GPT-Live-1 與 Voxtral 3：那個不是價格的價格

Voxtral 3以每分鐘 0.04 美元的價格，宣傳一套完整的語音代理服務。GPT-Live-1宣傳每分鐘 0.05 美元，之後卻還會就「思考」的部分再向你收一次費。就表面數字來看，Mistral 便宜 20%，而且涵蓋更多東西——語音轉文字、文字轉語音，以及一個推理模型，全都包含在同一個費率裡——而 OpenAI 的數字只涵蓋語音層。這樣的解讀在技術上正確，在實務上卻有誤導之嫌，因為這兩個費率買到的並不是同一件事。

兩者相隔不到六週先後推出：GPT-Live-1 於 2026 年 9 月 10 日登上 API，Voxtral 3 則於 10 月 20 日進入公開預覽。兩者鎖定同一類客戶——正在打造必須能持續對話的電話代理程式的人。它們以相反的路徑達成目標，而成本差異唯有在你從不中斷它們的情況下才成立。

每一分鐘裡實際上包含著什麼？

先從電表包含的內容開始，因為比較的關鍵就在這裡。

• Voxtral 3 完整代理 — 以 Mistral Small 4 作為推理器時每分鐘 $0.04，改用更強的模型則為 $0.08。這涵蓋轉錄、合成與語言模型。

• GPT-Live-1 — 純語音每分鐘 $0.05，按秒計費。後端推理、工具呼叫與網路搜尋則依一般模型費率另行計費。

• 單獨使用 Voxtral 3 TTS — 每百萬個字元 13 美元，以正常語速而言，每小時語音約 0.70 美元。

• GPT-Live-1 輸入音訊 — 根據 Artificial Analysis 固定的 40 題題組測量，其高推理配置為每小時輸入音訊 $5.83，低推理配置為 $4.47。

誠實的每分鐘比較，在一通十分鐘的通話中，Voxtral 3 全包價是 0.40 美元，而 GPT-Live-1 則是 0.50 美元加後端費用——算作 0.50 到 0.55 美元，取決於代理需要思考多少。Mistral 在這筆算術上勝出，而且它勝出是因為納入了 OpenAI 略過的一個元件。

除非這通電話大部分時間都是靜默的。Voxtral 的語音代理費率是按工作階段計量的；GPT-Live-1 的費率當然也是如此。兩家廠商都沒有公布靜默豁免，因此任何會讓來電者停留在等候狀態的部署，都應假設兩邊的計量器都在持續計費。這項差異並不偏袒任何一方，但它確實意味著，公告的主要費率並不是該進行最佳化的地方。

又一次，管線對上雙工

Voxtral 3 是一套技術堆疊，而非單一模型：轉錄模型（4B 參數的 Mini Transcribe 3、Small，以及即時版本）、一個語音合成模型，還有一套以 LiveKit 為基礎的 Voice Agent SDK，將它們與居中串接的語言模型連結起來。Mistral 自己宣稱的延遲是最快 90 毫秒產生第一個音訊，這對語音合成這一段來說確實很快。

快速合成不等於良好的輪流發言。串接式系統仍必須判斷人類何時說完話，而這項判斷是由位於管線前端的語音活動偵測器或輪次偵測模型所做。當它判斷錯誤時，代理不是打斷來電者，就是多等一拍，而再多的 90 毫秒合成也無法修正這點。

GPT-Live-1 是一個同時聆聽與說話的網路，每秒多次決定是否讓出發言權。這正是你多付那一分錢所換取的能力，而它不是你能用零件拼湊出來的功能。這也是為什麼 OpenAI 的模型沒有轉錄或合成這類明細項目：根本沒有東西可以逐項列出。

實際的考驗不是延遲，而是打斷率。如果你的來電者都用完整句子說話，並會輪流發言，那麼管線式做法就夠用，而且更便宜。如果他們講到一半就說「等等，我是指另一個」，那你就是在採用雙工行為，不管你自己承認了沒有。

語言、方言與資料所在位置

Mistral 推出 Voxtral 3，支援 35 種以上語言與 50 種以上方言，具備情緒與風格調控、零樣本複製，以及需要約 30 分鐘參考音訊的「Pro Voice」調適流程。GPT-Live-1 的文件則未提及方言涵蓋範圍，且僅提供固定的模型語音，不支援複製功能。

如果你的產品是歐洲語言——法語、德語、義大利語、西班牙語、荷蘭語——Voxtral 3 是更完整的方案，而 Mistral 的歐盟定位在採購會談中是一項實實在在的論點，OpenAI 無法那麼直接地回應這一點。這是商業事實，而非基準測試結果；對許多買家來說，在討論延遲之前，這就已經決定了交易。

如果你的產品是在單一市場提供英語支援或預訂，語言廣度就是你用不到的庫存，而雙工行為才是你在每一通電話中都會注意到的部分。

開放權重的陷阱

值得特別提出來，因為這點常讓人誤解：Voxtral 3 本身是封閉 API。這個系列中可下載的模型，是 2026 年 3 月較舊的 4B TTS checkpoint，以 CC BY-NC 4.0 授權釋出——非商業用途——是另一個較舊、arena 分數較低的模型。Voxtral 3 的企業自行部署是經協商安排的，不是下載連結。

所以這個比較中的兩個模型都不會給你權重。GPT-Live-1 設計上就沒有。Voxtral 3 依政策也沒有。如果擁有模型是必要條件，兩者都出局，討論就轉向 Fish Audio Drama 3 或 Ming-3.0-TTS。

董事會衡量什麼，以及不衡量什麼

Voxtral 3 TTS 在 Artificial Analysis 的 Provider Voice Arena 上以 1223 Elo 位居第 14 名（共 14 個模型），資料擷取於 2026 年 10 月 29 日，價格為每百萬字元 13 美元。這是相當穩健的語音合成成果：落後於 1334 分的 Eleven v4，但領先數個價格更高的模型。

GPT-Live-1 並未出現在那個排行榜上，而任何人若將其語音對語音指數 83.2 的分數與 Voxtral 的 1223 並列比較，便是在拿加權的對話指數和盲測偏好的 Elo 相比。在確實收錄對話式系統的排行榜上，GPT-Live-1 於 Speech Agent Arena 獲得 1037 至 1041 的 Elo 分數，任務成功率為 87.4% 至 90.9%。Voxtral 3 的代理堆疊尚未累積足夠的競技場對話，因此還無法列入榜單。

那個「沒有」是這一節裡最有用的事實。這兩者之間不存在獨立的直接對比，這意味著你讀到的每一項比較——包括本文在內——都是根據公開費率與架構推導出來的，而不是來自受控實驗。任何人若告訴你其中一個在電話上可測得地更自然，那都只是在引用廠商說法。

路由引數最終落在何處

OrcaRouter 並未提供這兩個模型。Voxtral 3 是 Mistral 的 API；GPT-Live-1 則是 OpenAI 的。真正可路由的是它們各自委派給的推理器——而兩者在這一點上的架構分歧，恰好會影響你如何架構整個技術堆疊。

Voxtral 3 讓你能在其自身的代理費率內選擇推理模型：Small 4 為 $0.04，更強的版本為 $0.08。GPT-Live-1 則完全開放後端，這表示你可以將它指向任何你喜歡的文字模型——包括 GPT-6 Astra、GPT-5.6 Terra 或更便宜的層級，只需一把金鑰，並透過路由 DSL 讓你在同一個部署中為不同任務類型固定使用不同模型。

這種彈性在混合工作負載上確實值真金白銀：便宜的模型處理{{1}}地址確認{{/1}}，前沿模型處理{{2}}爭議帳款{{/2}}，無需第二份合約或第二套整合。供應商牌價以 0% 加成直接傳遞，因此推理層級的降價會在生效當天反映到你的帳單，而不是等到下一次合約續約。

決定

如果你在歐洲開發、需要多種語言和方言、希望一張帳單就涵蓋從轉錄到語音合成，而且你的來電者在輪流發言上還算有禮貌，那就選 Voxtral 3。整體換算下來，它每分鐘更便宜，技術堆疊也更完整，而 1223 的語音合成分數也相當不錯。

如果中斷就是產品本身——受理、分診、派遣，任何來電者會自我修正、而代理必須即時聽見當下發生的場景——就選 GPT-Live-1。你每分鐘會付更多、掌控更少，卻能得到管線無論出多少錢都買不到的一種行為。

要避免的陷阱，是把兩個宣傳費率拿來比較，然後得出 $0.04 勝過 $0.05 的結論。那些數字衡量的並不是同一分鐘：一個包含轉錄器、合成器和推理器；另一個包含一隻耳朵。要買內容與工作相符的那一個，再去爭論價格。