抓取，过去三十天内的下载量为 393,079 次，并在此基础上构建了 27 个适配器、30 个微调、12 个量化版本和 100 个 Space。

GPT-Live-1 的等价代价是一次传输层重写。它的会话围绕实时连接构建，而非请求—响应式的音频端点；而双计量计费意味着，每一次委派的推理调用、工具调用和网页搜索，都要在语音分钟数之外，再按后端模型自身的费率计费。从按 token 计费的实时集成迁移过来的团队，应把这笔迁移当作一项工程任务来规划预算，而不是简单地换一个模型 ID。

路由层真正有用的场景

OrcaRouter 既不包含 GPT-Live-1，也不包含 VoxCPM2，这一点值得明说，而不是让本节其余内容暗示并非如此。GPT-Live-1 的语音层位于 OpenAI 自家的端点之后；VoxCPM2 则完全没有托管服务商。这两者都不是你能用我们的密钥调用的。

路由这个问题之所以依然被反复提及，是因为这两种模型都处在一条管道的两端，而管道的中间环节是文本。VoxCPM2 的部署通常要响应某个上游——脚本生成器、翻译环节、文本规范化器、决定接下来该说些什么的对话模型——而这些都只是普通的模型调用。GPT-Live-1 会话会把它的思考委派给会话配置中指定的后端模型，而在 OpenAI 自己的文档中，该后端是 GPT-5.6 Terra，可通过 OrcaRouter 以 OpenAI 的标价获取。客户端委派则更进一步，允许你自己的应用来提供后端，这意味着声音背后的模型可以是你所掌控的任意端点。约 190 个来自十一家上游供应商的模型都汇聚在 一把密钥之下，按标价提供，零加价——因此当某家供应商降价时，这里当天就会生效，而不是等到续约时才调整——还具备跨供应商的自动故障转移，以及一套可将多个模型组合成单次调用的路由 DSL。对于技术栈中变化最频繁的那一半来说，这是份廉价的保险。

有一项提醒应当写进本节，而不是埋没其中，因为正是这个细节，让这次对比中 GPT-Live-1 的那一半不像其厂商基准所暗示的那样尘埃落定。在独立的 Artificial Analysis Speech to Speech Index 上，GPT-Live-1 的得分为 69.8%——在十一个中排名第七，落后于 73.9% 的 GPT-Realtime-2.1 和 79.0% 的 Grok Voice Think Fast 2.0。按输入音频每小时 4.42 美元计算，该模型是那份榜单上最便宜的，但它并不是最好的。要为这种可能性留出预算：你标准化采用的语音层，未必是你最终会保留的那个。

哪个，为什么

如果文本先于音频存在，就选 VoxCPM2。旁白、有声书、配音、无障碍、游戏语音台词，以及任何需要一种尚无人录制的嗓音的产品——尤其是那些用量大、可预测、且值得投入一笔固定资本成本的工作负载。接受这一点：你得自己运行它，围绕它的工具链仍在沉淀，而多语言质量方面的说法，值得你在交付给客户之前亲自做一次试听测试。

如果另一端是人，就选 GPT-Live-1。语音代理、电话支持、信息采集流程，任何模型必须实时判断对方是否说完的场景。为享有不必自己解决这个问题的特权支付按分钟计费，并把委托出去的后端作为单独的预算条目，因为通话成本是高是低正取决于此。

错误在于把它们当作一场选型对决中的二选一。对于大多数两者都需要的团队来说，它们是同一产品的两个层次，而唯一真正错误的答案是：因为许可证上写着免费就选择自托管方案，却没有把让这一点成立的 GPU 成本算进去。