GPT-Live-1 對決 ElevenLabs：一個會傾聽的模型，一間什麼都賣的公司

The most useful number in this comparison is 90.5%. That is the task success rate Artificial Analysis measured for ElevenLabs Agents in its Speech Agent Arena — the highest in the top six of that board, achieved by a system that is not a single model at all but a cascade of speech recognition, a language model and a synthesiser stitched together by ElevenLabs' own turn-taking logic. GPT-Live-1, Open​AI's end-to-end full-duplex model, does not appear on that board, because it competes on a different one: the Speech to Speech Index, where it sits joint sixth of fourteen at 70.3%. Meanwhile ElevenLabs Eleven v3 remains the most widely deployed production voice in the industry, with more than 10,000 voices in its library and 70-plus languages.

這個簡略說法是：一方賣給你一場對話，另一方賣給你一間公司。這個簡略說法大致正確，卻也掩蓋了底下更有意思的發現：在完成任務上，精心設計的串接式系統依然勝過原生全雙工模型。

兩種架構，而差異在於接縫的位置

GPT-Live-1 is a single model that takes audio and text in and produces audio and text out. It handles interruption natively — Open​AI's own testing, published with September's API release and unreproduced outside the company, reports 80.1% interactivity on Full Duplex Bench v1.5 against 45.4% for GPT-Realtime-2.1, and turn-taking latency of 0.798 seconds against 1.41. There are no seams, because there is nothing to seam together.

ElevenLabs Agents is the opposite bet, deliberately. ElevenLabs' documentation describes a pipeline: tuned speech recognition, a language model you choose or bring yourself, a low-latency synthesiser — typically something from the Flash line — and a proprietary turn-taking model on top. Barge-in is a per-agent configuration exposing turn eagerness and timeouts rather than a property of the model. In Artificial Analysis's benchmarked default configuration the stack reads Scribe v2 Realtime for speech recognition, a Gem​ini model for reasoning, and Eleven Flash v2 for synthesis.

那個設計有一個巨大優勢，也有一項結構性成本。優勢在於每個階段都可替換：簡單的輪次用便宜模型，困難的輪次用前沿模型，不同地區則用不同的合成器。成本在於延遲會在每個接縫處累積，而且輪替決策必須從外部做出。

逐維度地

• 架構 — GPT-Live-1：單一端到端模型，音訊輸入與音訊輸出；對比 ElevenLabs Agents：串接式語音辨識、語言模型與語音合成，並搭配專有的輪替發言層

• 獨立證據 — GPT-Live-1：在 Artificial Analysis Speech to Speech Index 上達 70.3%，於十四家中並列第六；對比 ElevenLabs Agents：在 Speech Agent Arena 上 Elo 937，涵蓋 676 個樣本的任務成功率為 90.5%，為該排行榜前六名中最高的成功率

• 品質榜單 — GPT-Live-1：未列入文字轉語音競技場的排名，因為它與 ElevenLabs 屬於不同類型的模型：Eleven v3 Conversational 在 Provider Voice 榜單上以 1,194 Elo 名列，Eleven v3 則為 1,166，兩者定價分別為每百萬字元 $50 和 $100。

• 定價 — GPT-Live-1：每語音分鐘 $0.05，按秒計費，後端推理另行計量；對比 ElevenLabs：Eleven v3 Conversational 每百萬字元約 $50，Eleven v3 約 $100，代理程式據報約每分鐘 $0.08，超過併發上限後會上升，且語言模型與電話通訊費用另行計費

• 延遲 — GPT-Live-1：未公布模型層級的首次音訊時間；供應商測試中的輪替發言延遲為 0.798 秒，相較於 ElevenLabs：Flash v2.5 約為 75 毫秒，Eleven v3 Conversational 約為 280 毫秒，而供應商指引為代理層級首次音訊低於 800 毫秒

• 語音與複製 — GPT-Live-1：十二種 API 預設，設計上不支援複製；對比 ElevenLabs：語音庫中有超過 10,000 種語音，可從簡短樣本即時複製，並可透過 30 至 180 分鐘的音訊進行專業複製，附自我驗證

• 語言 — GPT-Live-1：主要語言支援良好，但在推出涵蓋範圍中，其他語言的流暢度不一；相較之下，ElevenLabs Eleven v3：70 多種語言，而 Flash 系列為 32 種，其語音辨識則有 90 多種

• 廣度 — GPT-Live-1：一個端點、一個模型 ID，並發層級從 25 到 500 個工作階段，且沒有免費層級；對比 ElevenLabs：語音合成、語音辨識、配音、音效、音樂、語音市集與代理平台，全部納入單一合約，並提供一個不附帶商業授權的免費層級

ElevenLabs 不僅領先，更是無人能及

那份清單中的三個差距並不接近，任何把它們放在同一個句子裡相提並論的比較，對現任者都不公平。

複製功能是第一項。GPT-Live-1 內建十二種預設，而且刻意完全不提供複製功能——這是刻意採取的安全立場，而非功能缺失。ElevenLabs 提供從簡短參考樣本進行的即時複製，以及以 30 至 180 分鐘音訊訓練的專業級複製，但需依方案層級開放，並須通過自我驗證步驟。如果你的產品語音是其身分認同的一部分，這並不是 GPT-Live-1 能競爭的面向。

語音庫是第二項。超過一萬種嗓音，再加上一個授權市集，網羅來自遺產管理方與表演者的經典聲音，這是任何模型發布都無法複製的資產。這也是買家最常低估的一點：挑選嗓音是語音產品的最後一哩路，而有一萬種聲音可供選擇，能把一場品牌塑造工程壓縮成一個下午。

第三是廣度。語音辨識、配音、音效、音樂、代理平台——一個需要其中四項的團隊，只需簽一份合約，而不是四份。那是策略上的優勢，不是品質上的優勢，而且就算對手在某項基準測試中勝出，這項優勢依然成立。

Both companies carry governance questions that belong in a procurement review rather than a footnote. ElevenLabs' professional cloning requires self-verification and its terms prohibit cloning another person's voice even with consent; the company also faces a set of class actions filed in May 2026 over training-data consent, in which the claims are unproven. Open​AI's position is simpler because it removed the feature that generates the risk.

級聯稅，以及在哪些情況下值得支付

級聯的成本會以延遲和編排的形式顯現。ElevenLabs 的官方指引指出，代理的首次音訊時間中位數低於 800 毫秒，第 95 百分位數則低於 1.5 秒——這些數字描述的是整個流程，而非合成器的 75 毫秒。在此之上還疊加了語言模型的生成時間與網路傳輸。其中有些可透過審慎選擇各階段來彌補；但沒有一項是不用付出代價的。

編排成本比較不明顯，但確實存在。每一個額外階段，都是另一個呼叫可能失敗的地方、另一個要調整的逾時設定、另一個要與之核對發票的供應商。而這正是原生端到端模型完全消除的部分：只有一件事可能出錯，而它要嘛回應，要嘛不回應。

串接式架構真正回本的地方，在於中間那個階段。語音代理背後的語言模型，是所有元件中品質進步最快、成本變動也最大的一環，而能在不動到語音層的前提下替換它，對一款產品的生命週期來說值上真金白銀。大約 來自十一家上游供應商的 190 個模型都掛在單一 OrcaRouter 金鑰之下，以供應商牌價計費、零加成，因此供應商調價當天就會反映到這一層，而自動容錯移轉則能避免後端逾時導致通話中斷。無論是 ElevenLabs 的 agents 堆疊，還是 GPT-Live-1 的 Live Sessions 端點，都無法以這種方式取用——語音層屬於各自的供應商，而這是它們底下那一層。

該選哪一個

若對話機制本身就是產品，而你想要單一合約、單一失效模式，就選 GPT-Live-1。適合來電者會搶話打斷代理的電話線路，適合自然交接比完美嗓音更重要的情境，也適合十二種好嗓音就已足夠的場合。你得接受封閉式託管模型、不支援聲音複製、獨立評測表現中等，而且沒有免費方案可供原型開發。

如果限制條件在於語音品質、複製能力或廣度，就選擇 ElevenLabs。旁白、配音、多語言產品、任何語音本身就是品牌的情況，以及任何需要在同一份合約中涵蓋語音辨識的需求。你得接受以串接式系統來運作、價格大約是 GPT-Live-1 每單位語音的十到二十倍，以及中斷邏輯得由你自己設定、也由你自己承擔設錯的後果。

90.5% 是值得帶走的部分。它說明：一家組裝了三個模型和一層輪替機制的公司，在與通話是否成功最接近的指標上，勝過一家訓練單一模型來包辦全部工作的公司。全雙工是真正的架構進步，但就目前證據而言，它不是決定來電者能否得到想要結果的關鍵。