生成的標題卡標題為「GPT-Live-1.1 vs SeedRealtime」,副標題為「一個賣的是分鐘,一個什麼都不賣」,左側卡片標示 GPT-Live-1.1,每個活躍分鐘 $0.05、每個待機分鐘 $0.02,並提供公開 API;右側卡片標示 SeedRealtime,沒有公開 API、沒有開放權重,且僅在 Doubao 內提供。
Guides & Insights

GPT-Live-1.1 對比 SeedRealtime:一個賣分鐘數,一個什麼都不賣

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

把 GPT-Live-1.1 和 SeedRealtime 並排放在一起,這場比較立刻就不再是品質之爭。GPT-Live-1.1 是一個你今天就能呼叫、按秒租用、並放進產品裡的全雙工語音模型;它於 2026 年 11 月 19 日登上 OpenAI API,距離它在 ChatGPT Voice 內取代 GPT-Live-1 才過五週。ByteDance 的 Seed 團隊於 2026 年 8 月 5 日發表的 SeedRealtime,在紙面上是更有趣的架構——一個原生音視訊全雙工模型,能在同一個系統裡觀看、聆聽與說話——而且它不是你能呼叫得到的東西。沒有公開 API、沒有在 Hugging Face 上開放的權重、沒有參數量,也沒有附有數字的技術報告。

所以,誠實的說法不是「哪個比較好」。而是:其中一個是有價目表的產品,另一個則是對第一方明確拒絕推出之能力的示範。這兩種說法同時成立,而哪一個才重要,完全取決於你是否正在打造什麼東西。

輸入表面並非相同的形狀

GPT-Live-1.1 能聆聽。這就是其輸入的全部。模型頁面將音訊與文字列為輸入模態,輸出也是音訊與文字,別無其他——沒有圖像、沒有影片、沒有文件。它對「聽」的處理方式確實不尋常:它是全雙工,意思是它一邊說話一邊聆聽,而非輪流發言,而且它每秒會多次決定要繼續聆聽、暫停、打斷,或把工作交給後端。此次版本升級唯一明確說明的能力變更就在這一層:相較於 GPT-Live-1,它「更準確地轉錄語音,並在不同語言間維持更一致的口音與嗓音」。這項說法並未附上任何數字。

SeedRealtime 在單一模型中同時聽與看,而非透過管線串接。位元組跳動的發布文章描述了一套統一架構,融合音訊、視訊與文字,在連續串流上平行執行感知、理解、決策與表達。文中列出的具體影響,正是純文字語音模型在結構上無法觸及的:透過觀察場景來分辨同音詞、從手勢與目光判斷「這個」所指為何,以及在目標物件出現在畫面中時主動開口。示範案例都很具體——在吵雜的餐桌上將姓名與臉孔對應起來、為外國用餐者翻譯只有中文的菜單、注意到整顆咖啡豆被倒進沖煮把手並在萃取前出聲提醒、將博物館展品保持在視野中,直到使用者想看的作品到來再提醒對方。

• 輸入 — GPT-Live-1.1 僅支援音訊與文字,對比 SeedRealtime 將音訊、視訊與文字融合於單一模型

• 輪流發言 — GPT-Live-1.1 在高頻率下於內部自行決定,對比 SeedRealtime 將輪流發言機制移入模型內部,並移除外部語音活動偵測器

• 主動行為 — GPT-Live-1.1 會回應、分派任務並呼叫工具,而 SeedRealtime 則被描述為當視野中出現事物時,會未經提示地主動發聲

• 執行位置 — GPT-Live-1.1 以公開的每分鐘費率在 v1/live/sessions 上執行,對比 ByteDance 的 Doubao 應用程式內的 SeedRealtime

• 證據 — GPT-Live-1.1 有前代模型在 Artificial Analysis 上的第三方評分,而 SeedRealtime 則有端到端人工評估,但沒有樣本數,也沒有具體數字

Generated two-column scoreboard titled 'GPT-Live-1.1 vs SeedRealtime — the scoreboard' with six matched rows: inputs (audio and text vs audio, video and text fused), turn-taking (decided inside the model vs moved into the model), proactive behaviour, where each runs (v1/live/sessions vs inside Doubao only), evidence (index scores for GPT-Live-1 only vs a vendor human evaluation with no figure), and price ($0.05/$0.02 per minute vs no developer product).

你實際支付多少,以及支付給誰

GPT-Live-1.1 會依通話時長按秒計費語音工作階段,每活躍分鐘 $0.05。自 2026 年 11 月 19 日起,WebRTC 工作階段也可設定在閒置時暫停推論,並在等待期間以每分鐘 $0.02 計費,待有人說話時恢復。後端模型與工具使用量——語音層所委派的推理與工具工作——會另行依您指定模型的 token 計費表收費。建立 WebRTC 工作階段時,會先收取 15 秒語音時長費用;待工作階段開始執行後,該費用會折抵回通話時長。

對開發者而言,SeedRealtime 的價格不是一個數字,因為並沒有開發者產品。它存在於消費者助理 Doubao 之中;ByteDance 表示自八月推出以來,該功能已在其中「全面推出」。那是真實規模的真實部署,而且它不是 API。ByteDance 的模型即服務平台是否會提供它,以及以何種費率提供,在發布文章中或截至 2026 年 11 月 20 日所見的 Seed 網站上,均未說明。

這種不對稱除了顯而易見的那一層之外,還有一層成本後果。按秒計費租用的模型,可以納入預算、拿來比較,也可以關閉。別人的消費級應用程式裡的模型,這些都做不到,因此兩者之間的比較並沒有換算匯率可言。你不是在每分鐘 0.05 美元和某個更便宜的東西之間做選擇;你是在一個支出項目和一個展示品之間做選擇。

在證據逐漸稀少之處

GPT-Live-1.1 本身沒有獨立分數。於 2026 年 11 月 20 日查閱的 Artificial Analysis 語音對語音指數中,GPT-Live-1 被列出兩次——以中等投入程度搭配 Astra 級後端時為 83.2,以低投入程度搭配 Sol 級後端時為 80.1——而且尚未收錄 1.1。那是一項推出僅一天的 API 模型,因此這樣的落差在意料之中,並非什麼致命缺陷,但這確實意味著口音一致性的改善本週仍只是廠商說法。這個指數確實顯示,配置對分數的影響不亞於版本:同一個模型會依所搭配的後端得到 83.2 或 80.1。任何只引用一個 GPT-Live 分數卻未註明後端的評論,其實幾乎沒告訴你什麼。

SeedRealtime 的證據則以另一種方式顯得較為薄弱。字節跳動只公布了一項主要成果——一項端到端的人工評估,其中該模型相較於串接式 ASR+視覺+TTS 系統「將音視訊對話節奏問題減半」,句中被打斷的情況更少、停頓後回應遲緩的情況更少,因背景閒聊而誤觸發的情況也更少。但這項成果沒有樣本數、沒有方法論、沒有信賴區間,也沒有延遲數據。此外,它沒有參數數量,也沒有技術報告。這並不代表該模型很弱——這些演示已足够具體,足以顯示它是一個真實存在的系統——但這是一個你無法查證的說法,而且它並未出現在任何獨立的排行榜上。

Screenshot of the ByteDance Seed blog post announcing SeedRealtime, showing the 2026-08-05 publication date, the Audio category label, and the three stated breakthroughs of the model.

請特別注意這對比較意味著什麼:這兩個模型並不在同一個尺度上。一個有前一代版本的第三方數據,以及已公布的費率;另一個只有廠商的一句話,而且根本無從購買。把兩者拿來互相比排名,等於是在憑空發明一種測量。

為什麼 API 落差就是整個論證的關鍵

人們很容易把「no API」當成一種會自行解決的暫時狀態,因而把它視為細節。對於建置決策而言,情況恰恰相反:它是唯一能完全決定答案的事實。

如果你要在下一季推出語音產品,SeedRealtime 不會在你的選項清單上,再多的架構野心也改變不了這點。GPT-Live-1.1 則在清單上,它具備有文件記載的工作階段設定、公開的費率、讓閒置連線成本低廉的待機模式,以及一套委派模型,讓你能把推理留在自己掌控的後端。它唯一不會做的事,就是查看你使用者的攝影機。

最后这项限制值得诚实以对地权衡成本,因为团队的需求真正分歧点就在这里。客服专线、车载助理、语言家教、排程代理——这些都不需要视频,而它们全都能受益于一个能在已知成本下妥善处理打断与委派的模型。一个要观看维修过程、读取菜单或跟随示范的代理,需要的是 SeedRealtime 具备而 GPT-Live-1.1 不具备的模态;而对这类工作负载,如今的答案是要么等待,要么构建 ByteDance 所反对的级联方案。

Generated decision card titled 'Which voice workload fits which model', with a left column headed 'GPT-Live-1.1 can take this today' listing support lines, in-car assistants, language tutors and scheduling agents, and a right column headed 'This needs a camera' listing repair guidance, menu reading and demonstration following, captioned 'SeedRealtime shows these; no public API yet.'

路由器適合的位置,在於委派的那一半。OrcaRouter 不提供 GPT-Live-1.1 或 SeedRealtime——兩者都不是聊天模型,而且型錄中沒有全雙工語音端點。它確實提供語音層將工作委派過去的後端:gpt-6-luna、gpt-6-sol以及 GPT-6 系列其餘模型,皆可透過單一金鑰以供應商牌價取得、不加價,並具備跨供應商自動容錯移轉,以及可將多個模型組合成一次呼叫的路由 DSL。若你的 Live 工作階段委派給後端,該後端就是你今天可以路由的部分。

該留意什麼,以及現在該做什麼

有兩件事會改變這項比較,而這兩件事都還沒發生。一個公開的 SeedRealtime 端點——無論是在字節跳動自家平台上,還是在其他任何地方——都會在一夜之間讓示範變成可選項,並立刻引出一個問題:視覺脈絡是否值得投入整合工作。若能在語音對語音指標上獨立測量 GPT-Live-1.1,就能看出多語言口音的主張是否屬實,以及 GPT-Live-1 搭配 Astra 後端所得到的 83.2 是否也能延續。

在那之前,這個決定異常單純。如果你需要推出語音功能,GPT-Live-1.1 可呼叫、已定價,而且有了待機機制後,讓它保持連線的成本比一週前更低。如果你需要一個具備視覺能力的模型,位元組跳動那一側再怎麼強的能力,也不會變成一把 API 金鑰;負責任的做法是如實說明,而不是拿產品去和預覽版做排名比較。

本文中的比較1

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新