Grok Voice 3.0 مقابل Gemini 3.8 Live: Google تبيع نموذجين صوتيين، وواحد فقط منهما في هذه المعركة

رد Google على Grok Voice 3.0 يكلّف 0.84 دولار في الساعة. هذا هو رقم Artificial Analysis لتكلفة الساعة من الإدخال الصوتي الخاص بـ Gemini 3.8 Live في تكوينه القياسي، وهو أرخص بـ5.7 مرات من 4.80 دولارات في الساعة التي Grok Voice 3.0 يتقاضاها. كما أنه النموذج الخطأ للمقارنة. إن Gemini 3.8 Live الذي يتنافس فعليًا ندًّا بند مع الرائد الجديد لـ SpaceXAI — ذاك الذي يحمل 82.6 على Speech to Speech Index مقابل 86.9 الخاصة بـ Grok — هو نسخة Extended Thinking، ويكلّف 3.50 دولارات في الساعة. والفارق الحقيقي بين هذين النموذجين هو 1.37×، وليس 5.7×، واختيار الصف الخاطئ من جدول التسعير هو أغلى خطأ متاح في هذه المواجهة.

هذه هي المرة الأولى التي تمتلك فيها الفئة حدودًا حقيقية بين السعر والجودة بدلًا من رائد وبديل أرخص. ظهر Grok Voice 3.0 في 14 أكتوبر 2026 بسعر 0.08 دولار للدقيقة، وهو السعر نفسه الذي كان لدى Grok Voice 2.0، مع 86.9 على المؤشر وزمن أقل من ثانية حتى أول صوت. ظهر Gemini 3.8 Live في 15 سبتمبر 2026 في تكوينين يتصرفان كمنتجين مختلفين، أحدهما رائد في التكلفة والآخر نظام استدلالي يصدف أنه يتحدث.

نموذجا Google ليسا مستويين بالنسبة لبعضهما البعض

يُفرِّق تصنيف جوجل نفسه بينهما حسب المهمة لا حسب الحجم. ويوصَف الطراز القياسي بأنه مُصمَّم للتوسّع وكفاءة التكلفة، مع حوار سلس وارتكاز بصري. أما نسخة «التفكير الممتد» فيوصَف بأنها مُصمَّمة للمهام عالية التعقيد، مع استدلال متعدد الخطوات يسرد تقدّمه بصوت مسموع أثناء العمل.

الفجوة المقيسة بينهما ليست تدرجًا في الجودة، بل هي قطيعة في الجودة:

• إنجاز المهام الوكيلية، τ-Voice — Gemini 3.8 Live Extended Thinking ‏68.6% مقابل Gemini 3.8 Live ‏30.1%. المورّد نفسه، والإصدار نفسه، والعائلة الأساسية نفسها، بفارق 38.5 نقطة.

• مؤشر الكلام إلى الكلام — 82.6 لـ Extended Thinking عند جهد الاستدلال العالي مقابل 76.0 للنموذج القياسي.

• تكلفة كل ساعة من الصوت المُدخَل — 3.50 دولار مقابل 0.84 دولار.

• الوقت حتى الأول — 1.35 ثانية لـ Extended Thinking مقابل 1.18 ثانية للنموذج القياسي، وكلاهما مُقاس بواسطة Artificial Analysis.

فعندما تسأل وثيقة مشتريات ما إذا كان Gemini 3.8 Live أرخص من Grok Voice 3.0، لا توجد إجابة واحدة. مقابل النموذج القياسي، يبلغ سعر xAI نحو ستة أضعاف السعر ويتقدم بـ10.9 نقطة في المؤشر. ومقابل Extended Thinking، يكون xAI أغلى بنسبة 37% في الصوت ويتقدم بـ4.3 نقطة. تلك قرارات مختلفة تحمل اسم النموذج نفسه.

وجهاً لوجه، مع Gemini المناسب

ضع النسخة القياسية جانبًا للحظة، وقارن بين الطرازين اللذين يتنافسان فعليًا على قمة اللوحة. كل رقم أدناه مأخوذ من اختبارات Artificial Analysis الخاصة بتاريخ 13 أكتوبر 2026 لـ Grok Voice 3.0، ومن لوحة سبتمبر الخاصة بـ Gemini 3.8 Live Extended Thinking at High effort.

• Speech to Speech Index — Grok Voice 3.0 86.9 مقابل Gemini 3.8 Live Extended Thinking 82.6. فارق بمقدار 4.3 نقاط، حقيقي لكنه ليس حاسمًا.

• الأداء الوكيلي، τ-Voice — Grok Voice 3.0 بنسبة 71.6% مقابل Gemini 3.8 Live Extended Thinking بنسبة 68.6%. ثلاث نقاط فقط، وأقرب شيء على لوحة النتائج إلى التعادل.

• الاستدلال الكلامي في Big Bench Audio — Grok Voice 3.0 بنسبة 98.5% مقابل 97.7% المُعلَنة من Google. كلاهما عند حدّه الأقصى فعليًا؛ ولم يعد هذا البُعد يميّز بينهما.

• تفضيل Speech Agent Arena — Grok Voice 3.0 عند Elo 1070، وهو الأعلى في القائمة. نموذج جوجل لا يتصدّر الساحة.

• سعر الدقيقة من الصوت — Grok Voice 3.0 بسعر 0.08 دولار للإدخال والإخراج؛ Gemini 3.8 Live بسعر 0.005 دولار لكل دقيقة من إدخال الصوت و0.018 دولار لكل دقيقة من إخراج الصوت.

• زمن الوصول إلى أول صوت — Grok Voice 3.0: 0.81 ثانية؛ Gemini 3.8 Live Extended Thinking: 1.35 ثانية، والطراز القياسي: 1.18 ثانية وفق قياس Artificial Analysis. ولا تنشر مواد Google الخاصة أي رقم لزمن الاستجابة.

• التكلفة لكل مهمة مكتملة، Big Bench Audio — Grok Voice 3.0 بدولار واحد قدره 0.025 لكل مهمة. ولا يتوفر لأي من نسختي Google رقم منشور.

• التوفر — Grok Voice 3.0 مسعّر ومتاح فعليًا مع إشعار بإيقاف سابقه؛ أما Gemini 3.8 Live فهو إصدار تجريبي بلا موعد للإتاحة العامة، ولا رقم منشور لزمن التشغيل، ولا سعر تعهّدت Google بالحفاظ عليه.

• تغطية اللغات — يتنقل Gemini 3.8 Live بين 97 لغة مدعومة في منتصف المحادثة؛ وتوثّق طبقة تحويل الكلام إلى نص لدى xAI أكثر من 38 لغة.

• الإدخال البصري — يعالج Gemini 3.8 Live الإدخال البصري شبه الفوري؛ ولا يمتلك Grok Voice 3.0 أي تأريض بصري مماثل.

البُعد الوحيد الذي يُعدّ فيه صمت جوجل هو الخبر

لاحظ عدم التماثل في تلك القائمة. يبدأ Grok Voice 3.0 التحدث خلال 0.81 ثانية. يبدأ Gemini 3.8 Live Extended Thinking خلال 1.35 ثانية، ويبدأ الطراز القياسي خلال 1.18، وكلاهما وفق قياس Artificial Analysis — مما يجعل Gemini غير الاستدلالي أبطأ في بدء الدور من نظيره الاستدلالي، وهي غرابة تُعزى على الأرجح إلى كون نسخة الاستدلال تسرد تقدمها بصوت مسموع أثناء عملها، لا إلى مسار أسرع فعلاً.

لا تنشر مواد الإطلاق الخاصة بجوجل أي رقم لزمن الاستجابة لأي من الطرازين، بل فقط لغة الشركاء حول زمن استجابة مثير للإعجاب. هذا مهم لأن الوقت حتى أول صوت هو البعد الذي تنجح فيه منتجات الصوت أو تفشل في أعين مستخدميها، وهو البعد الذي اختارت جوجل عدم وضع رقم له. إذا كان منتجك في مجال الاتصالات الهاتفية، حيث 0.81 ثانية هي الفرق بين محادثة وتأخير، فإن قياس منافس لمورّدك ليس هو نفس التزام مورّدك. اختبر قبل أن تلتزم، وراقب إعلان التوفر العام لترى ما إذا كان رقم يظهر إلى جانبه.

الإسناد البصري يعمل في الاتجاه المعاكس، وهو بلا لبس ميزة تخص Google. النموذج القادر على معالجة فيديو شبه فوري يمكنه أن يحسم ما لا يستطيع الصوت حسمه: إلى ماذا يشير «هذا»، وما إذا كان الشخص الذي يسأل ينظر إلى الشيء الذي يسأل عنه، وما إذا كانت الضوضاء على الخط آلة يمكن رؤيتها. Grok Voice 3.0 نموذج صوتي مزوّد بأدوات. هذا حدّ قدرة حقيقي، وليس فرقًا في الإعدادات، ولا يغلقه أي قدر من نقاط المؤشر.

ما المقابل الفعلي لفارق السعر

أجرِ الحسابات على عبء عمل حقيقي. عشرة آلاف دقيقة من الصوت يوميًا، وثلاثون يومًا في الشهر، أي ثلاثمائة ألف دقيقة.

• Grok Voice 3.0 — $0.08 للدقيقة، أي $24,000 شهريًا.

• Gemini 3.8 Live Extended Thinking — بسعر يبدأ من 3.50 دولارات لكل ساعة من الصوت المُدخَل، ونحو 17,500 دولار شهريًا لنفس الحجم، مع بطاقة أسعار عامة تحتسب الإدخال والإخراج بشكل منفصل.

• معيار Gemini 3.8 Live — حوالي 4,200 دولار شهريًا، مقابل نموذج يكمل 30.1% من سيناريوهات τ-Voice.

ذلك الصف الأوسط هو القرار بأكمله. مقابل نحو 6,500 دولار شهريًا أقل من نموذج xAI الرائد، تبيع Google نموذجًا يقل عنه بـ4.3 نقاط مؤشر وهو في وضع معاينة — قريب بما يكفي بحيث ينبغي لأي فريق يقوم وكيله بعمل حقيقي متعدد الخطوات أن يشغّل كلا النموذجين على تسجيلاته الخاصة بدلًا من قراءة لوحة الصدارة. الصف السفلي فخ ما لم تكن واجهة الصوت لديك حوارية ويكون إنجاز المهمة لديك يحدث في مكان آخر من المنظومة التقنية، وهو ما ينطبق على نسبة كبيرة من منتجات الصوت المنشورة.

هناك مقياس آخر يستحق إدراجه في ذلك الجدول، لأنه يقلب الصورة جزئيًا. فقياس Artificial Analysis لكل مهمة على Big Bench Audio يضع Grok Voice 3.0 عند 0.025 دولار لإكمال مهمة، مقابل 0.030 دولار لـ GPT Live 1 في تهيئته Astra medium. إن التكلفة لكل مهمة مكتملة، وليست التكلفة لكل ساعة، هي الرقم الذي يصمد أمام اجتماع ميزانية — فالنموذج الأرخص الذي يحتاج إلى محاولة ثانية ليس أرخص. ولا ينشر أي من المورّدين ذلك الرقم لثنائي Gemini، وهو فراغ آخر حيث لم يُقس الخيار الأرخص على المحور الذي يهم.

حيث يفيد الراوتر وحيث لا يفيد

كن دقيقًا في هذا، لأن الإجابة الانعكاسية خاطئة. لا يقدّم OrcaRouter أيًّا من نقطتَي النهاية للوقت الفعلي. يأتي Grok Voice 3.0 من واجهة xAI الخاصة، ويأتي Gemini 3.8 Live من واجهة Google، ولا يمكن لأي موجّه أن يتوسّط في WebSocket صوتي ثنائي الاتجاه يخص مورّدًا واحدًا. إذا أخبرك أحدهم أن منصته تتيح لك التبديل عند الفشل بين هذين أثناء المكالمة، فهو يصف شيئًا غير موجود.

القابل للتوجيه هو كل ما يحيط بها. فالنشر الصوتي هو نموذج صوتي بالإضافة إلى حزمة نصية — المصنِّف الذي يسند رمز التصنيف بعد المكالمة، والملخِّص الذي يكتب ملاحظة نظام إدارة علاقات العملاء (CRM)، والاسترجاع الذي يجيب عن السؤال الذي اضطر نموذج الصوت إلى إحالته، والنموذج الذي يقرأ النص الكامل لأغراض الامتثال. تلك الطبقة هي استدلال عادي محاسَب بحسب الطلب، وفيها يتراكم نصيب معتبر من تكلفة كل مكالمة، وهي الطبقة التي نُشغّلها: أكثر من 200 نموذج لغوي خلف مفتاح واحد بسعر قائمة المزوّد وبدون أي هامش ربح، تحويل تلقائي عند تدهور أداء أحد المزوّدين، ولغة خاصة بالنطاق (DSL) للتوجيه تتيح لك تركيب عدة نماذج في مكالمة واحدة بدلًا من اختيار نموذج واحد مسبقًا. ولأن سعر القائمة يمرّ دون تغيير، فإن أي تخفيض سعري من أي مزوّد على أي من تلك النماذج يصبح ساريًا لدينا في اليوم نفسه. الدقيقة الصوتية التي تدفع مقابلها لجوجل أو xAI هي الدقيقة نفسها في الحالتين؛ أما الاستدلال الكامن خلفها فهو الجزء الذي تختار أنت.

قاعدة القرار

ثلاث إجابات، وهي تنبع من المكوّنات لا من المؤشّر.

اختر Grok Voice 3.0 إذا كان عبء العمل لديك قائمًا على الوكلاء، وحساسًا لزمن الاستجابة، وسيدخل مرحلة الإنتاج هذا الربع. فهو يتصدّر التصنيف المركّب، ويتصدّر الساحة، ويمتلك أسرع زمن منشور من البدء إلى التحدث بين النماذج الرائدة، وهو مسعّر ومدعوم بمسار تقادم بدلًا من إشعار معاينة.

اختر Gemini 3.8 Live Extended Thinking إذا كنت بحاجة إلى الاستناد البصري، أو إذا كنت بحاجة إلى 97 لغة بدلًا من 38، أو إذا كنت تستخدم دقائق صوتية كافية بحيث يصبح فارق 1.30 دولار في الساعة أكثر أهمية من 4.3 نقطة في المؤشر — وتقبّل أنك تبني على إصدار معاينة بلا أي التزام بوقت التشغيل.

اختر Gemini 3.8 Live القياسي فقط إذا كنت قد قست حركة مرورك بنفسك وأكدت أن الجزء متعدد الخطوات من مكالماتك تتم معالجته بالفعل خارج نموذج الصوت. على الورق، إنه الخيار الأرخص في الفئة بفارق كبير. على محور τ-Voice، يفشل في نحو سبعة من كل عشرة سيناريوهات، ولا شيء في المؤشر يخبرك بذلك حتى تنظر.

ما الذي قد يغيّر هذه الصفحة: تاريخ الإتاحة العامة ورقم كمون من Google، وهما معًا سيجعلان الخيار الأرخص هو الأكثر أمانًا؛ أو تحرّك سعري من xAI، وهو الرافعة الوحيدة التي لا يستطيع منافسها مجاراتها، نظرًا لأن سعر الطراز الرائد ظل ثابتًا حتى الآن على مدى جيل كامل من النماذج.

المقارنات مثل هذه هي أيضًا حيث تظهر أنماط الفشل: الحوادث الموثّقة للذكاء الاصطناعي وإخفاقات الوكلاء الكامنة وراء النماذج في هذه الفئة تُجمع في OrcaRouter AI Incident Archive، حيث يحمل كل مُدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل خلاف.