GPT-Live-1、GPT-Realtime-2.1、Gemini 3.1 Flash Live：每分钟 5 美分只是前台价，三份规格表各藏一个坑

1.4K 0

Gemini 3.1 Flash Live 的文档里有一行规格：纯音频会话上限 15 分钟，音频加视频只有 2 分钟，单条连接大约 10 分钟就会被断开。

做过电话客服的人看到这行会愣一下。一通售后电话，查订单、核身份、等系统返回，15 分钟并不算长。

谷歌当然留了口子：打开上下文窗口压缩，会话可以无限续；配上会话恢复，一次会话能横跨多条连接。代价是断线重连得你自己处理，还得接受一件事：压缩之后，模型对通话前半段的记忆是被摘要过的版本。

语音模型的规格表，每家都藏着一两行这样的字。9 月 10 日 OpenAI 把 GPT-Live-1 放进 API 之后，做语音代理的团队手上一下子有了三个选项：新来的 GPT-Live-1，7 月 6 日才发布的 GPT-Realtime-2.1，以及价格低一个数量级的 Gemini 3.1 Flash Live。三份规格表我逐行对了一遍，坑的位置各不相同。

0.798 秒和 1.41 秒，差的是会不会接话

GPT-Live-1 和另外两个最大的区别是全双工。Realtime 系列本质上还是轮流发言：检测到你停顿，判断你说完了，它再开口。GPT-Live-1 是边听边说，一边输出语音，一边持续判断要不要停下、要不要插一句”嗯”。

OpenAI 公布的 Full Duplex Bench v1 轮次切换延迟，GPT-Live-1 是 0.798 秒，GPT-Realtime-2.1 是 1.41 秒，更早的 GPT-Realtime-2 是 1.63 秒。

快了 0.6 秒。

听着不多，放进电话里就是”对面在想”和”对面卡了”的区别。人与人对话的换人间隔通常只有两三百毫秒，超过一秒，大多数人会下意识”喂？”一声，然后两边同时开口，接下来就是互相道歉。

Artificial Analysis 的对话动态评分上，两者是 97.3% 对 95.7%，差距小得多。Realtime-2.1 在”说话像人”这件事上并不差，它输在节奏，不在表达。

86.2% 这个分数，考的不止 GPT-Live-1 一个

发布稿里最亮眼的数字是 Tau3：GPT-Live-1 拿到 86.2%，GPT-Realtime-2.1 是 45.7%，GPT-Realtime-2 是 42.4%，几乎翻倍。

细看条件，这个 86.2% 是 GPT-Live-1 搭配中等推理强度的 GPT-6 Astra 跑出来的。Tau3 测的是语音代理端到端办完客服任务的能力，查订单、改预约、走退款，真正动脑子的那部分由后端的 Astra 在做。

更准确的读法是：一个”前台加后台”的组合，打赢了一个单模型。

分数本身没有水分，架构就是这么设计的。GPT-Live-1 只管听和说，推理和工具调用委托给后端，后端可以是 Luna、Astra，也可以接第三方模型。麻烦在于，要是把 86.2% 当成 GPT-Live-1 自己的能力，再拿它的 0.05 美元去和别家比价，后端那一大块成本就被漏掉了。

工具调用上的领先倒是它自己的：Full Duplex Bench v3 的工具调用 Pass@1，GPT-Live-1 是 87.0%，Realtime-2.1 和 Realtime-2 分别是 60.0% 和 58.0%。

这套”前台加后台”的路子也不是 9 月才冒出来的，时间线捋一下就清楚：7 月 6 日 OpenAI 在 API 里发了 GPT-Realtime-2.1 和 2.1-mini，两天后的 7 月 8 日，ChatGPT 里的消费端 GPT-Live 上线，免费用户用的是 GPT-Live-1 mini，碰到难题就在后台转给 GPT-5.5 去想；又过了两个月，9 月 10 日，同一套架构以 GPT-Live-1 的名字进了 API，后端换成了可选的 Luna、Astra 或第三方模型，首批合作方里有 Yelp、Speak、Fin 和 Cognition。也就是说，OpenAI 先在几亿消费者身上把全双工跑了两个月，才把它交给开发者。

Realtime-2.1 发布两天就被自家的新架构抢了风头。

三种计价单位，折成同一把尺子

三家的计费单位都不一样，直接比没有意义。我按”一分钟通话，用户说一半、模型说一半”粗算了前台的纯音频成本。折算口径：OpenAI 音频输入约每分钟 600 token、输出约每分钟 1200 token；Gemini 输入每秒 32 token、输出每秒 25 token。

	GPT-Live-1	GPT-Realtime-2.1	Gemini 3.1 Flash Live
计价方式	按会话时长，0.05 美元/分钟，按秒计	音频输入 32 美元、输出 64 美元/百万 token，缓存音频 0.40 美元	音频输入 3 美元、输出 12 美元/百万 token
前台成本估算	0.05 美元/分钟	约 0.048 美元/分钟（不含历史上下文）	约 0.012 美元/分钟
推理	委托后端，另行计费	单模型内完成	单模型内完成
输入模态	音频、文本	音频、文本、图像	音频、文本、视频
接入方式	仅 v1/live/sessions	WebRTC、WebSocket、SIP	Live API
容量限制	并发 25～500 路（按档位）	上下文 128K，输出 32K	纯音频 15 分钟，带视频 2 分钟

表里最反直觉的是第二行：按这个粗算，Realtime-2.1 的前台纯音频成本和 GPT-Live-1 的 5 美分几乎打平。

打平只是表面。

两边的”打平”建立在完全不同的前提上。Realtime-2.1 每回复一轮，都要把整段对话历史重新当作输入，历史音频走缓存价，每百万 token 0.40 美元，比新音频便宜 80 倍，但通话越长，这部分累积得越多。GPT-Live-1 按会话时长计费，历史长短不影响前台价格；可它按秒计的是整段会话，客户说”您稍等我找一下订单号”的那一分钟，照样在计费。

更大的变量在后端。GPT-Live-1 的 5 美分不含推理，接 Astra 这种旗舰，每一次委托都是一笔标准的文本 token 账单。一个需要频繁查系统的客服流程，后端费用超过前台是常态。顺带对比一下文本 token：Realtime-2.1 的文本输入每百万 4 美元、输出 24 美元，缓存文本 0.40 美元；Gemini 3.1 Flash Live 的文本输入 0.75 美元、输出 4.5 美元。两家把工具返回的结果、系统提示词喂进模型时，走的都是这条价目线。

Gemini 便宜到了另一个量级，约为前两者的四分之一。代价是开头说的会话时长，以及它没有前后台分离，复杂业务逻辑得全压在一个 Flash 级别的模型身上。

GPT-Live-1 模型页上不起眼的五行

把模型页从头看到尾，有几条限制对迁移影响很大。

它只支持新的 v1/live/sessions 端点，Chat Completions、Responses、Realtime 这些现有端点一概不认。已经基于 Realtime API 搭好 WebRTC 或 SIP 链路的团队，要换的不是一个模型名，是一整层接入代码。

不接图像和视频。Realtime-2.1 能看图，Gemini 能看摄像头和屏幕，GPT-Live-1 目前只有耳朵和嘴。7 月 8 日消费端的 GPT-Live 上线时同样没有摄像头和屏幕共享，OpenAI 当时的说法是”很快”，两个月过去，API 版本也还没带上。

限流按并发会话算，不按 token。Tier 1 只能同时开 25 路，Tier 2 是 50 路，Tier 3 是 200 路，Tier 4 是 300 路，Tier 5 是 500 路，免费档直接不支持。一个刚起步的外呼项目，25 路很快就顶到了。

25 路，一个小呼叫中心的早高峰都扛不住。

知识截止在 2025 年 7 月 31 日。前台模型自己知道的东西停在一年多以前，凡是涉及时效的问题都得交给后端，否则它会拿过期的常识张口就答。

结构化输出和微调都不支持，自定义声音得找销售谈。

Realtime-2.1 还没到该下线的时候

GPT-Live-1 一出来，很容易得出”Realtime 系列可以停了”的结论。我不这么看。

Realtime-2.1 发布才两个月，128K 上下文、最大输出 32K，支持图像输入，WebRTC、WebSocket、SIP 三种传输都已经很成熟。它的强项写在官方描述里：打断处理、轮次检测、噪声和静音管理，还有字母数字混合内容的识别。

最后这一条在客服场景里分量很重。订单号、车牌号、快递单号、带字母的会员编号，识别错一位，整通电话白打。有测评建议拿七种情况去压测语音模型：拼写敏感的客户姓名、字母数字混排的编号、背景噪音、长时间静音、用户中途插话、慢工具、工具报错。这份清单拿来测 GPT-Live-1 同样适用，而 OpenAI 目前没公布它在字母数字识别上的专项数据。

对一个已经在 Realtime API 上跑稳、以单轮问答为主的项目，迁移的收益是 0.6 秒延迟和更好的工具调用，成本是重写接入层、失去图像输入、接受新的并发上限。这笔账不一定划算。

Gemini 的问题不在价格

Gemini 3.1 Flash Live 折合每分钟输入约 0.005 美元、输出约 0.018 美元。做大规模、低客单价的语音应用，比如语言陪练、儿童故事、硬件上的语音助手，这个价格几乎没有对手。它还能直接吃视频流，另外两个都做不到。

短板有两处。一是会话时长，带视频 2 分钟就到顶，”看着屏幕教你操作”这类场景只能靠压缩和续连硬撑。二是听、想、说都挤在一个 Flash 级模型里，闲聊够用，碰上多步骤的业务流程，推理深度明显吃紧。消费端的 Gemini Live 就被测评指出过，遇到需要实时信息的问题，容易滑向空泛的套话，甚至轻度幻觉。

还有一个时间差：谷歌文本侧已经发到了 Gemini 3.8 Flash，目前能查到的最新原生音频模型却还是 3.1 这一代。文本和语音之间的能力代差，正在被拉大。