Eine generierte Titelkarte für Realtime 1 vs. Gemini 3.8 Live, die einen Arena-Elo-Wert von 1074 und eine Aufgaben-Erfolgsrate von 93,2 % einer agentischen Aufgabenabschluss-Bewertung von 30,1 % gegenüberstellt, plus ein OrcaRouter-Logo.
Guides & Insights

Realtime 1 vs. Gemini 3.8 Live: Der Arena-Gewinner ist der, der die Aufgabe nicht abschließen kann

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

G​emini 3.8 Live hat den besten Arena-Elo-Wert aller Voice-Modelle im Speech-to-Speech-Board von Artificial Analysis – 1074, vor den 1037 von GPT-Live-1 und deutlich vor den 990 von Eleven Realtime Max. Es hat in diesem Vergleichsset außerdem die höchste Erfolgsquote bei Aufgaben, 93,2 %. Und bei der Erledigung agentischer Aufgaben erreicht es 30,1 %, den schwächsten Wert der vier. Diese drei Zahlen beschreiben dasselbe Modell, und zu verstehen, warum sie nebeneinander bestehen, ist die ganze Frage, wenn man es neben MAI Realtime 1 stellt, Microsofts neues Speech-to-Speech-Modell, das am 17. November 2026 angekündigt wurde und genau auf das abzielt, worin G​emini 3.8 Live am schwächsten ist.

Eines dieser Modelle ist ein Gesprächspartner. Das andere wird als Operator verkauft. Keines von beiden hat genug veröffentlicht, um zu beweisen, welches bei Ihrer Arbeitslast welches ist, aber sie scheitern in entgegengesetzte Richtungen, und das ist nützlicher als eine Rangliste, bei der alles dicht beieinanderliegt.

Zwei unterschiedliche Wetten darüber, wofür ein Stimmmodell gedacht ist

Googles Positionierung von Gemini 3.8 Live ist eng gefasst und selbstbewusst: Es ist das Standardmodell der Live-API für „die meisten latenzarmen Voice-Agent-Erlebnisse ohne Reasoning-Verzögerungen“, daneben steht ein Schwestermodell – Gemini 3.8 Live Extended Thinking – für Fälle, die während der Interaktion „umfangreicheres Hintergrund-Reasoning“ benötigen. Diese Aufteilung verrät, wofür Google das Basismodell nicht vorgesehen hat. Echtes Denken findet im Schwestermodell statt.

Microsofts Framing für MAI Realtime 1 ist das Spiegelbild. Es ist „Speech-to-Speech mit natürlichem Gesprächsfluss und präziser Steuerbarkeit“, und die Architektur ist ausdrücklich zweistufig: Ein schnelles System hält den Dialog in Echtzeit am Laufen, und schwierigere Aufgaben werden „an eine stärkere Reasoning-Engine weitergeleitet, ohne unangenehme Pausen“. Microsoft verkauft keinen besseren Sprecher. Es verkauft einen Dispatcher, der gut genug spricht, um die Verbindung am Leben zu halten, während etwas anderes die Arbeit erledigt.

• G​emini 3.8 Live — ein Modell, bewusst schnell, mit Reasoning als separatem, schwergewichtigerem Geschwistermodell, das Sie je nach Deployment auswählen.

• MAI Realtime 1 — ein Produkt, hinter dem zwei Engines stehen, das pro Zug statt pro Deployment eskaliert.

• Der praktische Unterschied — G​oogle verlangt von Ihnen, bei der Integration eine Einstellung zu wählen. Microsoft verlangt von Ihnen, einem Router innerhalb des Modells zu vertrauen und dessen Reasoning-Stufe pro Token zu bezahlen.

Was die unabhängigen Zahlen über G​emini 3.8 Live sagen

Das ist die Seite des Matchups mit tatsächlichen Messwerten, und sie sind gut:

• Speech-to-Speech-Index — 74,5 gegenüber 82,6 für die Extended-Thinking-Variante. Der Index bestraft sie für die Agentic-Spalte, nicht für die Konversation.

• Sprachliches Schlussfolgern (Big Bench Audio) — 91,7 %. Stark, und 97,7 % bei Extended Thinking.

• {{1}}Gesprächsdynamik{{/1}} — 96,1 %. Daher kommt das Arena-Elo: Sie bewältigt den menschlichen Rhythmus eines Anrufs etwa so gut wie alles, was gemessen wird.

• Arena Elo — 1074, der höchste Wert im Vergleichsset. Tatsächlich menschliche Präferenz, und er liegt nicht annähernd am unteren Ende dieser Liste.

• Aufgaben-Erfolgsrate — 93,2 %, ebenfalls die höchste im Set.

• Agentische Aufgabenbewältigung (τ-Voice) — 30,1 %. Der Ausreißer und der Grund dafür, dass der zusammengesetzte Index unter der Version mit erweitertem Denken liegt.

• Zeit bis zum ersten Audio – 1,18 Sekunden. Nicht die schnellste – Eleven Realtime Max schafft es in 0,57 – aber schnell genug, dass die Behauptung „keine Verzögerungen durch Reasoning“ glaubwürdig ist.

• Mischkosten — etwa 0,84 $ pro Stunde nach der Normalisierung von Artificial Analysis. Googles eigene Preisliste nennt 0,005 $ pro Minute für Audioeingabe und 0,018 $ pro Minute für Audioausgabe, was bei einem durchgehenden zweiseitigen Anruf eher 1,38 $ pro Stunde entspricht; die Diskrepanz ist eine Messkonvention, kein Widerspruch, und keine der beiden Zahlen sollte als die andere zitiert werden.

Vergleicht man die agentische Kennzahl mit der Task-Success-Kennzahl, zeigt sich etwas Wichtiges. Eine Task-Success-Rate von 93,2 % neben 30,1 % agentischer Completion bedeutet, dass das Modell bei den Aufgaben, die der Harness als konversationell einstuft, sehr gut ist und bei denen, die von ihm verlangen, über mehrere Schritte hinweg zu planen und Tools zu nutzen, schwach abschneidet. Das sind unterschiedliche Instrumente, und genau die Diskrepanz ist der Befund. G​emini 3.8 Live wird ein besseres Gespräch führen, als MAI Realtime 1 es wahrscheinlich tun wird. Ob es am Ende dieses Gesprächs den Termin buchen wird, ist eine separate Frage, und gemessen an der einzigen öffentlich verfügbaren Evidenz ist es die schwächere Hälfte.

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

Was die Microsoft-Zahlen sagen, und das ist eine Zahl

MAI Realtime 1 hat keine unabhängigen Bewertungen. Artificial Analysis führt das Modell mit Stand 18. November nicht. Was Microsoft selbst veröffentlicht, ist eine einzige Genauigkeitsangabe auf der Modellseite – 98,8 % bei Big Bench Audio, dort als Genauigkeit bei gesprochenen Reasoning-Fragen aus diesem Benchmark ausgewiesen – plus eine P50-Karte für die Zeit bis zum ersten Audio und eine Beschriftung „P50-Latenz bei BigBench Audio“. Keine τ-Voice-Zahl, keine Liste unterstützter Sprachen, keine Verteilung hinter dem Perzentil, keine methodische Anmerkung neben der Genauigkeitszahl. Hält man dem die 91,7 % von G​emini 3.8 Live im selben Benchmark gegenüber, gemessen von Artificial Analysis, dann vergleicht man die Eigenbewertung eines Anbieters mit der eines Dritten: Die beiden Zahlen sind nicht dieselbe Art von Objekt, und 98,8 % als Sieben-Punkte-Sieg zu werten, wäre genau die Schönfärberei, die dieser Beitrag zu vermeiden versucht. Die weiterreichende Behauptung des Unternehmens ist, dass das Modell auf der Pareto-Grenze von Leistung und Preis für Big Bench Audio und τ-Voice liegt und dass es G​PT Realtime 2.1 bei Qualität, Geschwindigkeit und Preis übertrifft – ein Vergleich mit dem Pro-Token-Reasoning-Sprachmodell von O​penAI, nicht mit G​emini 3.8 Live.

Also ist jeder direkte Vergleich zwischen diesen beiden Modellen heute ein Vergleich zwischen einem von einem Dritten gemessenen Profil und einer vom Anbieter selbst veröffentlichten Spitzenkennzahl. Das ist kein Grund, den Vergleich auszulassen. Es ist ein Grund, genau zu benennen, worauf sich jede Seite tatsächlich festgelegt hat.

Worauf sich Microsoft konkret festgelegt hat: 0,01 US-Dollar pro Audiominute, Reasoning zu 1,00 US-Dollar pro Million Eingabe-Tokens und 5,00 US-Dollar pro Million Ausgabe-Tokens, eine zu OpenAI Realtime API kompatible Schnittstelle, eine Foundry-Vorschau mit begrenztem Zugriff, die bis zur öffentlichen Vorschau nicht berechnet wird, eine zweiminütige nichtkommerzielle Demo in MAI Labs, die Erwachsenen vorbehalten ist, vom Anbieter gemeldete 98,8 % bei Big Bench Audio mit einer P50-Latenzangabe, aber ohne zugrunde liegende Verteilung, namentlich genannte Bereitstellungen, die in Dynamics 365 Contact Center und den Pflegekräftetrainings-Simulationen von Dragon Copilot kommen, sowie frühe Tests bei Agoda und Reservations.ai.

Wozu es sich nicht verpflichtet hat: Sprachen, τ-Voice, Datenresidenz, Aufbewahrung oder einen GA-Termin.

A screenshot of Microsoft's MAI Realtime 1 model page captured 18 November 2026, showing the 98.8% Big Bench Audio accuracy figure, a 'Start a conversation' button, $0.01 per audio minute pricing, $5 per 1M output tokens, and a P50 time-to-first-audio card labelled 'P50 Latency on BigBench Audio'.

Der Kostenvergleich, richtig gemacht

Schon allein bei der Sprachlinie ist der Abstand alles andere als subtil. Eine Minute G​emini 3.8 Live Audio, Input und Output zusammengenommen, kostet auf der Preisliste von G​oogle $0,023. Eine Minute MAI Realtime 1 kostet vor Reasoning $0,01. Das sind rund 2,3-mal so viel, und anders als im Vergleich mit ElevenLabs gibt es auf der G​oogle-Seite keine Compliance- oder Plattformgebühr, die ihn vergrößern würde.

Der interessante Kostenunterschied ist jedoch nicht der Tarif. Er liegt darin, wo die Rechnung für das Reasoning anfällt. Die Antwort von G​emini 3.8 Live auf eine schwierige Runde ist ein anderes Modell, das man deployt – G​emini 3.8 Live Extended Thinking, mit 3,50 US-Dollar pro Stunde auf der Basis von Artificial Analysis und 82,6 im Index. Das ist eine Deployment-Entscheidung, die pro Stunde Audio abgerechnet wird, unabhängig davon, ob eine bestimmte Runde sie benötigt hat. Die Antwort von MAI Realtime 1 ist eine Eskalation pro Runde, abgerechnet pro Token, was günstiger ist, wenn nur wenige Runden schwierig sind, und teurer, wenn die meisten es sind.

• Meist einfache Gesprächsbeiträge, gelegentliche Eskalation — das Per-Token-Modell von MAI Realtime 1 gewinnt, und zwar deutlich.

• Überwiegend schwierige Turns — die pauschalen 3,50 US-Dollar pro Stunde von G​emini 3.8 Live Extended Thinking sind das berechenbarere Instrument, und Berechenbarkeit ist etwas wert, wenn man ein Contact-Center-Budget prognostiziert.

• Gemischter Traffic ohne klare Aufteilung – Sie wählen zwischen einer Stundenschätzung, die Sie verteidigen können, und einer Token-Schätzung, die Sie messen müssen. Das sind unterschiedliche Beschaffungsgespräche.

Erwähnenswert ist, dass G​oogles kostenloses Kontingent G​emini 3.8 Live ohne Berechnung für Ein- und Ausgabe abdeckt, allerdings mit Ratenbegrenzung. Für einen Prototypen ist das ein echter Vorteil gegenüber einem Registrierungsformular und einer Warteliste.

Sprachen, die mehr Matchups entscheiden als Benchmarks

G​emini 3.8 Live erbt das mehrsprachige Verhalten der Live API, und die Dokumentation von G​oogle behandelt nicht englischsprachige Dialoge als normale Nutzung. Das Launch-Material von MAI Realtime 1 listet keine einzige unterstützte Sprache auf. Microsofts Sprachlinie führt über Dragon, ein klinisches Diktierprodukt mit starkem englischsprachigen Einsatz, und die Ankündigung zu Transcribe 2 spricht von halbierten mehrsprachigen Fehlerraten – aber das ist das Transkriptionsmodell, nicht das Echtzeitmodell, und es ist keine Sprachliste.

Wenn Ihr Agent einen englischsprachigen Markt bedient, ist das eine Fußnote. Wenn er drei bedient, ist MAI Realtime 1 noch kein Kandidat, den Sie bewerten können, weil die Vorschau Ihnen nicht sagen wird, was er in den Sprachen leistet, die Sie benötigen.

Wie man den Vergleich durchführt, bevor einer der beiden Anbieter ihn klärt

Beide Modelle sprechen die O​penAI Realtime API — G​oogles Live API über ihre eigene Oberfläche, Microsofts explizit by Design. Die G​emini-Seite ist eng verwandt, aber in der Session-Semantik nicht identisch, also plane einen Adapter ein statt eines bloßen Base-URL-Austauschs; die MAI Realtime 1-Seite kommt nach Microsofts eigener Beschreibung einem Drop-in näher.

Die Bewertung, die über diesen Vergleich entscheidet, ist kein Benchmark-Lauf. Sie ist ein Task-Completion-Lauf: Geben Sie jedem Modell dieselben zwanzig echten Anfragen, die einen Tool-Aufruf und einen zweiten Schritt erfordern, und zählen Sie, wie viele davon abgeschlossen werden. Der Agentic-Wert von 30,1 % für G​emini 3.8 Live legt Ihre Vorannahme fest – es sollte ungefähr sechs abschließen. Wenn MAI Realtime 1 in dieser Nähe landet, bringt Ihnen der Preisvorteil bei dieser Arbeitslast nichts. Wenn es nahe an den 87 % landet, die Eleven Realtime Max auf demselben Harness erreicht, tut Microsofts zweistufiges Design, was es verspricht, und der Vergleich ist entschieden.

Für diese Evaluierung muss die Reasoning-Schicht hinter dem Voice-Modell instrumentiert werden, denn auf der Microsoft-Seite findet dort tatsächlich der zweite Schritt statt. OrcaRouter ist die Stelle, an der diese Schicht eingebunden wird: Über 200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag, automatisches Failover, damit ein Reasoning-Aufruf, der ins Stocken gerät, nicht zu vier Sekunden Stille in einem Live-Call wird, und eine Routing-DSL, mit der der Eskalationspfad eine Regel sein kann statt Code, den Sie im Voice-Handler pflegen. MAI Realtime 1 selbst ist nicht in unserem Katalog (es ist über MAI Labs und die Foundry-Vorschau mit eingeschränktem Zugriff erreichbar); daher routen wir alles, woran es übergibt, plus die Geschwister von G​emini 3.8 Live, wenn Sie den G​oogle-Weg wählen.

Was die Vorschau mit der Beschaffungs-Timeline macht

Legt man die beiden Verfügbarkeitswege nebeneinander, geht es bei der Asymmetrie nicht mehr um die Modelle, sondern darum, wie lange es dauert, bis man überhaupt etwas weiß. G​emini 3.8 Live ist ab heute über G​oogles Live API allgemein verfügbar, mit einer kostenlosen Stufe, die Eingaben und Ausgaben im Rahmen eines Ratenlimits abdeckt, was bedeutet, dass ein zweitägiger Nutzungsschub bis vor Ende der Woche eine Kennzahl zum Aufgabenabschluss liefern kann. MAI Realtime 1 ist ein Anmeldeformular, eine Warteliste, eine zweiminütige, auf Erwachsene beschränkte nichtkommerzielle Demo und eine Vorschau, für die Microsoft nach eigenen Angaben erst ab Beginn der öffentlichen Vorschau Gebühren berechnen wird.

Das sind unterschiedliche Arten von Reibung, und sie begünstigen unterschiedliche Teams. Wenn Sie jetzt eine Antwort brauchen und die Antwort gegenüber jemandem verteidigbar sein muss, der die Rechnung unterschreibt, liefert Ihnen G​emini 3.8 Live ein gemessenes Profil mit einer öffentlichen Testumgebung dahinter und einer veröffentlichten Rate, über die Sie streiten können. Wenn Sie überschüssige Engineering-Kapazität haben und in diesem Quartal keine Deadline, ist die Microsoft-Preview das günstigste nützliche Experiment der Kategorie – ein Cent pro Minute, der heute nichts kostet, gegenüber einem Modell, das kein Dritter gemessen hat, auf einer Schnittstelle, die Sie wahrscheinlich bereits sprechen.

• Diese Woche prototypen, nächstes Quartal entscheiden — beides funktioniert, und die kostenlosen Tarife auf beiden Seiten bedeuten, dass das Experiment nahezu kostenlos ist.

Diese Woche prototypen, nächsten Monat ausliefern — Gemini 3.8 Live, denn MAI Realtime 1 hat kein GA-Datum und keine Möglichkeit, eines vorherzusagen.

• Daten dürfen Ihre Mandantenumgebung oder Ihre Region nicht verlassen — keines von beiden ist die Antwort auf Grundlage veröffentlichter Bedingungen; G​oogle hat regionale Kontrollen für die Live-API, Microsoft hat sich nicht zur Datenresidenz für Realtime 1 geäußert.

A generated two-column scoreboard titled 'MAI Realtime 1 vs Gemini 3.8 Live — the scoreboard'. Left column MAI Realtime 1: arena Elo not scored, task success not published, agentic not published, reasoning 98.8% vendor, cost $0.01 plus tokens. Right column Gemini 3.8 Live: arena Elo 1074, task success 93.2%, agentic 30.1%, reasoning 91.7%, cost $0.84 per hour. Footer reads 'Gemini figures per Artificial Analysis; the 98.8% is Microsoft own, unaudited.'

Für wen dieser Split geeignet ist

Wählen Sie Gemini 3.8 Live, wenn das Produkt ein Gespräch ist. Wenn der Wert darin liegt, wie der Agent klingt, wie er mit Unterbrechungen umgeht, wie schnell er antwortet und wie gut er in sechs Sprachen funktioniert, hat er das beste gemessene Profil aller Produkte in seiner Preisklasse – plus eine kostenlose Tarifstufe, um es zu belegen. Der Agentic-Score von 30,1 % zählt nur, wenn Ihre Anrufe in einer abgeschlossenen Aktion enden müssen und nicht in einem gut geführten Austausch.

Nehmen Sie MAI Realtime 1 ernst, wenn das Produkt eine Transaktion ist – eine Buchung, ein Schadensfall, eine systemübergreifende Abfrage – und wenn Sie damit leben können, dass es bis auf Weiteres nur Englisch gibt, bis Microsoft etwas anderes veröffentlicht. Bei einem Cent pro Minute mit einer nicht abgerechneten Vorschau ist es der günstigste Weg herauszufinden, ob ein Router auf Anbieterseite Ihren auf Anwendungsseite schlägt. Das Risiko ist nicht das Geld. Es besteht darin, dass Sie gegen ein Modell ausliefern würden, dessen einzige veröffentlichte Genauigkeitszahl seine eigene 98,8 % ist, ohne einen erneuten Lauf dahinter, ohne τ-Voice-Wert, ohne Sprachenliste und ohne Latenzverteilung – und der Einzige, der diese Lücke diesen Monat schließen kann, sind Sie selbst, mit Ihrer eigenen Instrumentierung.

Was keine der beiden Seiten getan hat, ist, die Zahl zu veröffentlichen, die das klären würde: welcher Anteil echter Gespräche die zweite Engine benötigt. Googles Antwort ist, dir ein zweites Modell zu verkaufen und dich pro Deployment entscheiden zu lassen. Microsofts Antwort ist, pro Turn zu entscheiden und es dir in Rechnung zu stellen. Beides sind ehrliche Designs. Nur eines davon ist heute messbar, und es ist nicht das günstigere.