GPT-Live-1 vs Gemini 3.8 TTS: Uno mantiene una conversación, el otro lee un guion — y solo uno de ellos es barato

Coloque GPT-Live-1 y Gemini 3.8 Flash TTS uno junto al otro en un medidor por minuto y la respuesta parece obvia. El narrador de Google factura alrededor de 1,35 centavos por minuto de habla generada según la tarifa de 2026. El modelo conversacional de OpenAI factura 5 centavos por minuto de línea abierta — y sigue facturando mientras el backend piensa, mientras el usuario hace una pausa y mientras no se dice absolutamente nada. Una diferencia de unas veintisiete veces, antes de que nadie se haya preguntado si ambos hacen el mismo trabajo.

No lo son, y de una manera más interesante que el habitual manotazo de "son categorías distintas". Gemini 3.8 Flash TTS no puede oír. G​PT-Live-1 no se puede procesar por lotes. Y la forma en que se los nombra lo empeora más de lo necesario, porque la frase G​emini 3.8 TTS —la etiqueta que usa medio internet— no corresponde a ningún modelo al que puedas llamar.

Primero, el problema del nombre, porque decide el precio que cotizas.

No existe ningún modelo llamado G​emini 3.8 TTS. La propia documentación de G​oogle usa la frase como término paraguas para dos endpoints invocables, y sus precios son lo suficientemente diferentes como para que cotizar el equivocado sea un error real:

• gemini-3.8-flash-tts — el nivel completo, más de 130 idiomas, $0.50 por millón de tokens de texto de entrada y $9.00 por millón de tokens de audio de salida, que subirán a $1.00 y $18.00 el 1 de enero de 2027.

• gemini-3.8-flash-lite-tts — 101 idiomas, misma tarifa de entrada, $6.00 por millón de tokens de audio de salida, y aumenta a $12.00.

• Ambos tienen tarifas de Batch y Flex a la mitad del precio de Standard ($0.25 de entrada, $4.50 o $3.00 de salida) y tarifas de Priority a 1.8× ($0.90 de entrada, $16.20 o $10.80 de salida).

El audio se factura a 25 tokens por segundo, de ahí sale la cifra por minuto: 25 tokens × 60 segundos = 1.500 tokens de audio por minuto, así que $9,00 por millón equivale a unos $0,0135 por minuto. Flash-Lite ronda los $0,009.

El estatus del modelo está genuinamente sin resolver y merece decirse en voz alta, porque las propias interfaces de G​oogle no coinciden. El registro de cambios de la API de G​emini califica a ambos modelos como de disponibilidad general. La lista de modelos de la API los etiqueta como «New Stable». La documentación de texto a voz de G​oogle Cloud los describe como disponibles en Preview únicamente a través de la API de G​emini Enterprise. La entrada de blog del anuncio, publicada el 23 de septiembre de 2026, no usa ninguno de esos dos términos. Cualquiera que redacte una nota de adquisición este mes debería tratar la etiqueta GA como una afirmación del registro de cambios, y no como un hecho ya establecido.

Lo que cada modelo realmente hace cuando lo llamas

Gemini 3.8 Flash TTS toma texto y devuelve audio. No tiene entrada de audio, no tiene turno que tomar, no tiene noción de ser interrumpido y no tiene transcripción que devolver, porque nunca escuchó nada. El endpoint unario devuelve WAV a 24 kHz mono; el streaming devuelve PCM de 16 bits sin cabecera, con mulaw y alaw aceptados y una frecuencia de muestreo configurable. Las indicaciones escénicas inline se escriben en el guion como eventos entre corchetes angulares: <laugh>, <sigh>, <breath>, <short pause>, y el texto de entrada se trata, por lo demás, como una transcripción literal, no como instrucciones. La API Live no admite estos modelos en absoluto.

G​PT-Live-1 hace el trabajo contrario. Es full duplex: procesa el audio entrante mientras produce audio saliente, decide varias veces por segundo si el usuario ha terminado de hablar y devuelve transcripciones de reconocimiento de voz como parte de la sesión. Sus entradas son audio y texto; sus salidas son audio y texto; las imágenes y el vídeo no son compatibles. Hace streaming y admite llamadas a funciones, pero no salidas estructuradas, y el corte de conocimientos es el 31 de julio de 2025. Solo un endpoint lo sirve — v1/live/sessions — y Chat Completions, Responses, Realtime y Batch quedan totalmente fuera.

Ese último detalle es el que pone fin a la comparación para muchas cargas de trabajo. Si tu producto renderiza un guion, G​PT-Live-1 no es ni la opción barata ni la correcta. Si tu producto contesta un teléfono, Gemini 3.8 Flash TTS es un tercio de un pipeline que todavía necesita un modelo ASR y un modelo de lenguaje acoplados a cada lado — y lo esencial de G​PT-Live-1 es que la costura entre esas tres partes es donde se rompen las conversaciones.

Los números, y de quién son

En la Provider Voice Arena de Artificial Analysis —una tabla Elo de votación ciega sobre las voces nativas propias de cada proveedor—, los nuevos modelos de Google se sitúan en la mitad de la tabla en lugar de en lo más alto:

• Gemini 3.8 Flash TTS — Elo 1.275 en el puesto 5, con un intervalo del 95 % de aproximadamente 1.260 a 1.290 sobre 2.783 muestras, listado a $16,5 por millón de caracteres.

• Gemini 3.8 Flash-Lite TTS — Elo 1.248 en el puesto 8, intervalo aproximado de 1.234 a 1.262, $11.0 por millón de caracteres.

• Por encima de ambos — Eleven v4 Turbo con 1.330, Eleven v4 con 1.329, Q​wen-Audio-3.1-TTS-Plus con 1.296 y Cartesia Sonic 3.6 con 1.285.

La propia afirmación de Google es más contundente que ese ranking, y es una afirmación de proveedor: la publicación del 23 de septiembre dice que los modelos obtuvieron el primer puesto en el Voice Design Benchmark de Hume AI con 71,4 y lideraron el modelado de acentos de Hume con 60,8, además de las primeras posiciones en preferencia a ciegas en japonés, portugués brasileño, vietnamita, árabe estándar moderno, español mexicano e hindi. Esas son posiciones reportadas por Google en una evaluación ajena, no una reproducción.

Pasando al lado conversacional, las cifras de GPT-Live-1 provienen de un tablero completamente distinto. El índice de voz a voz de Artificial Analysis —un promedio ponderado de razonamiento de voz, rendimiento agéntico, preferencia en la arena y éxito en tareas— ahora enumera GPT-Live-1 bajo configuraciones de backend con nombre en lugar de como una sola fila: GPT-Live-1 (Astra, medium) y GPT-Live-1 (Sol, low) se sitúan en lo más alto de ese índice, con Grok Voice 3.0 liderando el campo. Es un recordatorio útil de que, en esta arquitectura, el modelo de voz es solo la mitad de la fila; el backend delegado mueve la puntuación.

Un número que importa y no existe en ningún lugar: G​oogle no publica ninguna cifra oficial de latencia para ninguno de los dos modelos TTS. Todos los números de tiempo hasta el primer audio en circulación son de terceros — el p50 de un agregador se sitúa en torno a 3,47 segundos para Flash TTS y 2,66 para Flash-Lite — y ninguno de ellos es directamente comparable con la cadencia conversacional de G​PT-Live-1, porque miden cosas diferentes.

El diseño de voz es el punto donde los dos convergen y donde vuelven a divergir

Ambos proveedores ahora te permiten describir una voz con palabras. Eso es nuevo en 2026 y es lo más cerca que están los dos productos de solaparse.

El camino de Google pasa por la API de Gemini: una persona de voz basada en prompts guardada de forma persistente como un voice_ ID, replicación de voz a partir de una muestra de unos 30 segundos con una verificación de consentimiento, marca de agua SynthID y credenciales C2PA adjuntas, y un límite de 200 voces personalizadas con estado por proyecto, con una retención de un año desde el último uso. La descripción escrita abarca el rol, el acento y los rasgos vocales.

La ruta de OpenAI, publicada el 16 de octubre de 2026 para todos los clientes de la API, es un POST a /v1/audio/voices con type: "prompt", un nombre, la descripción y "model": "auto". La creación es gratuita; usar la voz se factura a las tarifas normales de sesión. Solo devuelve metadatos — ni audio ni vista previa. Las cualidades que puedes ajustar son acento, edad, presentación, tono, timbre, textura, volumen, velocidad del habla y distintividad, todas expresadas en lenguaje corriente sin parámetros numéricos.

Dos diferencias deciden cuál puedes usar realmente:

• Las voces generadas por prompt en GPT-Live funcionan solo con GPT-Live. Son explícitamente incompatibles con las APIs Text to Speech, Realtime y Chat Completions. Las voces personalizadas de Google, en cambio, son voces para un motor de renderizado, que es lo que las hace reutilizables en un catálogo.

• El límite de la organización del lado de OpenAI es de 100 voces generadas por prompt, y también se aplica a las voces generadas en nombre de tus clientes. El techo de Google es de 200 por proyecto. Si eres una plataforma que acuña una voz por cliente, ambas cifras son tu límite real de producto, no una nota al pie.

También hay una diferencia en lo que recibes. Una voz de Google llega con SynthID y procedencia C2PA adjuntos. Una voz generada por prompt de OpenAI llega como un ID, una marca temporal de creación y tu propio texto de prompt — y la documentación dice sin rodeos que no se garantiza que las voces generadas sean únicas. Mantén la descripción bajo control de versiones; es el único registro de lo que pediste.

Donde la brecha de precios deja de ser 27×

La comparación por minuto es la que se cita y es la que engaña, porque el medidor de G​PT-Live-1 no está midiendo el mismo recurso. Tres cosas alteran la relación real:

• El tiempo de inactividad es facturable. Una sesión de voz se factura por segundo mientras esté abierta, incluso mientras el modelo de backend está trabajando y mientras el usuario está en silencio. El medidor de Google solo avanza cuando se genera audio. Una llamada de soporte en la que el usuario habla durante cuatro minutos y tu backend piensa durante dos son seis minutos facturables en Live y menos en el renderizador — antes de haber contado los tramos de ASR y de modelo de lenguaje que el renderizador todavía necesita.

• La longitud de la salida es controlable en un lado. Un trabajo de renderizado es una cantidad conocida: puedes calcular el precio de un artículo de 900 palabras antes de generarlo, y las tarifas de Batch lo reducen a la mitad otra vez. Una conversación no.

• El backend es una factura aparte. El razonamiento delegado y el uso de herramientas en GPT-Live-1 se cobran a las tarifas normales del modelo además de los $0.05 por minuto, y la propia guía de costos de OpenAI enmarca la palanca como hacer que el usuario termine antes; por ejemplo, ejecutar un backend más rápido con llamadas a herramientas en paralelo para que la conversación termine un minuto antes, ahorrando $0.05. La tarifa de voz es fija; la duración de la sesión es el dial.

Ese último punto es donde una capa de enrutamiento deja de ser un simple extra deseable. La delegación de cliente te permite apuntar una sesión de GPT-Live a tu propio agente o servicio, lo que significa que el backend delegado puede ser cualquier modelo, y la versión útil de "cualquier modelo" es un único endpoint y una única clave en lugar de un contrato por proveedor. OrcaRouter ofrece más de 200 modelos al precio de lista del proveedor y sin recargo, así que una bajada de precio del proveedor en el lado del backend te llega el mismo día en que se aplica, y la conmutación por error automática cubre una caída del proveedor sin que quien llama se entere. Si estás construyendo la ruta delegada, la elección del backend es donde reside realmente tu coste; los 0,05 $ por minuto son una constante.

Para ser exactos con el límite: OrcaRouter no aloja G​PT-Live-1 ni los modelos TTS G​emini 3.8. Lo que enruta es el lado de razonamiento de una sesión Live delegada.

¿Cuál elegir?

Si estás renderizando —artículos, documentación, narración de video, mensajes de IVR escritos de antemano—, Gemini 3.8 Flash TTS es la herramienta correcta y G​PT-Live-1 es aproximadamente 27 veces más caro por minuto de audio y estructuralmente incapaz de hacer el trabajo por lotes. Elige Flash-Lite si 101 idiomas te cubren, elige las tarifas Batch o Flex si la latencia no es la restricción, y modela la duplicación de precios de enero de 2027 desde el principio, porque G​oogle la ha publicado en la misma tabla en lugar de enterrarla.

Si estás manteniendo una conversación, la comparación de TTS es un error de categoría y la pregunta honesta es distinta: ¿produce el backend delegado una respuesta lo bastante rápido como para que la sesión siga siendo corta? Ese es el número que decide tu factura, y es el que nadie pone en una diapositiva de lanzamiento.

Y si simplemente intentas averiguar cuánto cuesta "Gemini 3.8 TTS", la respuesta es 9,00 $ por millón de tokens de audio, en uno de los dos modelos a los que se refiere ese nombre, hasta finales de 2026.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.