GPT-Live-1 对比 Voxtral 3：并非价格的价格

Voxtral 3 宣称以每分钟 0.04 美元的价格提供完整的语音智能体。GPT-Live-1 宣称每分钟 0.05 美元，然后还会就思考部分再次向你收费。单看公开报价，Mistral 便宜 20%，而且包含更多内容——语音转文字、文字转语音以及一个推理模型都包含在同一费率内——而 OpenAI 的报价只覆盖语音层。这种解读在技术上正确，但在实践中具有误导性，因为这两个费率所购买的东西并不相同。

两者相隔不到六周先后上线：GPT-Live-1 于 2026 年 9 月 10 日接入 API，Voxtral 3 于 10 月 20 日进入公开预览。两者瞄准的是同一类客户——正在构建需要维持对话的电话智能体的人。它们沿着相反的路径抵达同一目标，而成本优势只有在你不打断它们的前提下才能成立。

每一分钟里实际上都有什么？

先从这些仪表包含的内容说起，因为对比的转折点就在这里。

• Voxtral 3 完整智能体 — 使用 Mistral Small 4 作为推理模型时每分钟 0.04 美元，使用更强模型时每分钟 0.08 美元。这涵盖转录、合成和语言模型。

• GPT-Live-1 — 仅语音每分钟 $0.05，按秒计费。后端推理、工具调用和网络搜索按常规模型费率单独计费。

• 仅 Voxtral 3 TTS —— 每百万字符 13 美元，按正常语速计，每小时语音约合 0.70 美元。

• GPT-Live-1 输入音频——根据 Artificial Analysis 固定的 40 题集测得，在高推理配置下为每输入音频小时 5.83 美元，低推理配置下为 4.47 美元。

所以，十分钟通话里诚实的每分钟成本对比是：Voxtral 3 全包价为 0.40 美元，而 GPT-Live-1 是 0.50 美元外加后端成本——视智能体需要思考多少，可以说在 0.50 到 0.55 美元之间。Mistral 在这笔算术上胜出，而且它之所以胜出，是因为计入了一个 OpenAI 漏掉的组成部分。

除非通话大部分时间都处于静默。Voxtral 的语音代理费率按会话计费；GPT-Live-1 的当然也是如此。两家供应商都没有公布静默豁免，因此任何会让来电者处于保持等待状态的部署都应假定两种计费表都在持续运行。这一差异并不偏向任何一方，但它确实意味着，公布的主打费率并不是应该优化的地方。

流水线对阵双工，又一次

Voxtral 3 是一个技术栈，而非单一模型：包括转录模型（4B 参数的 Mini Transcribe 3、Small 以及实时变体）、一个合成模型，以及一个基于 LiveKit 的 Voice Agent SDK，后者将它们连接起来，并在中间接入一个语言模型。Mistral 自己宣称的延迟约为 90 毫秒到首个音频，这对合成环节来说确实很快。

快速合成并不等同于良好的轮次切换。级联系统仍然必须判断人类何时说完，而这个判断由位于流水线前端的语音活动检测器或轮次检测模型做出。当它判断错误时，智能体要么会抢话打断来电者，要么会多等一拍，而再快的 90 毫秒合成也无法解决这个问题。

GPT-Live-1 是一个同时听与说的单一网络，每秒多次决定是否让出话轮。这正是你多付那一分钱所买到的能力，而它并非能用零件拼装出来的功能。这也是为什么 OpenAI 的模型没有转录或合成之类的分项条目：因为根本没有可列项的东西。

实际检验不是延迟，而是打断率。如果你的来电者用完整句子说话并轮流等待，那么流水线方案就没问题，而且更便宜。如果他们在中途说“等等，我指的是另一个”，那么无论你是否承认，你都在为双工行为买单。

语言、方言以及数据所在的位置

Mistral 发布 Voxtral 3，支持 35 种以上语言和 50 种以上方言，具备情绪与风格控制、零样本克隆，以及一条“Pro Voice”适配路径，该路径需要约 30 分钟的参考音频。GPT-Live-1 的文档未提及方言覆盖情况，并且只提供固定模型音色，不支持克隆。

如果你的产品面向欧洲市场——法语、德语、意大利语、西班牙语、荷兰语——Voxtral 3 是更完整的方案，而 Mistral 的欧盟定位在采购沟通中是一个实实在在的论据，OpenAI 则无法如此直接地回应这一点。这是商业事实，而非基准测试；对许多买家来说，它在讨论延迟之前就已经决定了交易。

如果你的产品是在单一市场提供英语支持或预订，那么语言广度就是你不会用到的库存，而双工行为则是你在每通电话中都会注意到的方面。

开放权重陷阱

值得提醒，因为这容易让人踩坑：Voxtral 3 本身是一个封闭 API。该系列中可下载的模型是 2026 年 3 月发布的较旧的 4B TTS 检查点，采用 CC BY-NC 4.0 许可——非商用——这是一个不同且更旧的模型，竞技场得分更低。Voxtral 3 的企业自部署是协商安排，不是下载链接。

因此，在这个对比中，两个模型都不提供权重。GPT-Live-1 在设计上就没有权重。Voxtral 3 出于政策也不提供权重。如果拥有模型是硬性要求，那么两者都出局，讨论就转向 Fish Audio Drama 3 或 Ming-3.0-TTS。

董事会衡量什么，以及不衡量什么

Voxtral 3 TTS 在 Artificial Analysis 的 Provider Voice Arena 上以 1223 Elo 位列第十四，数据采集于 2026 年 10 月 29 日，价格为每百万字符 13 美元。这是一个扎实的合成结果：落后于 1334 分的 Eleven v4，领先于若干价格更高的模型。

GPT-Live-1 并未出现在那个榜单上，而任何人若将其 83.2 的 Speech-to-Speech Index 分数与 Voxtral 的 1223 并列比较，都是在拿加权对话指数与盲偏好 Elo 相比。在确实收录对话系统的榜单上，GPT-Live-1 在 Speech Agent Arena 中取得 1037 至 1041 Elo，任务成功率为 87.4% 至 90.9%。Voxtral 3 的智能体技术栈尚未积累足够的竞技场对话，因此暂未被列入。

这种缺失是本节中最有用的事实。这两者之间没有独立的直接对比，这意味着你读到的每一项比较——包括这一项——都是根据已公布的费率和架构进行推理，而不是来自受控实验。任何告诉你其中一个在电话里听起来明显更自然的人，都是在转述厂商的说法。

路由论证的落脚点

OrcaRouter 并不提供这两个模型的服务。Voxtral 3 属于 Mistral 的 API；GPT-Live-1 属于 OpenAI 的 API。真正可路由的是它们各自委派的推理器——而正是在这里，两种架构出现分歧，这一分歧对如何设计整个技术栈至关重要。

Voxtral 3 让你可以在其自身的 agent 费率内选择推理模型：Small 4 为 $0.04，更强的模型为 $0.08。GPT-Live-1 则完全开放后端，这意味着你可以将其指向任何你喜欢的文本模型——包括 GPT-6 Astra、GPT-5.6 Terra或更便宜的层级，全部通过同一个密钥接入，并且路由 DSL 让你可以在同一部署内为不同任务类型指定不同的模型。

这种灵活性在混合工作负载上能带来实实在在的价值：便宜的模型处理地址确认，前沿模型处理有争议的扣款，而无需第二份合同或第二次集成。提供商标价按 0% 加价直接传递，因此推理层级的降价在生效当天就会反映到你的账单上，而不是等到下一次合同续约。

决定

如果你在欧洲构建产品、需要支持多种语言和方言、希望一张账单覆盖从转录到语音合成的全部环节，而且你的来电者在轮流发言上还算礼貌，那就选择 Voxtral 3。它的每分钟总成本更低，技术栈更完整，1223 的语音合成得分也相当不错。

如果中断本身就是产品，就选 GPT-Live-1——受理、分诊、调度，任何来电者会中途自我纠正、而坐席必须实时听出来的场景。你每分钟会付更多，掌控会更少，但你会得到流水线无论花多少钱都买不到的那一种行为。

要避免的陷阱，是把两个宣传费率拿来比较，然后得出 $0.04 胜过 $0.05 的结论。这些数字衡量的并不是同一分钟：一个包含转写器、合成器和推理器；另一个只包含一只耳朵。要买内容与工作相匹配的那个，然后再争论价格。