Gemini 3.8 Live vs. Grok Voice Think Fast 2.0: la brecha de 0,3 puntos y la factura 3,2 veces mayor

Tanto Gemini 3.8 Live como Grok Voice Think Fast 2.0razonan mientras hablan — o, más bien, ambos lo hacen en la configuración que realmente compite por lo más alto de la clasificación, lo que en el caso de Gemini 3.8 Live significa la variante Extended Thinking en lugar del nivel estándar. Ambos han sido descritos por sus creadores como los primeros en el índice Speech to Speech de Artificial Analysis. Solo una de esas afirmaciones es actualmente legible en la tabla pública, y la diferencia entre los dos líderes es de 0,3 puntos — apenas mayor que el margen que separa a modelos adyacentes en otras partes del mismo gráfico, lo que viene a decir que no es una diferencia real.

La diferencia de costo entre ellos no es de 0,3 puntos. Es un factor de 3,2.

Esa asimetría es toda la historia, y es lo que hay que entender antes de leer el anuncio de cualquiera de los dos proveedores.

Dos afirmaciones del primer lugar

Cuando xAI anunció Grok Voice Think Fast 2.0 a finales de julio de 2026, las cifras reportadas lo situaban en 82.9% en el índice de calidad de voz a voz de Artificial Analysis, por delante de GPT-Realtime-2.1 con 79.1% y Gemini 3.1 Flash con 69.5%. Varios medios independientes repitieron ese encuadre y describieron el modelo como el número uno mundial en voz.

En la tabla capturada el 16 de septiembre de 2026, tras el lanzamiento de Google, el mismo modelo aparece como Grok Voice Think Fast 2.0 High con 81.3. No 82.9. Y la fila superior ahora es Gemini 3.8 Live Extended Thinking con 82.6.

El tablero completo, en orden:

• Pensamiento extendido en vivo de Gemini 3.8 — 82.6

• GPT-Live-1 (backend Astra, esfuerzo medio) — 81,5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (backend de Sol, esfuerzo bajo) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

Dos lecciones están en esa lista, y ninguna trata sobre qué modelo es mejor. La primera es que las puntuaciones de índice reportadas por el proveedor no son duraderas: el 82,9 de xAI no sobrevivió en la tabla pública, que ahora muestra 81,3. Esto no es una acusación de deshonestidad —los índices compuestos se revisan, las configuraciones difieren, y un número de julio medido contra un campo de julio no está mal, solo es antiguo—. Pero sí significa que la única cifra con la que deberías planificar es una que tú mismo leas, con fecha. La segunda es que los 0,3 puntos que separan el primer puesto del tercero aquí no son una diferencia de calidad significativa. Cualquiera que elija entre estos dos modelos con base en ese número está eligiendo con base en ruido.

Lea los componentes, no el compuesto

Los compuestos ocultan argumentos. El Speech to Speech Index es un promedio ponderado de razonamiento del habla, rendimiento agéntico, preferencia en arena y tasa de éxito en tareas — y los dos modelos de este enfrentamiento no están ni cerca en dos de esos cuatro.

Aquí es donde la afirmación de Google se vuelve realmente interesante, porque todo el argumento de venta de Grok era el rendimiento agéntico:

• Rendimiento agéntico (τ-Voice) — Google informa de un 68.6% para Gemini 3.8 Live Extended Thinking. xAI informa de un 56.5% para Grok Voice Think Fast 2.0, aproximadamente 11 puntos por delante del 45.7% de GPT-Realtime-2.1 y unos 19 por delante del 37.7% de Gemini 3.1 Flash en ese momento. Si se mantienen ambas cifras de los proveedores, Google se ha hecho con la categoría que xAI lideraba por unos 12 puntos.

• Razonamiento del habla (Big Bench Audio) — Google reporta 97.7% para el modelo Extended Thinking. xAI reporta 97.2% para Grok. Efectivamente al mismo nivel.

• Éxito en las tareas en flujos de trabajo bancarios — Google reporta 35,1 % en el benchmark τ-Voice-banking de Sierra. xAI no ha publicado una cifra directamente comparable.

• Dinámica conversacional (Full Duplex Bench) — Grok reporta 95.1%, ligeramente por detrás del 95.7% de GPT-Realtime-2.1 y muy por delante del 74.3% de Gemini 3.1 Flash en ese momento. Google no ha publicado ninguna cifra de Full Duplex Bench para Gemini 3.8 Live Extended Thinking.

La nota de honestidad importa aquí más de lo habitual. Los 68,6 %, 35,1 % y 97,7 % son cifras del propio Google, publicadas en el blog de Google, y nadie fuera de Google las ha reproducido. Los 56,5 %, 97,2 % y 95,1 % de Grok provienen de xAI o de Artificial Analysis y, en el caso de la posición en el índice, son verificables públicamente. Las únicas cifras de esta comparación que pueden leerse de forma independiente son las dos puntuaciones del índice: 82,6 y 81,3. Todo lo demás es afirmación contra afirmación, y las afirmaciones las hacen partes con interés en el resultado.

Lo que se puede decir con seguridad: Google afirma tener una gran ventaja en la dimensión concreta que xAI usó para justificar su aumento de precio. Si esa afirmación resiste una verificación independiente, este enfrentamiento está resuelto en cuanto a capacidad. Si no lo hace, la diferencia de 0,3 puntos en el índice lo es todo y la brecha de precio se vuelve indefendible.

La factura: $1.50 frente a $4.80 por hora

El costo es la parte de esta comparación que no depende de la metodología de benchmark de nadie, porque es una tarifa publicada.

Grok Voice Think Fast 2.0 tiene un precio de $0.08 por minuto de audio, aproximadamente $4.80 por hora. Eso representó un aumento del 60 % con respecto a los $3.00 por hora de Think Fast 1.0, y los usuarios del alias grok-voice-latest fueron migrados automáticamente el 5 de agosto de 2026; los desarrolladores que querían permanecer en el modelo antiguo tenían que fijar el ID versionado antes de esa fecha o asumir el cambio.

Gemini 3.8 Live se anunció a $0,005 por minuto de entrada de audio y $0,018 por minuto de salida de audio. El gráfico de coste por hora de audio de entrada de Artificial Analysis lo sitúa en $1,50 por hora —lo que es exactamente 3,2 veces más barato que los $4,80 de Grok. Para ponerlo en contexto, ese mismo gráfico muestra GPT-Realtime-2 High a $4,14, Qwen Audio 3.0 Realtime Plus a $4,42 y GPT-Realtime-2.1 High a $10,75.

La configuración del mercado en esa lista merece una frase. La opción más barata del listado es un Gemini —Gemini 3.1 Flash Live a 1,42 $ por hora—, y la segunda más barata es Gemini 3.8 Live a 1,50 $. Google ha posicionado su modelo de voz más reciente como la segunda opción más barata de la categoría, por debajo de modelos con los que compite en calidad.

Fíjate en lo que eso significa para cualquiera que migró a Grok en agosto. Entre el aumento de precio y el lanzamiento de Google, la misma carga de trabajo pasó de $3.00 la hora a $4.80 la hora en un lado de esta comparación y quedó disponible a $1.50 la hora en el otro. Nada cambió en los modelos para causarlo. Las decisiones de enrutamiento tomadas en julio ahora cuestan más del doble de lo que cuesta la alternativa, que es precisamente la situación que un enrutador existe para evitar.

Donde Grok sigue liderando

Dos cosas, y una de ellas no está ni cerca.

Latencia. Grok Voice Think Fast 2.0 redujo el tiempo hasta el primer audio de 1,25 segundos a 0,70 segundos, que es la cifra publicada más rápida de la categoría. Google no ha publicado ninguna cifra de latencia para Gemini 3.8 Live en absoluto — solo testimonios de socios que describen "latencia impresionante". En una llamada telefónica, 0,70 segundos es la diferencia entre una conversación y un retraso, y es la única dimensión en la que la afirmación de xAI es a la vez específica e incontestada. Si tu producto es telefonía, esto puede pesar más que todo lo anterior.

Robustez de la transcripción. xAI evaluó la tasa de error de palabras en miles de frases cortas en 24 idiomas y reporta un error 1.5–2.0× menor que los modelos de STT dedicados, incluidos Deepgram Nova 3 y ElevenLabs Scribe v2, 1.4× menor que Think Fast 1.0, y aproximadamente 10× menos error en entornos ruidosos con ruido de fondo y compresión telefónica. Estos datos son reportados por el proveedor y no están verificados de forma independiente, y la afirmación sobre el entorno ruidoso es la primera que hay que probar, porque es la más específica y la más fácil de refutar.

Grok también ofrece capacidades prácticas para desarrolladores que vale la pena destacar: una API WebSocket compatible con OpenAI Realtime, PCM16 a 24 kHz con μ-law para telefonía, detección de actividad de voz del lado del servidor, tokens efímeros para aplicaciones de navegador, clonación de voz personalizada a partir de aproximadamente un minuto de habla, y un volumen de tokens de razonamiento de aproximadamente 0,4× el de la versión anterior.

A dónde lleva Gemini 3.8 Live Extended Thinking

Más allá de la ubicación en el índice y de la brecha agéntica que se afirma, los diferenciadores son estructurales:

• Visión — Gemini 3.8 Live procesa entrada visual casi en tiempo real. Grok Voice Think Fast 2.0 no tiene una base visual comparable.

• Cobertura de idiomas — 97 idiomas compatibles con cambio automático a mitad de conversación, frente a los más de 25 de Grok.

• Razonamiento narrado — la variante Extended Thinking habla mientras trabaja, usando señales como «Déjame comprobar eso…» y narración del progreso en vivo, lo que constituye un comportamiento más legible para un usuario que espera una tarea de varios pasos.

• Marca de agua — todo el audio generado lleva SynthID.

• Costo — 3,2× más barato por hora de audio de entrada.

Los contrapesos son reales. Google no ha publicado ninguna cifra de latencia, ninguna ventana de contexto y ningún número por componente que alguien fuera de la compañía haya reproducido. Su disponibilidad es una vista previa, no disponibilidad general: los desarrolladores lo obtienen en la API de Gemini y Google AI Studio, las empresas en vista previa privada en Gemini Enterprise, y los consumidores a través de Gemini Live, Docs Live, Gmail Live y Keep Live. El modelo de Grok está disponible de forma general hoy y su API está documentada.

La capa sobre la que se asientan ambos

Una similitud estructural es fácil de pasar por alto y importa más que cualquiera de las dos hojas de especificaciones. Ambos modelos delegan. El razonamiento paralelo de Grok casi siempre termina en una llamada a herramienta o una consulta, y la ejecución de herramientas en segundo plano de Google está construida explícitamente para que la conversación continúe mientras finalizan las llamadas a la API. Debajo de ambas interfaces de voz hay una carga de trabajo ordinaria de modelo de texto, y ahí es donde reside la mayor parte de tu coste total y casi toda tu flexibilidad de cambio.

OrcaRouter ejecuta 190 modelos detrás de una sola clave, al precio de lista del proveedor y sin margen alguno, lo que significa que una rebaja de precio de un proveedor se aplica en nuestro lado el mismo día, y no en la siguiente renovación. Eso no es poca cosa en una categoría en la que un modelo importante subió su tarifa por minuto un 60 % en cuestión de semanas. La otra propiedad que importa para la voz es la conmutación por error automática: una llamada que se cae porque un backend agotó el tiempo de espera es un cliente perdido, y la capacidad de cambiar el destino de la delegación sobre tráfico en vivo sin reescribir la integración de voz es lo que hace reversible la elección del front-end. Para ser precisos con el alcance: los endpoints Grok Voice Think Fast 2.0 y Gemini 3.8 Live no están en nuestro router; esos provienen de las API propias de los proveedores. Los modelos de texto a los que delegan, por lo general, sí lo están.

¿Qué lo resolvería?

Este enfrentamiento es inusualmente fácil de resolver, porque la evidencia decisiva es específica y está pendiente. Tres cosas lo lograrían:

• Independent τ-Voice funciona con Gemini 3.8 Live Extended Thinking. Google afirma un 68,6% frente al 56,5% de Grok. Es una afirmación de 12 puntos en una categoría en la que Google históricamente no ha liderado, y es el único dato que más cambia el veredicto.

• Una cifra de latencia publicada. Hasta que Google publique una, los 0,70 segundos de Grok se mantienen sin oposición y los compradores de telefonía solo tienen una opción defendible.

• Disponibilidad general y precios estables. Los precios de vista previa cambian. Una tarifa por hora de $1.50 que se duplica al pasar a GA reescribiría por completo esta comparación.

Hasta que lleguen, la posición defendible es más limitada de lo que sugiere cualquiera de los dos anuncios. Grok Voice Think Fast 2.0 sigue siendo la elección correcta donde la latencia es la restricción y la carga de trabajo tiene forma de telefonía. Gemini 3.8 Live Extended Thinking es la elección correcta donde importan la profundidad de razonamiento, la visión o la amplitud de idiomas, y puedes tolerar el estado de vista previa y la latencia no publicada. Y los 0,3 puntos entre ellos no deberían decidir nada; el 3,2× sí debería.