As 8 melhores alternativas ao GPT-Live-1 para IA de voz em 2026

TL;DR

O GPT-Live-1 é o modelo de voz mais natural que já usei, e sua tarifa de API de $0.05/min cobre apenas a camada de voz. O modelo de raciocínio do backend e a estrutura do agente são cobrados à parte, então o preço de tabela é um piso, não a conta. Esse único fato é o motivo pelo qual buscar alternativas faz sentido: você não está escolhendo só uma voz, está escolhendo todo um formato de cobrança.

Passei os últimos três e poucos anos colocando IA em filas de suporte ao vivo, e a única coisa que essa experiência ensina é que uma voz fluida não é o mesmo que uma resposta correta. Um modelo que soa humano e entrega com segurança a política errada é pior do que um desajeitado que escala. Por isso esta lista também é julgada pelas partes chatas: como o uso é medido, o que acontece em uma passagem e se a ferramenta consegue de fato chegar ao estado final certo.

As oito alternativas se dividem com clareza em dois grupos: motores de voz para voz de modelo único, que entram no lugar como o GPT-Live-1, e plataformas de construção que montam o agente inteiro para você. Gemini Live e Nova Sonic são as correspondências arquiteturais mais próximas; ElevenLabs, Vapi e Retell são o caminho mais rápido para lançar. E se o seu problema real é resolver tickets em vez de atender o telefone, a resposta honesta é que nenhuma delas é um helpdesk, uma lacuna a que volto no final.

Por que olhar além do GPT-Live-1

O GPT-Live-1 é muito bom. Lançado na API em 10 de setembro de 2026, depois de estrear no ChatGPT, ele reduz a antiga cadeia de voz para texto, raciocínio e texto para voz a um único modelo full-duplex que ouve e fala ao mesmo tempo. A OpenAI mediu um salto de 30 pontos no Full Duplex Bench em relação ao GPT-Realtime-2.1, e, combinado com o GPT-6 Astra, ele fica em primeiro no Tau3. Em um lançamento inicial, o app de idiomas Speak reduziu as interrupções em quase 80% em comparação com o antigo sistema por turnos.

Então por que pesquisar? Três razões aparecem sempre. Primeiro, o GPT-Live-1 deliberadamente não é um modelo de raciocínio, e ele mesmo diz isso: delega o pensamento difícil a um backend como o Astra ou a um modelo de terceiros, e essa segunda conta fica por sua conta. Um comentarista no Hacker News disse com clareza:

"GPT-Live isn't a particularly intelligent model. It needs to handoff for reasoning and more complex tasks. You shouldn't expect its responses to be as reliable as a frontier model."

kypro, Hacker News

Segundo, você pode querer outro formato de preço, uma opção auto-hospedada ou uma combinação específica de idiomas. Terceiro, você pode não querer construir o agente por conta própria, e nesse caso uma plataforma de agentes de voz faz mais do trabalho. Veja como as oito se dividem.

As melhores alternativas ao GPT-Live-1 de relance

Uma palavra sobre como avaliei. As cinco ferramentas da camada de modelos são API-first, então a maioria não tem painel de produto para capturar, e não fingi o contrário: essas entradas abrem com arquitetura e preços em vez de uma imagem de interface. As três plataformas de construção têm consoles reais, então essas abrem com uma captura genuína. Os preços são as tarifas publicadas pelo próprio fornecedor em setembro de 2026.

Modelos de voz de troca direta (mais próximos da arquitetura do GPT-Live-1)

São as trocas diretas. Como o GPT-Live-1, são modelos que você chama do seu próprio código, e a maioria passa toda a conversa por um único modelo em vez de uma cadeia.

1. Google Gemini Live API

O que é. A API de áudio nativo em tempo real do Google, o rival direto mais claro do GPT-Live-1 entre os grandes laboratórios. Faz streaming por WebSocket, lida com barge-in e, no modelo de áudio nativo Gemini 2.5 Flash, também oferece diálogo afetivo e áudio proativo.

Pontos fortes. A amplitude é a história. O Gemini Live suporta mais de 70 idiomas, chamada de funções com o Google Search integrado, e se conecta direto ao Vertex AI e ao AI Studio, então, se sua pilha já está no Google Cloud, a integração é curta. Há um plano gratuito de verdade para construir.

Limites. As sessões têm teto: só áudio dura cerca de 15 minutos e áudio mais vídeo cerca de 2 minutos, antes de você precisar de compressão da janela de contexto para estendê-las. O Google não publica um número de tempo até o primeiro áudio, então a latência é algo que você mede por conta própria em vez de ler na página.

Preços. Baseado em tokens. No Gemini 2.5 Flash de áudio nativo, custa $3.00 por 1M de tokens de entrada de áudio e $12.00 por 1M de tokens de saída de áudio. A variante mais nova, Gemini 3.1 Flash Live, sai a cerca de $0.005/min de entrada e $0.018/min de saída, o que é barato para um grande laboratório.

Ideal para. Equipes que já estão no Google Cloud e querem um piso baixo por minuto e a maior cobertura de idiomas.

2. Amazon Nova Sonic

O que é. O modelo unificado de voz para voz da AWS no Amazon Bedrock. Como o GPT-Live-1, funde compreensão e geração de fala em um único modelo em vez de um pipeline, com streaming bidirecional, chamada de funções e ancoragem de conhecimento com RAG.

Pontos fortes. É a escolha para compras corporativas. Vive dentro do Bedrock, então herda AWS IAM, VPC e cobrança, e lida bem com interrupções e ruído de fundo. O atual Nova 2 Sonic anuncia 7 idiomas e janela de contexto de até 1M de tokens.

Limites. Duas coisas a verificar. O Nova Sonic v1 original chega ao fim da vida em 14 de setembro de 2026, então mire no Nova 2 Sonic para qualquer coisa nova. E a AWS não publica uma tarifa simples em dólares por minuto: você é cobrado por tokens de fala e de texto na página de preços do Bedrock, o que transforma a previsão em um exercício de planilha. As regiões também são limitadas.

Preços. Medido por tokens de fala mais tokens de texto separados no Bedrock. Nenhum $/min de referência é publicado, então modele seu próprio volume antes de se comprometer.

Ideal para. Equipes nativas da AWS que querem um único modelo S2S sob seus controles de segurança e cobrança existentes.

3. Grok Voice (Think Fast 2)

O que é. O modelo de voz para voz em tempo real da xAI. De toda a lista, é o que tem o formato de preço mais próximo do que os compradores realmente querem: fixo e previsível.

Pontos fortes. O Grok Voice é cobrado a $0.08/min fixos, e a medição independente da Artificial Analysis coloca o custo por hora real em $4.80, exatamente a tarifa de tabela. Isso importa porque rivais cobrados por token citam uma tarifa de entrada que pode ser uma fração do custo total real. Também é rápido, com cerca de 0,70 s até o primeiro áudio, e fica perto do topo da fronteira de qualidade e velocidade.

Limites. Há tetos operacionais rígidos: 10 sessões simultâneas por equipe por padrão, sessão máxima de 120 minutos e uma única região us-east-1. A telefonia adiciona $0.01/min em um número provisionado. E no benchmark específico de suporte tau-Voice, até a melhor configuração chega a cerca de 56,5% das tarefas resolvidas, uma checagem de realidade útil contra as alegações de contenção dos fornecedores.

Preços. $0.08/min fixos, com o custo por hora medido igual ao preço de tabela. Sem desconto por volume e sem faixa prioritária em voz.

Ideal para. Equipes que valorizam uma conta por minuto previsível e verificável acima da tarifa de token mais baixa possível.

4. Cartesia Sonic

O que é. A Cartesia cria a família Sonic de modelos de voz de baixa latência e, em 2026, também lança o Line, uma plataforma orientada a código para criar agentes de voz sobre eles. É ao mesmo tempo fornecedora de modelos e, cada vez mais, um construtor.

Pontos fortes. Latência e controle. O Sonic-3.6 anuncia áudio de primeiro byte abaixo de 90 ms, 44 idiomas e clonagem de voz a partir de um clipe de 10 segundos. O Line é um runtime amigável para desenvolvedores, com CLI e deploys baseados em GitHub, ideal para equipes que querem manter seu agente de voz sob controle de versão.

Limites. A cobrança é por créditos, não por minutos, o que é um modelo mental diferente: TTS custa um crédito por caractere, então você precisa converter para a sua carga para comparar. Uma opção auto-hospedada não é publicada, então presuma nuvem, a menos que você tenha um contrato Enterprise.

Preços. Grátis com 20.000 créditos/mês, Pro $5/mês por 100k créditos, Startup $49/mês por 1.25M e Scale $299/mês por 8M. Isso dá cerca de $37 a $50 por 1M de caracteres conforme o plano.

Ideal para. Projetos sensíveis à latência e desenvolvedores que querem um fluxo de trabalho centrado em código. Se você está avaliando especificamente a qualidade da voz, nossa comparação Cartesia versus ElevenLabs vai mais fundo.

5. Deepgram Voice Agent API

O que é. A Deepgram é a escolha de pipeline. Sua Voice Agent API reúne o speech-to-text Nova e o text-to-speech Aura da própria Deepgram, e deixa você trazer seu próprio LLM no meio. É explicitamente um pipeline STT-LLM-TTS configurável, não um modelo único.

Pontos fortes. Você tem controle por componente: trocar o LLM, ajustar o STT, auto-hospedar se precisar. Barge-in e chamada de funções vêm embutidos, contas novas ganham $200 de crédito e a tarifa total por minuto é de fato publicada, o que é mais raro do que deveria.

Limites. O formato de pipeline é a troca. Cada passagem entre etapas adiciona um pouco de latência e um pouco de fragilidade em comparação com um modelo único, e o LLM do meio é uma conta separada que a Deepgram não cobra. Observe também a mudança de tarifa: os preços publicados da Deepgram sobem depois de 12 de setembro de 2026.

Preços. O nível Standard custa $0.056/min pay-as-you-go e o Advanced $0.122/min, ambos sobem depois de 12 de setembro. Por baixo, o STT Nova-3 custa $0.0048/min e o TTS Aura-2 $0.030 por 1.000 caracteres.

Ideal para. Equipes que querem ser donas de cada etapa da pilha e trazer seu próprio modelo de raciocínio.

Plataformas de agentes de voz (montam o agente inteiro)

Se você prefere não ligar modelos por conta própria, essas três entregam construtor, telefonia e orquestração prontos. A troca é que você paga por essa conveniência na tarifa por minuto.

6. ElevenLabs

O que é. O nome mais conhecido em IA de voz. Além do catálogo de TTS, o ElevenLabs oferece uma plataforma completa de Agents com console, análises e telefonia.

Pontos fortes. A qualidade de voz e o acabamento são excelentes, e o console de Agents mostra métricas operacionais reais, como taxa de sucesso e CSAT, em vez de escondê-las. É o mais fácil dos três para demonstrar a um interessado.

Limites. A cobrança é por minutos pré-pagos que expiram, o que pune o uso irregular ou de baixo volume: você compra uma franquia e os minutos não usados não acumulam. Acima dos 12.375 minutos por mês do nível Business, só há cotação, e o armazenamento RAG é cobrado à parte.

Preços. Cada nível pago se divide em quase exatamente $0.08 por minuto incluído: Starter $6/75 min, Creator $22/275, Pro $99/1.238, Scale $299/3.738, Business $990/12.375. O plano gratuito inclui 15 minutos de agente. Nosso detalhamento completo dos preços do ElevenLabs traz a conta por nível, e o resumo de avaliações do ElevenLabs mostra a recepção dos usuários.

Ideal para. Equipes que colocam a qualidade de voz em primeiro lugar e têm volume de minutos estável e previsível. Se você está comparando, a lista de alternativas ao ElevenLabs é uma boa próxima parada.

7. Vapi

O que é. A Vapi é um orquestrador puro. Você traz os modelos, e a Vapi cuida de telefonia, troca de turnos e da cola, para que você monte um agente de voz rapidamente.

Pontos fortes. Velocidade até um protótipo funcional. O construtor de assistentes é limpo, a escolha de modelos é aberta e, para muitas equipes, a Vapi é o caminho mais rápido da ideia a um número de telefone que atende.

Limites. Duas coisas a ponderar. A tarifa de orquestração da própria Vapi é uma fatia grande de um custo realista por minuto, então a tarifa montada sobe quando você adiciona um bom STT, LLM e TTS por baixo. A base de conhecimento é só por upload de arquivos, com recuperação apenas via Gemini, não há integrações de ticketing e os testes são cobrados a tarifas de produção.

Preços. Cerca de $0.105/min montado, com a tarifa própria da Vapi respondendo por aproximadamente 48% de um minuto realista.

Ideal para. Desenvolvedores que querem máxima flexibilidade de modelos e se sentem à vontade assumindo o trabalho de integração.

8. Retell AI

O que é. A Retell é uma plataforma de orquestração voltada diretamente a agentes telefônicos, com construtor de fluxos de conversa e QA embutido.

Pontos fortes. É pensada para produção, com análises de chamadas, uma suíte de testes e tratamento de transferência assistida. Para um caso de uso telefônico direto, ativo ou receptivo, é uma escolha capaz e opinativa.

Limites. A pilha aditiva soma. A infraestrutura de voz própria da Retell custa inevitáveis $0.055/min, e ligar o QA com IA a $0.10/min acrescenta cerca de 74% por cima. A conectividade com helpdesks é fina: o Zendesk aparece como "coming soon" e não há Freshdesk, Gorgias nem Front nativos. O medidor também para na transferência, então tudo que um humano atende fica fora do escopo da Retell, e sua própria FAQ responde "can AI replace call center agents?" com um direto "No."

Preços. Cerca de $0.135/min para uma construção realista de suporte, aproximadamente $675/mês com 5.000 minutos. Veja a página de preços da Retell AI para a pilha de componentes e as avaliações da Retell AI para saber como ela se sai na prática.

Ideal para. Equipes centradas no telefone que querem uma plataforma de agentes de voz feita sob medida e aguentam integrações limitadas de helpdesk. A lista de alternativas à Retell cobre os vizinhos mais próximos.

A lacuna honesta: nenhuma delas resolve seus tickets

É nisso que continuo pensando depois de anos operando IA em filas de suporte. Toda ferramenta desta lista é infraestrutura de voz. É um modelo, ou um construtor que monta um modelo em uma linha telefônica. É a boca, não o funcionário. Você ainda precisa dar conhecimento a ela, ligá-la aos seus sistemas, decidir o que ela pode fazer e descobrir o que acontece quando quem liga tem um problema que ela não consegue resolver.

E para a maioria das equipes de suporte, a maior parte do trabalho nem está no telefone. Está no e-mail, no chat ao vivo, no Slack e na central de ajuda, onde um cliente descreve um problema e espera de volta a resposta certa, conforme a política. Esse é o trabalho que a eesel faz. Preciso ser direto: a eesel não é uma ferramenta de voz, então não vou fingir que ela compete com o GPT-Live-1 no telefone. Se você precisa de voz, combine com uma das oito acima.

O que a eesel é: um colega de IA para o helpdesk, pronto para trabalhar. Ela se conecta ao seu helpdesk, aprende com seus tickets e documentos passados e começa a resolver conversas nos canais que você já opera. Duas diferenças em relação à pilha de voz importam aqui:

• Você é cobrado por ticket, não por minuto. Um modelo de voz cobra pelo tempo na linha, resolva ou não o problema; os planos da eesel começam em $299/mês por 500 créditos, e 1 crédito cobre um ticket ou chat, não importa quanto dure, então o medidor acompanha tickets, não tempo no ar. A conta da automação de suporte fica diferente quando você paga por ticket em vez de tempo no ar.
• Ela simula com seus tickets históricos reais antes de responder a um cliente. A cicatriz por trás desse recurso é real: já vi bots de som confiante darem respostas erradas em silêncio, então toda implantação da eesel é testada a seco com milhares dos seus próprios tickets passados, e você vê o comportamento projetado antes de entrar no ar.

Há também algo para os desenvolvedores que estão lendo. Como boa parte deste texto trata de APIs e de construir, vale saber que a eesel não é só painel. A CLI da eesel comanda o mesmo colega e o mesmo workspace a partir de um terminal: uma pessoa pode executá-la manualmente, um script pode automatizá-la e um agente de programação como Claude Code, Codex ou Cursor pode operá-la diretamente, junto com MCP e webhooks. Assim como você faria script de um modelo de voz, pode fazer script do colega de suporte: conectar uma fonte de conhecimento, propor uma mudança de instruções, rodar uma simulação e revisar o resultado em JSON, tudo pela linha de comando. É o caminho agêntico para um agente de suporte, não apenas uma caixa de chat.

Se a sua pergunta real era "como respondo mais conversas de suporte corretamente" e não "como adiciono voz", essa é a ferramenta que vale testar.

Como escolher

Combine a ferramenta com o trabalho real, não com a demo:

• Você quer a troca mais próxima do GPT-Live-1. Comece com o Gemini Live ou o Nova Sonic. Ambos são modelos S2S únicos com o respaldo de um grande laboratório.
• Você quer uma conta previsível. Os $0.08/min fixos do Grok Voice ou os $0.056/min tudo incluído publicados pela Deepgram são os mais fáceis de prever.
• Você quer lançar sem construir. ElevenLabs, Vapi ou Retell dão console e telefonia hoje.
• Você se importa com latência ou controle centrado em código. O Sonic e o Line da Cartesia combinam com esse projeto.
• Seu trabalho real é resolver tickets, não atender chamadas. Um agente de IA para helpdesk focado em texto vai mexer mais nos seus números do que qualquer modelo de voz, e você pode comparar o custo de um agente de IA com o de agentes humanos antes de se comprometer.

Uma última observação do campo, ecoando aquele tópico do HN. A qualidade da voz está basicamente resolvida, e todas desta lista soam bem. O difícil, ainda, é estar certo. Outro testador resumiu bem o hábito do modelo atual:

"The new gpt-live feature tends to interrupt with 'human' sounding injections like 'hmm', 'huh' a bit too much for my liking. Also its crutch is to start by paraphrasing what I just said."

kingkongjaffa, Hacker News

Escolha a voz que combina com a sua pilha e o seu orçamento. Depois gaste sua energia de verdade na parte que decide se os clientes vão confiar nela: a resposta por baixo.