一张为 Realtime 1 与 GPT Live 1 生成的标题卡,显示每音频分钟 $0.01 对 $0.05,并附有一条说明:“感觉非常接近”这一比较尚未经过测试,另有一个 OrcaRouter 标志。
Engineering & Research

Realtime 1 对比 GPT Live 1:五美分对一,以及一个目前无人能核实的说法

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

每分钟五美分。这就是 O​penAI 为以下产品收取的费用:G​PT Live 1——这种全双工语音模型“能同时听和说”,按秒计费且不向上取整,后端模型和工具使用费另计。MAI Realtime 1,微软于 2026 年 11 月 17 日发布,在计入其推理层级之前为每分钟一美分。在价目表上,差距是五比一;一位两者都用过的人在网上表示,Realtime 1“感觉与 G​PT Live 模型非常接近。”这句话是这场对比中最有意思、也最难以验证的一点,因为要判定它只有一种办法,而尚无独立第三方做过能下定论的测试。

所以,请把这当成两个问题,而不是一个。每分钟一美分的模型会差上五倍吗?而 GPT Live 1 实测出的表现,究竟带来了什么更便宜的模型必须去对等匹配的东西?第二个问题有答案。第一个问题目前还没有。

这些架构的形状不同

G​PT Live 1 很不寻常,其文档也直截了当地说明了这一点。它是一个全双工模型——同时收听和说话,而不是轮流进行——并且它不会尝试自行推理。它“将推理和工具工作移交给后端代理”,该代理只能通过 v1/live/sessions 访问,不支持 Chat Completions、Responses 或 Realtime 端点。它支持音频和文本的输入输出,支持流式传输和函数调用,但不接受图像或视频。

• G​PT Live 1 — 全双工前端,推理委托给你所接入的任何后端代理。Build 的并发会话上限为 50,Launch 为 300,Grow 为 500。无免费套餐。

• MAI Realtime 1 — 语音到语音,配备快速路径和内部推理层。Microsoft 按每百万输入 token 1.00 美元、每百万输出 token 5.00 美元计费。对话侧按音频分钟计费。在进入公开预览前,预览版不计费。

两者实际上都是两部分组成的系统。区别在于第二部分归谁所有。在 G​PT Live 1 中,它明确属于你:你选择后端智能体,单独为其 token 付费,并且能看到接缝。在 MAI Realtime 1 中,交接发生在产品和定价页面内部,路由决策不是你可以配置的。

正是这一设计上的差异,解释了大部分价差。OpenAI 每分钟收费 0.05 美元,提供非常出色的“耳朵和嘴巴”。微软每分钟收费 0.01 美元,提供还算不错的“耳朵和嘴巴”,外加一个内部调度器,并通过 token 计量表对“思考”收费。

G​PT Live 1 的测量结果实际说明了什么

GPT Live 1 两次出现在 Artificial Analysis 的语音到语音排行榜上,因为你所附加的后端智能体会改变结果:

• 语音转语音指数——搭配 Astra 级后端、中等设置时为 83.2,搭配 Sol 级后端、低设置时为 80.1。两者均高于 G​emini 3.8 Live 的 74.5,也远高于 Eleven Realtime Max 的 77.3,这使得 G​PT Live 1 成为本对比集中指数最高的模型。

• 语音推理(Big Bench Audio)——分别为 90.1% 和 89.0%。虽非榜首——Eleven Realtime Max 得分 98.8%——但颇具竞争力。

• 对话动态表现——94.9% 和 97.3%。Sol 配置的变体是整组中动态评分最高的,而这个分数对应的正是“聊起来感觉很好”这一体验。

• 智能体任务完成率(τ-Voice)——74.5% 和 59.3%。两者都大幅超过 Gemini 3.8 Live 的 30.1%,而这正是一个整体设计前提就是将工作交给强大后端处理的模型所应有的表现。

• Arena Elo — 1027 和 1037。

• 任务成功率 — 87.4% 和 90.9%。

• 首个音频响应时间——1.34 秒和 1.24 秒。比 Eleven Realtime Max 的 0.57 秒慢,也比 G​emini 3.8 Live 的 1.18 秒慢,但全双工设计意味着主观感受到的等待与实测等待并不是一回事;一个在思考时会给出回应的模型,不会让人觉得它停顿了。

• 混合成本——按 Artificial Analysis 的归一化口径,分别为每小时 5.83 美元和 4.47 美元;而每分钟 0.05 美元的价目表,仅语音线路一项就是每小时 3.00 美元。较高的数字包含后端 token 支出,这才是解读一个将推理委托出去的模型的诚实方式。

从这些数字可以得出两点。第一,配置和模型同样重要:同一个 G​PT Live 1 会因为你指向的后端不同而得到 83.2 或 80.1 分,在智能体任务上则是 74.5% 或 59.3%。一篇评测如果只引用一个数字,却不说明它用的是哪个后端,那几乎等于什么都没告诉你。第二,这里的指数榜领先者并不是竞技场领先者——G​emini 3.8 Live 赢得 Elo,G​PT Live 1 赢得指数。它们衡量的是不同的东西,而且两者都不能作为你的工作负载的代理指标。

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

值得检验的主张,以及检验它的代价

“这感觉非常接近 G​PT Live 模型。”如果照字面理解,这是任何人对 MAI Realtime 1 给出过的最强评价,而说这话的人没有公开的方法论、没有录音,也没有任务集。平心而论,这也正是大多数早期语音模型印象出现的方式——全双工对话很难打分,却很容易感受,这也是这个竞技场最初存在的原因。

问题在于,这一说法只能部分核查。Microsoft 在模型页面上为 MAI Realtime 1 公布了一个准确率数字——在 Big Bench Audio 上为 98.8%,由厂商自行运行且未经复现——同时还附有一张 P50 首音频时延卡片和一句“BigBench Audio 上的 P50 延迟”的图注。它没有公布 τ-Voice 分数,没有延迟分布,也没有语言列表。截至 11 月 18 日,Artificial Analysis 尚未收录 MAI Realtime 1,因此没有对该 98.8% 的独立读数可与 G​PT Live 1 的 90.1% 并列:一个是厂商自己的评估,另一个是第三方的评估。微软自己的对比性说法点名的是 G​PT Realtime 2.1——一个与 G​PT Live 1 不同、价格结构也完全不同的模型——而且就连这一比较也是作为前沿定位而非数字公布的。

所以这个说法有用的版本是一个测试计划,而不是一个定论。要运行四项测试,在预览版不计费期间,它们全都成本很低:

• 背靠背对话——同样的二十通录音通话分别经过两个模型,盲评打分。这是唯一能检验“感觉接近”的方法,也是最初主张所跳过的测试。

• 重叠情况下的打断 — G​PT Live 1 的全双工设计让它能够同时说话和聆听。测试 Realtime 1 究竟是真的能处理同时发言,还是只能处理无重叠的干净打断。这是两种不同的能力,而其中只有一种会在演示中体现出来。

• 升级延迟——在 Realtime 1 将一轮对话交给其推理引擎的那一刻,测量这段停顿。微软的说法是“没有尴尬的停顿”,这是一种未附带任何数字的延迟宣称。

每次完成通话的成本——而不是每分钟成本。一个每分钟成本只有五分之一、却需要多两轮才能解决请求的模型,其价格并不是五分之一。这个数字才决定这场较量,而两家供应商都没有公布它。

五分钱去了哪里

如果 GPT Live 1 每分钟多出的四美分换不来任何东西,那这就不是一个需要做的决定。但它确实能换来具体的东西:一项实测的 74.5% 智能体得分,对比一项未经测量的宣称;以及一种全双工架构,它带来的能力不同于轮流对话,而不是后者的更好版本。

除了费率之外,你还要付出的是控制权和接入工程。GPT Live 1 要求你提供并付费使用一个后端 agent——这既是实实在在的工作,也是实实在在的账单,但这也是它的配置会改变其分数的原因。你选择推理模型;你看到 token 开销;你决定什么情况下升级。MAI Realtime 1 在产品内部做出那个决定,并为此按每百万 token 收取 1.00 美元和 5.00 美元,却不告诉你这种情况发生得有多频繁。

这种取舍——在可见性与便利性之间权衡——正是网关的价值所在。这两个模型最终都会调用推理模型,G​PT Live 1 是设计使然,MAI Realtime 1 则在内部调用;而 OrcaRouter 路由的正是这一推理层:200+ 个模型只需一个密钥,按提供商目录价提供,0% 加价,因此,决定你的 G​PT Live 1 配置的后端无需第二份合同即可替换,并且具备自动故障转移,使停滞的推理调用不会在句子中途变成一片死寂。模型融合是这里另一个值得了解的杠杆——对于困难轮次成本高昂的语音智能体而言,让一组模型在升级路径上共同作答,是一种在关键之处换取准确性、却无需在每一轮都为此付费的方式。

确切地说,就覆盖范围而言:G​PT Live 1 和 MAI Realtime 1 都不在 OrcaRouter 的目录中。G​PT Live 1 是 O​penAI 自己的 v1/live/sessions 端点;MAI Realtime 1 是 MAI Labs 与 Foundry 的限量访问预览版。我们提供的正是它们背后的东西。

决定你时间表的集成细节

GPT Live 1 的集成方式更别扭,但文档更好。其专用的 v1/live/sessions 端点意味着你基于 Realtime API 构建的任何内容都无法沿用——这是一种新的会话模型,而它不支持 Chat Completions、Responses 或 Realtime,这一点在其文档中排在第一位是有原因的。速率限制按并发会话数而不是 token 数计算,因此容量规划完全是另一回事:Build 版 50 个并发,Launch 版 300 个,Grow 版 500 个,没有免费套餐。

MAI Realtime 1 恰恰相反:它是一个兼容 OpenAI Realtime API 的接口,而这是微软公告中最有用的一句话。如果你的技术栈已经使用该协议,那么评估就只需要一个模型字符串和一个基础 URL。问题在于这个接口周边的一切——没有语言列表、没有延迟分布、没有 τ-Voice 分数、没有 GA 日期,而且我们在查看时,MAI Labs 里一个两分钟的演示正显示“MAI Realtime 目前不可用”。

所以时间线的不对称确实存在。G​PT Live 1 你可以本周依据已发布的文档和生产端点进行集成。MAI Realtime 1 你可以基于你所理解的兼容性做原型开发,然后等待一个预览版——它之所以免费,恰恰是因为它尚未完成。

A screenshot of OpenAI's GPT-Live-1 documentation captured 18 November 2026, showing the model page headline, the $0.05 per minute billed-per-second pricing, the v1/live/sessions endpoint, and the note that reasoning and tool work are handed off to a backend agent.

以打赌形式表述的裁决

如果语音体验本身就是产品,而且你想要一个自己掌控的后端,那就选 GPT Live 1。它拥有同类产品中最高的语音到语音指数,搭配 Sol 级后端时具备最佳的对话动态表现,其智能体评分在对比中超过了除 Phonic 1 和 Grok Voice 3.0 之外的所有非 OpenAI 模型,而且文档会准确告诉你它能做什么。每分钟五美分是个实打实的数字,你可以据此做预测。

如果制约因素在于经济性,而且你有工程时间投入到测量而非采购上,那就押注 MAI Realtime 1。每分钟一美分、不计费的预览版以及兼容 OpenAI 的接口,是弄清楚微软的双层设计能否胜过你应用侧方案的最便宜方式。你需要接受的是:延迟分布、τ-Voice 数字和语言列表都将由你来给出,因为微软没有公布其中任何一项;而其唯一的准确率数字——Big Bench Audio 上的 98.8%——来自厂商,背后没有任何支撑。

最不该做的一件事,就是把“感觉非常接近”这个说法当作结论来重复。它可能是真的。说这话的人很可能说得对,而如果确实如此,这场对比就不再有意思了,因为在用户最看重的那个维度上,更便宜的模型会是更好的那个。但一个下午的感觉并不等于任务完成率,而真正能定论的那个数字——每个模型实际完成了多少比例的真实调用——正是两家厂商都没有公布的那个数字。

A generated two-column scoreboard titled 'MAI Realtime 1 vs GPT Live 1 — the scoreboard'. Left column MAI Realtime 1: voice price $0.01 plus tokens, speech index not published, agentic not published, dynamics not published, first audio P50 only. Right column GPT Live 1: $0.05 per minute, speech index 83.2 / 80.1, agentic 74.5% / 59.3%, dynamics 94.9% / 97.3%, first audio 1.34 s / 1.24 s. Footer reads 'GPT Live 1 per Artificial Analysis, two backends; MAI index and agentic scores unpublished.'

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