一張為 Realtime 1 對 GPT Live 1 生成的標題卡,顯示每音訊分鐘 $0.01 對上 $0.05,並附註「感覺非常接近」的比較尚未測試,另有一個 OrcaRouter 標誌。
Engineering & Research

Realtime 1 對 GPT Live 1:五美分對一美元,以及一項目前無人能查證的說法

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

每分鐘五美分。這就是 O​penAI 對G​PT Live 1的收費——這款全雙工語音模型「能同時聽與說」,按秒計費、不進位,後端模型與工具使用費另計。MAI Realtime 1由 Microsoft 於 2026 年 11 月 17 日發布,未計入其推理層級前,每分鐘一美分。在價目表上,差距是五比一;而一位兩者都用過的人在網路上表示,Realtime 1「感覺非常接近 G​PT Live 模型」。那句話是這場對決中最有趣、也最難以驗證的一點,因為要定論只有一種方法,而尚無獨立第三方做過那項測試。

所以,請把這當成兩個問題,而不是一個。每分鐘一美分的模型,真有差到五倍嗎?而 G​PT Live 1 實測得出的表現,究竟換來了什麼,是更便宜的模型非得追平不可的?第二個問題有答案。第一個問題,目前還沒有。

這些架構的形狀並不相同。

G​PT Live 1 很不尋常,其文件也明白說明了這一點。它是全雙工模型——同時聆聽與說話,而非輪流發言——而且它不會嘗試自行推理。它「將推理與工具工作交給後端代理」,僅能透過 v1/live/sessions 存取,不支援 Chat Completions、Responses 或 Realtime 端點。它可輸入與輸出音訊和文字,支援串流與函式呼叫,且不接受圖片或影片。

• G​PT Live 1 — 全雙工前端,推理作業委派給你所接上的任何後端代理。並行工作階段上限為:Build 50 個、Launch 300 個、Grow 500 個。沒有免費方案。

• MAI Realtime 1 — 具備快速路徑與內部推理層級的語音對語音。Microsoft 依每百萬個輸入權杖 1.00 美元、每百萬個輸出權杖 5.00 美元計費。對話端按音訊分鐘計費。公開預覽前,預覽版不計費。

兩者實際上都是由兩部分組成的系統。差別在於第二個部分由誰掌控。使用 G​PT Live 1 時,第二個部分明確屬於你:後端代理由你選擇,其 token 費用由你另行支付,接縫也由你看得到。使用 MAI Realtime 1 時,交接發生在產品與定價頁面內部,而路由決策不是你能設定的。

那一項設計差異,解釋了大部分的價格差距。O​penAI 對一副非常出色的耳朵和嘴巴每分鐘收費 0.05 美元。Microsoft 則是對一副還不錯的耳朵和嘴巴,加上內部調度器,每分鐘收費 0.01 美元,並透過 token 計量表將「思考」變現。

GPT Live 1 的測量數據究竟顯示了什麼

GPT Live 1 在 Artificial Analysis 的語音轉語音排行榜上出現兩次,因為你所附加的後端代理程式會改變結果:

語音轉語音指數 — 搭配中等設定的 Astra 級後端為 83.2,搭配低設定的 Sol 級後端為 80.1。兩者皆高於 G​emini 3.8 Live 的 74.5,也遠高於 Eleven Realtime Max 的 77.3,這使 G​PT Live 1 成為本比較組中指數最高的模型。

• 語音推理(Big Bench Audio)— 分別為 90.1% 與 89.0%。並非排行榜榜首——Eleven Realtime Max 得分 98.8%——但具備穩固的競爭力。

• 對話動態 — 94.9% 和 97.3%。Sol 配置版本是這組中最佳的動態分數,也就是對應到「聊起來感覺很好」的那個數字。

• 代理式任務完成(τ-Voice)——74.5% 與 59.3%。兩者都大幅超越 Gemini 3.8 Live 的 30.1%,而這正是你會預期從一個整體設計前提就是把工作交給有能力後端處理的模型身上看到的結果。

• Arena Elo — 1027 與 1037。

• 任務成功率 — 87.4% 與 90.9%。

• 首次音訊時間——1.34 秒與 1.24 秒。比 Eleven Realtime Max 的 0.57 秒慢,也比 Gemini 3.8 Live 的 1.18 秒慢;但全雙工設計意味著感知到的等待與實測等待不是同一回事;一個會在思考時先做出回應確認的模型,不會讓人覺得它停頓了。

• 混合成本——按 Artificial Analysis 的標準化計算,每小時為 $5.83 與 $4.47,而每分鐘 $0.05 的價目表僅語音線路就要每小時 $3.00。較高的數字包含後端 token 支出,這才是解讀一個會委派推理的模型的誠實方式。

從這些數字可以得出兩件事。第一,設定與模型本身同樣重要:同一個 G​PT Live 1 會因為你指向哪個後端,而得到 83.2 或 80.1 分,在代理式任務上則是 74.5% 或 59.3%。一份只引用單一數字、卻未說明使用哪個後端的評測,幾乎等於什麼都沒告訴你。第二,這裡的指數領先者並不是競技場領先者——G​emini 3.8 Live 贏得 Elo,G​PT Live 1 贏得指數。它們衡量的是不同事物,而兩者都不能代表你的工作負載。

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.

值得檢驗的主張,以及檢驗它所需付出的代價

「感覺非常接近 G​PT Live 模型。」若照字面來看,這是任何人對 MAI Realtime 1 說過最強烈的評價,而且出自一個沒有公開方法論、沒有錄音、也沒有任務集的人。公平地說,這也正是大多數語音模型早期印象出現的方式——全雙工對話難以評分、卻容易感受,這正是這個競技場最初存在的原因。

問題在於,這項說法只能部分核查。Microsoft 在模型頁面上為 MAI Realtime 1 公布了一項準確率數字——在 Big Bench Audio 上為 98.8%,由廠商自行執行且未經重現——同時還有一張標示 P50 首次音訊輸出時間的卡片,以及「P50 Latency on BigBench Audio」的圖說。它沒有公布 τ-Voice 分數、沒有延遲分布,也沒有語言清單。截至 11 月 18 日,Artificial Analysis 並未收錄 MAI Realtime 1,因此沒有針對那 98.8% 的獨立讀數可與 GPT Live 1 的 90.1% 並列:前者是廠商自己的評估,後者是第三方的評估。Microsoft 自家的比較聲明點名 GPT Realtime 2.1,這是與 GPT Live 1 不同、且價格結構完全不同的模型,而且就連那項比較也只是以「前沿定位」而非數字的形式公布。

所以,這個主張有用的版本是測試計畫,而不是定論。有四件事要執行,而且在預覽不計費期間,它們全都成本低廉:

• 背靠背對話——讓兩個模型分別處理同樣二十通錄音通話,並以盲評方式評分。這是唯一能測試「感覺接近」的方法,也是原本主張所略過的測試。

• 重疊情況下的打斷 —— G​PT Live 1 的全雙工設計讓它能同時說話與聆聽。測試 Realtime 1 究竟是真的能處理同時發言,還是只能處理乾淨的打斷。那是兩種不同的能力,而其中只有一種會在示範中展現出來。

• 升級延遲——當 Realtime 1 將一輪對話交給其推理引擎的那一刻,測量停頓時間。Microsoft 的說法是「不會有尷尬的停頓」,這是一項延遲主張,卻沒有附上任何數字。

• 每通完成通話的成本——不是每分鐘。每分鐘成本只有五分之一、卻要多花兩輪才能解決請求的模型,價格並不是五分之一。這才是決定對決勝負的數字,而兩家供應商都不公布。

五分錢去了哪裡

如果 GPT Live 1 每分鐘多出的四美分什麼也換不到,那這就不構成一個抉擇。但它換到的是具體的東西:一項實測為 74.5% 的代理能力分數,對比一項未經實測的宣稱,以及一套全雙工架構;這套架構是與輪流發言不同的能力,而不是它的改良版。

除了費率之外,你還得付出控制權與底層管線的代價。G​PT Live 1 要求你自行提供並支付後端代理的費用——這是實打實的工作,也是實打實的帳單,但同時也是它的設定會改變其評分的原因。你可以選擇推理模型;你看得到 token 花費;你決定哪些情況要升級處理。MAI Realtime 1 則是在產品內部做出那個決定,並為此每百萬個 token 收取 1.00 美元與 5.00 美元,卻不告訴你這件事多常發生。

這項取捨——可視性與便利性之間的權衡——正是閘道得以立足之處。兩個模型最終都會呼叫推理模型:G​PT Live 1 是設計使然,MAI Realtime 1 則是內部所為,而 OrcaRouter 所路由的正是這一層推理:200+ 個模型只需一把金鑰、以供應商定價提供、0% 加成,因此決定你 G​PT Live 1 組態的後端無須簽第二份合約即可替換,還具備自動容錯移轉,讓停滯的推理呼叫不會變成講到一半就沒聲音。模型融合是這裡另一個值得了解的槓桿——對於難處理的輪次才是成本高昂之處的語音代理而言,在升級路徑上由一組模型共同作答,是在關鍵之處買到準確度、又不必每一輪都為此付費的方法。

準確來說,就涵蓋範圍而言:G​PT Live 1 和 MAI Realtime 1 都不在 OrcaRouter 的目錄中。G​PT Live 1 是 O​penAI 自家的 v1/live/sessions 端點;MAI Realtime 1 則是 MAI Labs 與 Foundry 的有限存取預覽版。我們所提供的,是位於它們後端的東西。

決定你時程的整合細節

GPT Live 1 的整合方式較為彆扭,但文件品質較好。其專用的 v1/live/sessions 端點意味著,你針對 Realtime API 打造的任何東西都無法沿用——這是全新的工作階段模型;它不支援 Chat Completions、Responses 或 Realtime,而這件事會是其文件開頭第一件事,是有原因的。速率限制計的是同時工作階段數,不是權杖數,因此容量規劃完全是另一回事:Build 方案 50 個同時工作階段、Launch 300 個、Grow 500 個,且沒有免費方案。

MAI Realtime 1 則相反:它是與 OpenAI Realtime API 相容的介面,而這是 Microsoft 公告中最有用的一句話。如果你的技術堆疊已經支援該協定,評估就只是一個模型字串和一個基底 URL。問題在於介面周邊的一切——沒有語言清單、沒有延遲分佈、沒有 τ-Voice 分數、沒有 GA 日期,而且我們查看時,MAI Labs 裡一段兩分鐘的示範正顯示「MAI Realtime 目前無法使用」。

所以,時程上的不對稱確實存在。G​PT Live 1 本週就能依照已發布的文件和正式環境端點進行整合。MAI Realtime 1 則可以針對你所理解的相容性建立原型,然後等待一個預覽版——它之所以免費,正是因為它還沒完成。

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.

以賭注形式表述的裁決

如果語音體驗就是產品本身,而且你想要一個自己能控制的後端,就選 G​PT Live 1。它擁有同級最高的語音對語音指數、搭配 Sol 級後端時最佳的對話動態、一個在比較中勝過除 Phonic 1 和 G​rok Voice 3.0 之外所有非 OpenAI 模型的代理能力分數,以及能確切說明它功能的文件。每分鐘五分錢是真實且可預測的數字。

如果經濟性是主要限制,而你有工程時間可以花在測量而不是採購上,那就押注 MAI Realtime 1。每分鐘一美分、附帶未計費的預覽版與 OpenAI 相容介面,這是找出微軟的雙層設計是否勝過你應用端設計的最便宜方式。你要接受的是:延遲分布、τ-Voice 數字和語言清單都得由你自己產出,因為微軟一項都沒公布——而且它唯一的準確率數字,Big Bench Audio 上的 98.8%,是供應商單方面給的,背後沒有任何佐證。

唯一不該做的,就是把「感覺非常接近」這種說法當成結果來重複。它可能是真的。說出這句話的人很可能沒錯;如果是這樣,這場對決就不再有趣,因為在對使用者最重要的那個面向上,較便宜的模型會是更好的選擇。但一個下午的感覺不是任務完成率,而能定論的那個數字——每個模型實際完成了多少比例的真實呼叫——正是兩家廠商都沒公布的那個數字。

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.'