Gemini 3.8 Live vs. Grok Voice Think Fast 2.0: Die 0,3-Punkte-Lücke und die 3,2-fache Rechnung

Sowohl Gemini 3.8 Live als auch Grok Voice Think Fast 2.0 denken während des Sprechens nach – oder genauer gesagt: Beide tun dies in der Konfiguration, die tatsächlich um die Spitze der Bestenliste konkurriert, was bei Gemini 3.8 Live die Variante „Extended Thinking“ statt der Standardstufe bedeutet. Beide wurden von ihren Herstellern als Erste im Speech to Speech Index von Artificial Analysis bezeichnet. Nur eine dieser Behauptungen ist derzeit auf der öffentlichen Bestenliste ablesbar, und der Abstand zwischen den beiden Spitzenreitern beträgt 0,3 Punkte – kaum größer als die Marge, die anderswo im selben Diagramm benachbarte Modelle trennt, was anders gesagt heißt, dass es kein echter Unterschied ist.

Der Kostenunterschied zwischen ihnen beträgt nicht 0,3 Punkte. Er beträgt einen Faktor von 3,2.

Diese Asymmetrie ist die ganze Geschichte, und genau das gilt es zu verstehen, bevor man die Ankündigung eines der beiden Anbieter liest.

Zwei Ansprüche auf den ersten Platz

Als xAI im späten Juli 2026 Grok Voice Think Fast 2.0 ankündigte, nannten die berichteten Zahlen 82,9 % auf dem Artificial Analysis Speech-to-Speech Quality Index und damit einen Wert vor GPT-Realtime-2.1 mit 79,1 % und Gemini 3.1 Flash mit 69,5 %. Mehrere unabhängige Medien wiederholten diese Darstellung und beschrieben das Modell als weltweit führend bei Sprache.

Auf dem am 16. September 2026 erfassten Board erscheint nach Googles Launch dasselbe Modell als Grok Voice Think Fast 2.0 High mit 81,3. Nicht 82,9. Und die oberste Zeile ist jetzt Gemini 3.8 Live Extended Thinking mit 82,6.

Das Gremium in vollständiger Besetzung, in der Reihenfolge:

• Gemini 3.8 Live Extended Thinking — 82.6

• GPT-Live-1 (Astra-Backend, mittlerer Aufwand) — 81.5

• Grok Voice Think Fast 2.0 High — 81,3

• GPT-Live-1 (Sol-Backend, geringer Aufwand) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

In dieser Liste stecken zwei Lehren, und keine davon dreht sich darum, welches Modell besser ist. Die erste ist, dass vom Anbieter gemeldete Indexwerte nicht beständig sind: xAIs 82,9 hielt auf der öffentlichen Rangliste nicht stand, die jetzt 81,3 anzeigt. Das ist kein Vorwurf der Unehrlichkeit – zusammengesetzte Indizes werden überarbeitet, Konfigurationen unterscheiden sich, und eine Zahl vom Juli, gemessen gegen ein Teilnehmerfeld vom Juli, ist nicht falsch, sie ist nur veraltet. Aber es bedeutet, dass die einzige Zahl, die Sie als Planungsgrundlage heranziehen sollten, eine ist, die Sie selbst gelesen haben – mit Datum. Die zweite ist, dass die 0,3 Punkte, die hier den ersten vom dritten Platz trennen, kein aussagekräftiger Qualitätsunterschied sind. Wer sich zwischen diesen beiden Modellen aufgrund dieser Zahl entscheidet, entscheidet anhand von Rauschen.

Lies die Komponenten, nicht das Zusammengesetzte

Zusammengesetzte Kennzahlen verbergen Argumente. Der Speech to Speech Index ist ein gewichteter Durchschnitt aus Sprachschlussfolgerung, agentischer Leistung, Arena-Präferenz und Aufgaben-Erfolgsrate – und bei zwei dieser vier Punkte liegen die beiden Modelle in diesem Duell nicht nah beieinander.

Genau hier wird Googles Behauptung wirklich interessant, denn Groks ganzer Pitch war agentische Performance:

• Agentische Performance (τ-Voice) — Google berichtet 68,6 % für Gemini 3.8 Live Extended Thinking. xAI berichtet 56,5 % für Grok Voice Think Fast 2.0, etwa 11 Punkte vor den 45,7 % von GPT-Realtime-2.1 und rund 19 vor den 37,7 % von Gemini 3.1 Flash zu diesem Zeitpunkt. Wenn beide Herstellerangaben Bestand haben, hat Google die Kategorie übernommen, in der xAI mit etwa 12 Punkten führte.

• Sprachliches Schlussfolgern (Big Bench Audio) — Google meldet 97,7 % für das Extended-Thinking-Modell. xAI meldet 97,2 % für Grok. Effektiv gleichauf.

• Aufgabenerfolg bei Banking-Workflows — Google meldet 35,1 %beim τ-Voice-Banking-Benchmark von Sierra. xAI hat keine direkt vergleichbare Zahl veröffentlicht.

• Gesprächsdynamik (Full Duplex Bench) — Grok meldet 95,1 %, damals leicht hinter den 95,7 % von GPT-Realtime-2.1 und deutlich vor den 74,3 % von Gemini 3.1 Flash. Google hat keinen Full Duplex Bench-Wert für Gemini 3.8 Live Extended Thinking veröffentlicht.

Der Ehrlichkeitshinweis ist hier wichtiger als üblich. Die 68,6 %, 35,1 % und 97,7 % sind Googles eigene Zahlen, veröffentlicht in Googles Blog, und niemand außerhalb von Google hat sie reproduziert. Die 56,5 %, 97,2 % und 95,1 % für Grok stammen von xAI oder von Artificial Analysis und sind, was die Index-Platzierung betrifft, öffentlich überprüfbar. Die einzigen Zahlen in diesem Vergleich, die unabhängig nachlesbar sind, sind die beiden Indexwerte: 82,6 und 81,3. Alles andere ist Behauptung gegen Behauptung, und die Behauptungen stammen von Parteien, die ein Interesse am Ergebnis haben.

Was sich sicher sagen lässt: Google beansprucht einen großen Vorsprung bei genau der Dimension, die xAI zur Rechtfertigung seiner Preiserhöhung angeführt hat. Wenn diese Behauptung unabhängigen Tests standhält, ist dieses Duell in puncto Leistungsfähigkeit entschieden. Wenn nicht, ist die Indexlücke von 0,3 Punkten der ganze Unterschied, und der Preisunterschied wird unhaltbar.

Der Gesetzentwurf: 1,50 $ gegenüber 4,80 $ pro Stunde

Der Kostenpunkt ist der Teil dieses Vergleichs, der nicht von der Benchmark-Methodik irgendjemandes abhängt, da es sich um einen veröffentlichten Tarif handelt.

Grok Voice Think Fast 2.0 kostet 0,08 $ pro Minute Audio, etwa 4,80 $ pro Stunde. Das war eine Steigerung um 60 % gegenüber den 3,00 $ pro Stunde von Think Fast 1.0, und Nutzer, die den grok-voice-latest-Alias verwendeten, wurden am 5. August 2026 automatisch migriert – Entwickler, die beim alten Modell bleiben wollten, mussten die versionierte ID vor diesem Datum festlegen oder die Änderung hinnehmen.

Gemini 3.8 Live wurde angekündigt mit einem Preis von 0,005 $ pro Minute für Audioeingabe und 0,018 $ pro Minute für Audioausgabe. Die Tabelle von Artificial Analysis zu den Kosten pro Stunde für Audioeingabe führt es mit 1,50 $ pro Stunde — was genau 3,2-mal günstiger ist als Groks 4,80 $. Zum Vergleich: Dieselbe Tabelle zeigt GPT-Realtime-2 High mit 4,14 $, Qwen Audio 3.0 Realtime Plus mit 4,42 $ und GPT-Realtime-2.1 High mit 10,75 $.

Die Struktur des Marktes in dieser Liste ist einen Satz wert. Der günstigste Eintrag auf dem Board ist ein Gemini – Gemini 3.1 Flash Live zu 1,42 $ pro Stunde – und der zweitgünstigste ist Gemini 3.8 Live zu 1,50 $. Google hat sein neuestes Sprachmodell als die zweitgünstigste Option in der Kategorie positioniert, unter Modellen, mit denen es bei der Qualität konkurriert.

Beachten Sie, was das für alle bedeutet, die im August zu Grok migriert sind. Zwischen der Preiserhöhung und Googles Launch stieg dieselbe Workload auf der einen Seite dieses Vergleichs von 3,00 $ pro Stunde auf 4,80 $ pro Stunde und war auf der anderen Seite für 1,50 $ pro Stunde verfügbar. An den Modellen hat sich nichts geändert, was das verursacht hätte. Routing-Entscheidungen, die im Juli getroffen wurden, kosten jetzt mehr als doppelt so viel wie die Alternative – genau die Situation, die ein Router vermeiden soll.

Wo Grok noch führend ist

Zwei Dinge, und eines davon ist nicht nahe dran.

Latenz. Grok Voice Think Fast 2.0 verkürzte die Zeit bis zum ersten Audio von 1,25 Sekunden auf 0,70 Sekunden, was die schnellste veröffentlichte Angabe in der Kategorie ist. Google hat für Gemini 3.8 Live überhaupt keine Latenzangabe veröffentlicht – nur Partner-Testimonials, die eine „beeindruckende Latenz“ beschreiben. Bei einem Telefonat sind 0,70 Sekunden der Unterschied zwischen einem Gespräch und einer Verzögerung, und es ist die eine Dimension, in der die Behauptung von xAI sowohl konkret als auch unangefochten ist. Wenn Ihr Produkt Telefonie ist, kann dies alles oben Genannte aufwiegen.

Transkriptionsrobustheit. xAI hat die Wortfehlerrate über Tausende kurzer Phrasen in 24 Sprachen ausgewertet und berichtet von 1,5–2,0× niedrigeren Fehlern als bei spezialisierten STT-Modellen einschließlich Deepgram Nova 3 und ElevenLabs Scribe v2, 1,4× niedriger als Think Fast 1.0 und etwa 10× niedrigere Fehler in verrauschten Umgebungen mit Hintergrundgeräuschen und Telefonkompression. Diese Angaben stammen vom Anbieter und wurden nicht unabhängig verifiziert, und die Behauptung zur verrauschten Umgebung sollte zuerst getestet werden, da sie am spezifischsten und am leichtesten zu widerlegen ist.

Grok bietet außerdem nennenswerte praktische Möglichkeiten für Entwickler: eine mit OpenAI Realtime kompatible WebSocket-API, PCM16 bei 24 kHz mit μ-law für Telefonie, serverseitige Voice-Activity-Detection, ephemere Tokens für Browser-Apps, individuelles Voice-Cloning aus etwa einer Minute Sprache und ein Reasoning-Token-Volumen von ungefähr dem 0,4-Fachen der vorherigen Version.

Wohin Gemini 3.8 Live Extended Thinking führt

Abgesehen von der Indexplatzierung und der behaupteten Agentic-Lücke sind die Unterscheidungsmerkmale struktureller Natur:

• Vision — Gemini 3.8 Live verarbeitet visuelle Eingaben nahezu in Echtzeit. Grok Voice Think Fast 2.0 bietet keine vergleichbare visuelle Verankerung.

• Sprachabdeckung — 97 unterstützte Sprachen mit automatischem Wechsel mitten im Gespräch, gegenüber den 25+ von Grok.

• Erzähltes Reasoning — die Variante Extended Thinking spricht während der Arbeit, mit Formulierungen wie „Lass mich das kurz prüfen …“ und Live-Fortschrittsbeschreibung, was für Nutzer, die auf eine mehrstufige Aufgabe warten, ein besser nachvollziehbares Verhalten ist.

• Wasserzeichen – alle generierten Audiodaten tragen SynthID.

• Kosten — 3,2× günstiger pro Stunde Eingabe-Audio.

Die Gegengewichte sind real. Google hat keine Latenzangabe veröffentlicht, kein Kontextfenster und keine komponentenspezifischen Zahlen, die irgendjemand außerhalb des Unternehmens reproduziert hat. Seine Verfügbarkeit ist eine Vorschau, keine allgemeine Verfügbarkeit: Entwickler erhalten es in der Gemini API und in Google AI Studio, Unternehmen in einer privaten Vorschau in Gemini Enterprise und Verbraucher über Gemini Live, Docs Live, Gmail Live und Keep Live. Groks Modell ist heute allgemein verfügbar und seine API ist dokumentiert.

Die Schicht, auf der beide sitzen

Eine strukturelle Ähnlichkeit ist leicht zu übersehen und wiegt schwerer als jedes der beiden Datenblätter. Beide Modelle delegieren. Groks paralleles Schlussfolgern endet fast immer in einem Tool-Aufruf oder einer Nachschlagoperation, und Googles Hintergrund-Tool-Ausführung ist ausdrücklich so aufgebaut, dass das Gespräch weiterläuft, während API-Aufrufe abgeschlossen werden. Unter beiden Sprach-Frontends liegt eine gewöhnliche Textmodell-Arbeitslast – und genau dort liegen der Großteil Ihrer Gesamtkosten und fast Ihre gesamte Wechselflexibilität.

OrcaRouter betreibt 190 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, was bedeutet, dass eine Preissenkung eines Anbieters bei uns noch am selben Tag live ist und nicht erst bei der nächsten Verlängerung. Das ist keine Kleinigkeit in einer Kategorie, in der ein bedeutendes Modell seinen Minutenpreis innerhalb weniger Wochen um 60 % erhöht hat. Die andere Eigenschaft, die für Voice zählt, ist automatisches Failover: Ein Anruf, der abbricht, weil ein Backend ein Timeout hatte, ist ein verlorener Kunde, und die Möglichkeit, das Delegierungsziel bei laufendem Verkehr auszutauschen, ohne die Sprachintegration umzuschreiben, macht die Wahl des Frontends umkehrbar. Um den Umfang genau zu fassen – die Endpunkte Grok Voice Think Fast 2.0 und Gemini 3.8 Live sind nicht auf unserem Router; sie kommen von den eigenen APIs der Anbieter. Die Textmodelle, an die sie delegieren, sind es in der Regel schon.

Was würde es klären

Diese Begegnung ist ungewöhnlich leicht zu entscheiden, denn der entscheidende Beweis ist konkret und steht noch aus. Drei Dinge würden genügen:

• Independent τ-Voice läuft auf Gemini 3.8 Live Extended Thinking. Google beansprucht 68,6 % gegenüber Groks 56,5 %. Das ist eine Behauptung von 12 Punkten Unterschied in einer Kategorie, in der Google historisch nicht geführt hat, und es ist die eine Zahl, die das Urteil am stärksten verändert.

• Eine veröffentlichte Latenzzahl.Bis Google eine veröffentlicht, stehen Groks 0,70 Sekunden konkurrenzlos da und Telefonie-Einkäufer haben nur eine vertretbare Wahl.

• Allgemeine Verfügbarkeit und stabile Preisgestaltung. Preview-Preise ändern sich. Ein Stundensatz von 1,50 $, der sich bei GA verdoppelt, würde diesen Vergleich komplett auf den Kopf stellen.

Bis diese verfügbar sind, ist die vertretbare Position enger, als es beide Ankündigungen nahelegen. Grok Voice Think Fast 2.0 bleibt die richtige Wahl, wenn Latenz der begrenzende Faktor ist und die Workload telefoniegeprägt ist. Gemini 3.8 Live Extended Thinking ist die richtige Wahl, wenn es auf Argumentationstiefe, Vision oder Sprachbreite ankommt und Sie den Preview-Status sowie eine nicht veröffentlichte Latenz tolerieren können. Und die 0,3 Punkte zwischen ihnen sollten nichts entscheiden — die 3,2× sollten es.