GPT-Live-1 對比 SeedRealtime：SeedRealtime 是更有野心的模型，而你買不到它

比較 GPT-Live-1 與 SeedRealtime 在能力上的表現，會得出一個令人不安的答案，因為這兩個模型並非在同一套標準下競爭。GPT-Live-1 是 OpenAI 的全雙工語音模型，於 2026 年 7 月 8 日在 ChatGPT 內推出，並於 2026 年 9 月 10 日透過 Live Sessions API 開放給開發者使用，具備 12 種語音、公開的每分鐘費率，以及一個明顯的缺口：明確不支援圖像與影片輸入。由字節跳動 Seed 團隊於 2026 年 8 月 5 日發布的 SeedRealtime，則完全圍繞這個缺口打造。它是一個原生音視訊全雙工模型，在單一端到端架構中同時觀看、聆聽與說話——而且它僅能在豆包消費者應用程式內使用，沒有公開 API、沒有開放權重、沒有技術報告，也沒有公布參數數量。

每一個實際上能感知到什麼

看清這個落差最簡潔的方法，就是問每個模型對自己所在的房間了解多少。

GPT-Live-1 聽得見。這就是它的全部輸入介面。音訊和文字進得去，音訊和文字出得來，而 OpenAI 的文件把圖像和影片列為不支援。它把「聽」的對話機制處理得極好——它每秒會決定好幾次是要繼續聆聽、暫停、打斷還是呼叫工具，而且它維持全雙工，所以在說話的同時仍會持續處理進來的音訊。它也會在音訊之外一併回傳語音辨識逐字稿，這種不起眼的細節，正是能省下一週整合工作的地方。

SeedRealtime 能聽也能看，靠的是單一模型，而不是層層串接的管線。ByteDance 描述了一套統一架構，能同時處理音訊、視訊與文字，並藉由視覺脈絡消解歧義——區分同音詞，從場景、手勢、目光與先前行動理解「這個」指的是什麼——同時讓感知、理解、決策與表達平行運行，而非依序進行。ByteDance 公開的展示案例包括：一場嘈雜的多人聚餐，模型必須把聲音與身分對應起來；一次博物館參訪；修正濃縮咖啡的沖煮流程；以及在機場中抑制干擾，同時保有鏡頭外的記憶並進行線上查詢。

• 輸入 — GPT-Live-1 僅支援音訊與文字，明確不支援圖像與影片；相較之下，SeedRealtime 將音訊、影片與文字融合於單一模型之中

• 輪替發言 — GPT-Live-1 每秒多次在內部自行決定，而 SeedRealtime 則將輪替發言移入模型內部，並完全移除外部語音活動偵測器

• 主動行為 — GPT-Live-1 會回應、委派並呼叫工具，而 SeedRealtime 則被描述為在目標物件出現在視野中時會未經提示地主動發言

• 可用性 —— GPT-Live-1 已在 Ope​nAI 的 API 中正式推出，每分鐘收費 0.05 美元；相較之下，SeedRealtime 在 Doubao 內免費提供，且沒有 API，也沒有推出 API 的時間表

證據品質與野心恰恰背道而馳。

這裡正是這種比較不再對 ByteDance 有利的地方。

Ope​nAI 公佈了數字。這些是他們自家的數字，他們是拿 GPT-Live-1 與 GPT-Realtime-2.1 相比，而不是與競爭對手相比，而且沒有獨立實驗室重現過這些數字——全雙工互動性為 80.1%，對比 45.4%；輪流發言延遲從 1.4 秒降至 0.8 秒；工具呼叫準確率從 60% 提升至 87%。由廠商自行執行且未經重現是一個真實的警語，而這至少是一個你可以附在某個數字上的警語。

字節跳動幾乎什麼都不發表。關於 SeedRealtime 的核心說法是，一項端到端的人工評估顯示，相較於串接式 ASR、視覺與 TTS 系統，它能將音視訊對話節奏問題減半——句子講到一半被打斷的情況更少、停頓後回覆遲緩的情況更少、背景雜談造成的誤觸發更少。但沒有樣本數、沒有方法論、沒有改善幅度的確切數字，也完全沒有延遲數據。此外也沒有參數量，也沒有技術報告。

結果是，架構更有趣的那個模型，反而是你最難以評估的。這並不等於說它表現較差——那些演示確實令人驚豔，而圍繞分塊音視覺輸入與串流生成所寫的工程說明，也顯示出這是一個真正的系統，而非單純的演示——但這確實意味著，目前要比較這兩者在品質上的高下，其實是在比較一個有文件記錄的模型與一段令人印象深刻的影片。

為什麼 API 落差不是細節

SeedRealtime 自 2026 年 8 月 5 日起已在豆包內全面推出，涵蓋語音與視訊，且完全免費。它沒有火山引擎或 BytePlus 端點，沒有付費方案，沒有公布配額，也沒有任何開放開發者取用的時間表。字節跳動的路線圖提到更低的延遲、更精準的發言者追蹤，以及可連接工具的任務；但並未提及日期。

有一項使用限制讓情況雪上加霜。Doubao 是中國大陸優先的產品，通常需要中國大陸手機號碼才能註冊，且未宣布推出在地化英文版。對中國境外的團隊而言，SeedRealtime 不只是尚未以 API 形式推出——連作為產品也無法觸及。

將這點與 GPT-Live-1 自身的整合負擔放在一起衡量，取捨就變得具體了。OpenAI 的 API 在若干方面狹窄得出乎人們意料：只有一個模型 ID、一個位於 v1/live/sessions 的端點、以 WebRTC 傳輸並在資料通道上處理事件，而且無法透過 Chat Completions、Responses、Realtime、Batch 或微調端點來使用。速率限制以並行工作階段計——Tier 1 為 25，一路提升至 50、200、300 和 500——而非以每分鐘請求數計，而 Free 方案則完全無法呼叫該模型。那是一項新的整合，而且仍是一項你今天下午就能開始的整合。

同一個委派問題的兩個答案

兩款模型都否定了舊有的串接式設計，也就是語音辨識、語言模型與語音合成依序運作，對話輪替之間約有 1.7 秒的寂靜空檔。它們否定的方式不同，而這個差異正說明了哪一款是為電話通話而生，哪一款是為室內空間而生。

GPT-Live-1 以垂直方式切分工作。一個快速的語音層負責維持對話；任何更吃重的工作——網頁搜尋、更深度的推理、代理式作業——都會在對話持續進行的同時，透過 Responses API 交給另一個獨立的推理模型處理。OpenAI 公開的 WebRTC 範例，就是把這個後端接上 GPT-5.6 Terra。結果是，負責思考的那一半不過是一次普通的文字模型呼叫，按 token 計價，因此你可以獨立於語音層之外去選擇、替換與路由它。對客服專線來說，這樣的形態是對的：語音是介面，推理才是產品。

SeedRealtime 把所有東西都放在同一個網路裡，這正是讓它能在話說到一半時查看手勢的原因。這同樣是它無法被拆解的原因——你無法替換推理的那一半，因為根本沒有推理的那一半；你也無法在任何地方執行它，因為根本沒有地方可以執行它。

如果你今天正在打造語音代理，這個區別就是全盤的決定。這兩者中只有一個是能夠放進架構裡的元件。GPT-5.6 Terra——也就是 OpenAI 委派範例中的後端——是透過 OrcaRouter 提供服務，價格為每百萬輸入詞元 2.00 美元、每百萬輸出詞元 12.00 美元，具備 1M 詞元的上下文，並同時提供 /v1/chat/completions 與 /v1/responses——此外還有同一把金鑰可使用約 190 個其他模型，因此語音代理背後的推理層級可以拆分、定價並進行容錯移轉，而不必更動音訊路徑。GPT-Live-1 與 SeedRealtime 都不是由 OrcaRouter 提供服務；它們各自來自自家供應商的單一來源，沒有任何路由器能改變這一點。

什麼會改變答案？

三件事，按可能性排序。

• 一個字節跳動的開發者 API。如果 SeedRealtime 出現在火山引擎或 BytePlus 上並公布價格，它就不再只是個案例研究，而會成為真正具差異化的產品——影音全雙工，且在西方沒有任何提供託管服務的競爭對手。這就是值得觀察的訊號，而它尚未出現。

• 視覺功能即將登陸託管語音 API。GPT-Live-1 的文件明確指出不支援圖像和影片，這與其說是疏忽，不如說是有意劃下的首發界線。如果 Ope​nAI 推出它一直在 ChatGPT 其他方面展示的影片介面，那麼讓 SeedRealtime 顯得有趣的能力差距就會大幅縮小。

• 任何對 SeedRealtime 的獨立測量。第三方的延遲數據或參數量，將能讓這兩者得以在野心以外的基礎上相互比較。

對現在想打造產品的人來說，實際結論很簡短。GPT-Live-1 是這兩者中唯一能部署的；以每秒計費、每分鐘 0.05 美元，具備十二種聲音與有文件記載的端點，對對話式語音而言是合理的預設選擇。SeedRealtime 是更有趣的模型，也很可能是能力更強的那個；但就目前而言，它更像是融合式影音架構樣貌的示範，而不是能直接推到客戶面前的產品。把它歸在「值得關注」，而非「可據以開發」。