Grok Voice 3.0 vs. Gemini 3.8 Live: Google bewirbt zwei Sprachmodelle und nur eines davon ist in diesem Duell

Googles Antwort auf Grok Voice 3.0 kostet 0,84 US-Dollar pro Stunde. Das ist der Wert von Artificial Analysis für die Kosten pro Stunde Eingabe-Audio für Gemini 3.8 Live in seiner Standardkonfiguration, und es ist 5,7-mal günstiger als die 4,80 US-Dollar pro Stunde, die Grok Voice 3.0 berechnet. Es ist außerdem das falsche Modell zum Vergleich. Das Gemini 3.8 Live, das sich tatsächlich mit SpaceXAIs neuem Flaggschiff duelliert – das Modell, das im Speech to Speech Index 82,6 gegenüber Groks 86,9 erreicht –, ist die Extended-Thinking-Variante, und es kostet 3,50 US-Dollar pro Stunde. Die tatsächliche Lücke zwischen diesen beiden Modellen beträgt 1,37×, nicht 5,7×, und die falsche Zeile aus der Preistabelle zu wählen, ist der teuerste Fehler, der in diesem Duell möglich ist.

Dies ist das erste Mal, dass die Kategorie eine echte Preis-Qualitäts-Grenze hat statt eines Marktführers und einer günstigeren Alternative. Grok Voice 3.0 erschien am 14. Oktober 2026 zu 0,08 $ pro Minute, demselben Preis wie Grok Voice 2.0, mit 86,9 auf dem Index und einer Zeit bis zum ersten Audio von unter einer Sekunde. Gemini 3.8 Live kam am 15. September 2026 in zwei Konfigurationen auf den Markt, die sich wie zwei verschiedene Produkte verhalten, von denen eine ein Kostenführer ist und eine ein Reasoning-System, das zufällig spricht.

Die beiden Google-Modelle sind keine Stufen voneinander

Googles eigene Darstellung trennt sie nach Aufgabe statt nach Größe. Das Standardmodell wird als für Skalierung und Kosteneffizienz ausgelegt beschrieben, mit flüssigem Dialog und visueller Erdung. Die Extended-Thinking-Variante wird als für hochkomplexe Aufgaben mit mehrstufigem Schlussfolgern ausgelegt beschrieben, das während der Arbeit seinen Fortschritt laut schildert.

Der gemessene Abstand zwischen ihnen ist kein Qualitätsgefälle. Er ist ein Kategorienbruch:

• Agentische Aufgabenbewältigung, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6 % vs. Gemini 3.8 Live 30,1 %. Derselbe Anbieter, dasselbe Release, dieselbe zugrunde liegende Familie, 38,5 Punkte Unterschied.

Speech to Speech Index — 82,6 für Extended Thinking bei hohem Reasoning-Aufwand vs. 76,0 für das Standardmodell.

• Kosten pro Stunde für Eingabe-Audio — 3,50 $ vs. 0,84 $.

• Zeit bis zum ersten Audio – 1,35 Sekunden für Extended Thinking vs. 1,18 Sekunden für das Standardmodell, beide gemessen von Artificial Analysis.

Wenn also ein Beschaffungsdokument fragt, ob Gemini 3.8 Live günstiger ist als Grok Voice 3.0, gibt es keine eindeutige Antwort. Im Vergleich zum Standardmodell ist xAI fast sechsmal so teuer und liegt 10,9 Indexpunkte vorn. Im Vergleich zu Extended Thinking ist xAI bei Audio 37 % teurer und liegt 4,3 Punkte vorn. Das sind unterschiedliche Entscheidungen, die denselben Modellnamen tragen.

Kopf an Kopf – mit dem richtigen Gemini

Lassen wir die Standardvariante für einen Moment beiseite und vergleichen wir die beiden Modelle, die tatsächlich um die Spitze des Boards konkurrieren. Jede Zahl unten stammt aus Artificial Analysis’ eigenen Tests vom 13. Oktober 2026 für Grok Voice 3.0 und aus dem September-Board für Gemini 3.8 Live Extended Thinking at High effort.

• Sprach-zu-Sprach-Index — Grok Voice 3.0 86,9 vs. Gemini 3.8 Live Extended Thinking 82,6. Ein Unterschied von 4,3 Punkten, der real, aber nicht entscheidend ist.

• Agentische Performance, τ-Voice — Grok Voice 3.0 71,6 % vs. Gemini 3.8 Live Extended Thinking 68,6 %. Drei Punkte, und das ist auf der Rangliste das, was einem Gleichstand am nächsten kommt.

• Big Bench Audio Sprachschlussfolgern — Grok Voice 3.0 98,5 % gegenüber den von Google gemeldeten 97,7 %. Beide effektiv an der Obergrenze; diese Dimension unterscheidet nicht mehr.

Präferenz in der Speech Agent Arena — Grok Voice 3.0 mit Elo 1070, der höchste Wert auf dem Board. Googles Modell hält die Arena nicht.

• Preis pro Minute Audio — Grok Voice 3.0 0,08 $ für Ein- und Ausgabe; Gemini 3.8 Live 0,005 $ pro Minute Audioeingabe und 0,018 $ pro Minute Audioausgabe.

• Zeit bis zum ersten Audio — Grok Voice 3.0 0,81 Sekunden; Gemini 3.8 Live Extended Thinking 1,35 Sekunden und das Standardmodell 1,18 Sekunden nach der Messung von Artificial Analysis. Googles eigene Materialien nennen keine Latenzzahl.

• Kosten pro abgeschlossener Aufgabe, Big Bench Audio — Grok Voice 3.0: 0,025 $ pro Aufgabe. Für keine der Google-Varianten gibt es eine veröffentlichte Zahl.

• Verfügbarkeit — Grok Voice 3.0 ist bepreist und live, mit einem Abkündigungshinweis zum Vorgänger; Gemini 3.8 Live ist eine Vorschau ohne Datum für die allgemeine Verfügbarkeit, ohne veröffentlichte Uptime-Angabe und ohne einen Tarif, den zu halten Google zugesagt hat.

• Sprachabdeckung — Gemini 3.8 Live wechselt mitten im Gespräch zwischen 97 unterstützten Sprachen; die Speech-to-Text-Ebene von xAI dokumentiert über 38 Sprachen.

• Visuelle Eingabe — Gemini 3.8 Live verarbeitet visuelle Eingaben nahezu in Echtzeit; Grok Voice 3.0 bietet keine vergleichbare visuelle Verankerung.

Die eine Dimension, in der Googles Schweigen die eigentliche Geschichte ist

Beachte die Asymmetrie in dieser Liste. Grok Voice 3.0 beginnt in 0,81 Sekunden zu sprechen. Gemini 3.8 Live Extended Thinking beginnt bei 1,35 Sekunden und das Standardmodell bei 1,18 Sekunden, beide basierend auf der Messung von Artificial Analysis – was bedeutet, dass der Gemini ohne Reasoning langsamer einen Turn beginnt als der mit Reasoning, eine Merkwürdigkeit, die mit ziemlicher Sicherheit eher dadurch entsteht, dass die Reasoning-Variante ihre Fortschritte während der Arbeit laut kommentiert, als durch einen tatsächlich schnelleren Pfad.

Googles eigenes Launch-Material veröffentlicht für keines der beiden Modelle eine Latenzzahl, nur Partneraussagen über beeindruckende Latenz. Das ist wichtig, weil die Zeit bis zum ersten Audio die Dimension ist, in der Voice-Produkte in den Augen der Menschen, die sie nutzen, erfolgreich sind oder scheitern, und es ist die Dimension, für die Google sich entschieden hat, keine Zahl zu nennen. Wenn es bei Ihrem Produkt um Telefonie geht, wo 0,81 Sekunden den Unterschied zwischen einem Gespräch und einer Verzögerung ausmachen, dann ist die Messung Ihres Anbieters durch einen Wettbewerber nicht dasselbe wie die Zusage Ihres Anbieters. Testen Sie, bevor Sie sich festlegen, und beobachten Sie die Ankündigung der allgemeinen Verfügbarkeit, um zu sehen, ob dabei eine Zahl genannt wird.

Die visuelle Verankerung wirkt in die entgegengesetzte Richtung und ist eindeutig Googles. Ein Modell, das nahezu Echtzeitvideo verarbeiten kann, kann die Dinge auflösen, die Audio nicht kann: worauf sich „dies“ bezieht, ob die fragende Person auf die Sache blickt, nach der sie fragt, ob das Rauschen auf der Leitung eine Maschine ist, die man sehen kann. Grok Voice 3.0 ist ein Audiomodell mit Werkzeugen. Das ist eine echte Fähigkeitsgrenze, kein Konfigurationsunterschied, und keine noch so hohe Indexpunktzahl schließt sie.

Was der Preisunterschied tatsächlich bringt

Führen Sie die Berechnung für eine echte Arbeitslast durch. Zehntausend Minuten Sprache pro Tag, dreißig Tage im Monat, dreihunderttausend Minuten.

• Grok Voice 3.0 — 0,08 $ pro Minute, also 24.000 $ im Monat.

• Gemini 3.8 Live Extended Thinking — ab 3,50 $ pro Stunde Audioeingabe, rund 17.500 $ pro Monat für dasselbe Volumen, mit einer öffentlichen Preisliste, die Eingabe und Ausgabe getrennt berechnet.

• Gemini 3.8 Live standard — rund 4.200 US-Dollar pro Monat für ein Modell, das 30,1 % der τ-Voice-Szenarien abschließt.

Diese mittlere Zeile ist die ganze Entscheidung. Für ungefähr 6.500 US-Dollar pro Monat weniger als xAIs Flaggschiff verkauft Google ein Modell, das 4,3 Indexpunkte dahinter liegt, mit Preview-Status – nah genug, dass jedes Team, dessen Agent echte mehrstufige Arbeit verrichtet, beide gegen die eigenen Aufzeichnungen laufen lassen sollte, anstatt eine Bestenliste zu lesen. Die untere Zeile ist eine Falle, es sei denn, Ihre Sprachschnittstelle ist dialogorientiert und die Aufgabenerledigung findet woanders im Stack statt, was bei einem großen Teil der eingesetzten Sprachprodukte der Fall ist.

Es gibt noch eine weitere Kennzahl, die es wert ist, in diese Tabelle aufgenommen zu werden, denn sie kehrt das Bild teilweise um. Die Pro-Aufgabe-Messung von Artificial Analysis auf Big Bench Audio setzt Grok Voice 3.0 bei 0,025 US-Dollar für die Erledigung einer Aufgabe an, gegenüber 0,030 US-Dollar für G​PT Live 1 in seiner Astra-Medium-Konfiguration. Die Kosten pro abgeschlossener Aufgabe, nicht die Kosten pro Stunde, sind die Zahl, die den Kontakt mit einem Budgetmeeting übersteht — ein günstigeres Modell, das einen zweiten Versuch braucht, ist nicht günstiger. Keiner der beiden Anbieter veröffentlicht diese Zahl für das Gemini-Paar, was eine weitere Leerstelle ist, bei der die günstigere Option nicht auf der Achse gemessen wurde, auf die es ankommt.

Wo ein Router hilft und wo nicht

Sei hier präzise, denn die reflexhafte Antwort ist falsch. OrcaRouter bedient keinen der beiden Realtime-Endpunkte. Grok Voice 3.0 stammt aus xAIs eigener API und Gemini 3.8 Live von Googles, und kein Router kann sich in ein Duplex-Audio-WebSocket eines einzelnen Anbieters dazwischenschalten. Wenn jemand behauptet, seine Plattform ermögliche einen Failover zwischen diesen beiden mitten im Gespräch, beschreibt er etwas, das nicht existiert.

Routingfähig ist alles rund um sie herum. Ein Voice-Deployment ist ein Voice-Modell plus ein Text-Stack – der Klassifikator, der nach dem Anruf einen Dispositionscode zuweist, der Summarizer, der die CRM-Notiz schreibt, das Retrieval, das die Frage beantwortet, die das Voice-Modell übergeben musste, das Modell, das das Transkript auf Compliance prüft. Diese Ebene ist gewöhnliche, nach Anfragen abgerechnete Inferenz, hier summiert sich ein erheblicher Anteil der Kosten pro Anruf, und diese Ebene betreiben wir: Mehr als 200 Sprachmodelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover bei Leistungsabfall eines Anbieters, und eine Routing-DSL, mit der Sie mehrere Modelle in einem Aufruf kombinieren können, statt sich im Voraus für eines zu entscheiden. Weil der Listenpreis unverändert durchgereicht wird, ist eine Preissenkung eines Anbieters für eines dieser Modelle bei uns noch am selben Tag aktiv. Die Audiominute, die Sie an Google oder xAI zahlen, ist so oder so dieselbe Minute; das Reasoning dahinter ist der Teil, den Sie wählen können.

Die Entscheidungsregel

Drei Antworten, und sie ergeben sich aus den Komponenten statt aus dem Index.

Wählen Sie Grok Voice 3.0, wenn Ihre Workload agentisch und latenzempfindlich ist und in diesem Quartal in Produktion geht. Es führt den Composite an, es führt die Arena an, es hält die schnellste veröffentlichte Start-to-Speak-Zeit unter den Frontier-Modellen und ist mit einem Deprecation-Pfad statt eines Preview-Hinweises bepreist und unterstützt.

Wählen Sie Gemini 3.8 Live Extended Thinking, wenn Sie visuelles Grounding benötigen, wenn Sie 97 Sprachen statt 38 benötigen oder wenn Sie so viele Sprachminuten abwickeln, dass ein Unterschied von 1,30 $ pro Stunde mehr wiegt als 4,3 Indexpunkte – und akzeptieren Sie, dass Sie auf einer Preview ohne Uptime-Zusage aufbauen.

Wählen Sie das Standard-Gemini 3.8 Live nur, wenn Sie Ihren eigenen Traffic gemessen und bestätigt haben, dass der mehrstufige Teil Ihrer Anrufe bereits außerhalb des Sprachmodells abgewickelt wird. Auf dem Papier ist es mit großem Abstand die günstigste Option der Kategorie. Auf der τ-Voice-Achse scheitert es in ungefähr sieben von zehn Szenarien, und nichts im Index verrät Ihnen das, bis Sie nachsehen.

Was diese Seite ändern würde: ein Datum für die allgemeine Verfügbarkeit und eine Latenzangabe von Google, die zusammen die günstigere zur sichereren Option machen würden; oder eine Preisänderung von xAI – der einzige Hebel, dem sein Wettbewerber nichts entgegensetzen kann, zumal der Flaggschiff-Preis nun über eine ganze Modellgeneration hinweg konstant geblieben ist.

Auch bei einem solchen Vergleich zeigen sich die Fehlermodi: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle hinter Modellen dieser Klasse sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, einen Schweregrad, einen Konfidenzgrad und eine Strittig-Kennzeichnung mitführt.