Grok Voice 3.0 vs Gemini 3.8 Live: Google vende dos modelos de voz y solo uno de ellos está en esta contienda

La respuesta de Google a Grok Voice 3.0 cuesta $0,84 por hora. Esa es la cifra de costo por hora de audio de entrada de Artificial Analysis para Gemini 3.8 Live en su configuración estándar, y es 5,7 veces más barata que los $4,80 por hora que Grok Voice 3.0 cobra. También es el modelo equivocado con el que comparar. El Gemini 3.8 Live que realmente compite de igual a igual con el nuevo buque insignia de SpaceXAI —el que ostenta un 82,6 en el índice de voz a voz frente al 86,9 de Grok— es la variante de Pensamiento Extendido, y cuesta $3,50 por hora. La verdadera diferencia entre estos dos modelos es de 1,37×, no de 5,7×, y elegir la fila equivocada de la tabla de precios es el error más caro posible en este enfrentamiento.

Es la primera vez que la categoría cuenta con una auténtica frontera de precio-calidad en lugar de un líder y una alternativa más barata. Grok Voice 3.0 llegó el 14 de octubre de 2026 a 0,08 $ por minuto, la misma tarifa que Grok Voice 2.0, con 86,9 en el índice y un tiempo hasta el primer audio inferior a un segundo. Gemini 3.8 Live llegó el 15 de septiembre de 2026 en dos configuraciones que se comportan como dos productos distintos, una de las cuales es líder en coste y la otra es un sistema de razonamiento que, casualmente, habla.

Los dos modelos de Google no son niveles entre sí

El propio enfoque de Google los separa por tarea en lugar de por tamaño. El modelo estándar se describe como diseñado para la escala y la eficiencia de costes, con diálogo fluido y fundamento visual. La variante Extended Thinking se describe como diseñada para tareas de alta complejidad con razonamiento de varios pasos que narra su progreso en voz alta mientras trabaja.

La brecha medida entre ellos no es un gradiente de calidad. Es un salto de categoría:

• Finalización de tareas agénticas, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6 % frente a Gemini 3.8 Live 30,1 %. Mismo proveedor, mismo lanzamiento, misma familia subyacente, 38,5 puntos de diferencia.

• Speech to Speech Index — 82,6 para Extended Thinking con esfuerzo de razonamiento Alto frente a 76,0 para el modelo estándar.

• Coste por hora de audio de entrada — $3.50 vs $0.84.

• Tiempo hasta el primer audio — 1,35 segundos para Extended Thinking frente a 1,18 segundos para el modelo estándar, ambos valores medidos por Artificial Analysis.

Así que cuando un documento de adquisición pregunta si Gemini 3.8 Live es más barato que Grok Voice 3.0, no hay una única respuesta. Frente al modelo estándar, xAI cuesta casi seis veces más y está 10,9 puntos de índice por delante. Frente a Extended Thinking, xAI es un 37% más caro en audio y está 4,3 puntos por delante. Son decisiones distintas que llevan el mismo nombre de modelo.

Cara a cara, con el Gemini adecuado

Deja a un lado la variante estándar por un momento y compara los dos modelos que realmente compiten por lo más alto de la clasificación. Cada cifra a continuación proviene de las pruebas propias de Artificial Analysis del 13 de octubre de 2026 para Grok Voice 3.0 y de la clasificación de septiembre para Gemini 3.8 Live Extended Thinking con esfuerzo alto.

• Índice de voz a voz — Grok Voice 3.0 86,9 vs. Gemini 3.8 Live Extended Thinking 82,6. Una diferencia de 4,3 puntos que es real, pero no decisiva.

• Rendimiento agéntico, τ-Voice — Grok Voice 3.0 71,6 % vs. Gemini 3.8 Live Extended Thinking 68,6 %. Tres puntos, y lo más parecido a un empate que hay en la tabla.

• Razonamiento de voz de Big Bench Audio — Grok Voice 3.0 98,5 % frente al 97,7 % reportado por Google. Ambos están efectivamente en el techo; esta dimensión ha dejado de discriminar.

• Preferencia en la Speech Agent Arena — Grok Voice 3.0 con Elo 1070, la más alta de la tabla. El modelo de Google no se mantiene en la arena.

• Precio por minuto de audio — Grok Voice 3.0 $0.08 de entrada y salida; Gemini 3.8 Live $0.005 por minuto de entrada de audio y $0.018 por minuto de salida de audio.

• Tiempo hasta el primer audio — Grok Voice 3.0: 0,81 segundos; Gemini 3.8 Live Extended Thinking: 1,35 segundos y el modelo estándar: 1,18 segundos según la medición de Artificial Analysis. Los propios materiales de Google no publican ninguna cifra de latencia.

• Coste por tarea completada, Big Bench Audio — Grok Voice 3.0: 0,025 $ por tarea. Ninguna de las variantes de Google tiene una cifra publicada.

• Disponibilidad — Grok Voice 3.0 ya tiene precio y está disponible, con un aviso de descontinuación para su predecesor; Gemini 3.8 Live es una versión preliminar, sin fecha de disponibilidad general, sin cifra de tiempo de actividad publicada y sin una tarifa que Google se haya comprometido a mantener.

• Cobertura de idiomas: {{1}}Gemini 3.8 Live{{/1}} cambia entre {{2}}97 idiomas compatibles{{/2}} a mitad de conversación; el nivel de conversión de voz a texto de xAI documenta {{3}}más de 38 idiomas{{/3}}.

• Entrada visual — Gemini 3.8 Live procesa entrada visual casi en tiempo real; Grok Voice 3.0 no tiene un anclaje visual comparable.

La única dimensión en la que el silencio de Google es la noticia

Observa la asimetría en esa lista. Grok Voice 3.0 empieza a hablar en 0,81 segundos. Gemini 3.8 Live Extended Thinking empieza en 1,35 y el modelo estándar en 1,18, ambas cifras según la medición de Artificial Analysis, lo que hace que el Gemini sin razonamiento tarde más en comenzar un turno que el que sí razona, una rareza que casi con toda seguridad es el efecto de que la variante de razonamiento narre su progreso en voz alta mientras trabaja, y no el de una vía genuinamente más rápida.

El material de lanzamiento propio de Google no publica ninguna cifra de latencia para ninguno de los dos modelos, solo declaraciones de sus socios sobre una latencia impresionante. Eso importa porque el tiempo hasta el primer audio es la dimensión en la que los productos de voz triunfan o fracasan a ojos de quienes los usan, y es la dimensión en la que Google eligió no poner una cifra. Si tu producto es telefonía, donde 0,81 segundos marcan la diferencia entre una conversación y un retraso, la medición que hace un competidor de tu proveedor no es lo mismo que el compromiso de tu proveedor. Haz pruebas antes de comprometerte y observa el anuncio de disponibilidad general para ver si aparece una cifra junto a él.

El anclaje visual juega en sentido contrario y es inequívocamente de Google. Un modelo que puede procesar video casi en tiempo real puede resolver las cosas que el audio no puede: a qué se refiere «esto», si la persona que pregunta está mirando aquello por lo que pregunta, si el ruido en la línea es una máquina que puede verse. Grok Voice 3.0 es un modelo de audio con herramientas. Esa es una verdadera frontera de capacidad, no una diferencia de configuración, y ninguna puntuación de índice, por alta que sea, logra cerrarla.

Lo que realmente compra la diferencia de precio

Haz los cálculos con una carga de trabajo real. Diez mil minutos de voz al día, treinta días al mes, trescientos mil minutos.

• Grok Voice 3.0 — $0.08 por minuto, así que $24,000 al mes.

• Gemini 3.8 Live Extended Thinking — con un precio desde $3.50 por hora de audio de entrada, aproximadamente $17,500 al mes para el mismo volumen, con una tarifa pública que cobra la entrada y la salida por separado.

• Gemini 3.8 Live standard — aproximadamente $4,200 al mes, en un modelo que completa el 30.1% de los escenarios de τ-Voice.

Esa fila del medio lo decide todo. Por aproximadamente $6,500 al mes menos que el buque insignia de xAI, Google vende un modelo que está 4.3 puntos de índice por detrás de él con estatus de vista previa — lo suficientemente cerca como para que cualquier equipo cuyo agente esté haciendo trabajo genuino de varios pasos debería ejecutar ambos contra sus propias grabaciones en lugar de leer una tabla de clasificación. La fila inferior es una trampa, a menos que tu interfaz de voz sea conversacional y la finalización de tareas ocurra en otro punto de la pila, lo cual, para una gran parte de los productos de voz desplegados, es el caso.

Hay una medida más que vale la pena llevar a esa hoja de cálculo, porque invierte en parte el panorama. La medición por tarea de Artificial Analysis en Big Bench Audio sitúa a Grok Voice 3.0 en $0,025 para completar una tarea, frente a $0,030 de G​PT Live 1 en su configuración Astra medium. El costo por tarea completada, no el costo por hora, es la cifra que sobrevive al contacto con una reunión de presupuesto: un modelo más barato que necesita un segundo intento no es más barato. Ninguno de los dos proveedores publica esa cifra para el par de Gemini, que es otro espacio en blanco donde la opción más barata no se ha medido en el eje que importa.

Dónde ayuda un router y dónde no

Sé preciso con esto, porque la respuesta refleja es incorrecta. OrcaRouter no da servicio a ninguno de los dos endpoints en tiempo real. Grok Voice 3.0 proviene de la propia API de xAI, y Gemini 3.8 Live, de la propia API de Google, y ningún router puede interponerse en un WebSocket de audio dúplex que pertenece a un solo proveedor. Si alguien te dice que su plataforma te permite hacer failover entre estos dos a mitad de la llamada, está describiendo algo que no existe.

Lo que es enrutable es todo lo que los rodea. Un despliegue de voz es un modelo de voz más una pila de texto: el clasificador que asigna un código de disposición después de la llamada, el resumidor que redacta la nota del CRM, la recuperación que responde la pregunta que el modelo de voz tuvo que derivar, el modelo que lee la transcripción para cumplimiento. Esa capa es inferencia común medida por solicitudes, es donde se acumula una parte significativa del costo por llamada, y es la capa que nosotros operamos: más de 200 modelos de lenguaje detrás de una sola clave al precio de lista del proveedor y sin margen, conmutación automática por fallo cuando un proveedor se degrada, y un DSL de enrutamiento que te permite componer varios modelos en una sola llamada en lugar de elegir uno de antemano. Como el precio de lista se traslada sin cambios, un recorte de precio de un proveedor en cualquiera de esos modelos está activo de nuestro lado el mismo día. El minuto de audio que le pagas a Google o a xAI es el mismo minuto en cualquier caso; el razonamiento detrás de él es la parte que tú eliges.

La regla de decisión

Tres respuestas, y se derivan de los componentes en lugar del índice.

Elige Grok Voice 3.0 si tu carga de trabajo es agéntica, sensible a la latencia y va a entrar en producción este trimestre. Ostenta el composite, domina la arena, tiene el tiempo de inicio a habla más rápido publicado entre los modelos de frontera, y cuenta con precios y soporte con una ruta de deprecación en lugar de un aviso de vista previa.

Elige Gemini 3.8 Live Extended Thinking si necesitas anclaje visual, si necesitas 97 idiomas en lugar de 38, o si estás usando suficientes minutos de voz como para que una diferencia de $1.30 por hora importe más que 4.3 puntos de índice — y acepta que estás construyendo sobre una versión preliminar sin compromiso de disponibilidad.

Elige el Gemini 3.8 Live estándar solo si has medido tu propio tráfico y confirmado que la parte de varios pasos de tus llamadas ya se gestiona fuera del modelo de voz. Sobre el papel, es la opción más barata de la categoría por un amplio margen. En el eje τ-Voice falla en aproximadamente siete de cada diez escenarios, y nada en el índice te lo dice hasta que lo miras.

Qué cambiaría esta página: una fecha de disponibilidad general y una cifra de latencia de Google, que en conjunto convertirían la opción más barata en la más segura; o un movimiento de precios por parte de xAI, que es la única palanca que su competidor no puede igualar, dado que la tarifa del modelo insignia se ha mantenido constante a lo largo de una generación completa de modelos.

Comparaciones como esta son también donde se manifiestan los modos de fallo: los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.