Una tarjeta de título generada para Realtime 1 vs Gemini 3.8 Live que contrasta un Elo de arena de 1074 y una tasa de éxito en tareas del 93,2 % frente a una puntuación del 30,1 % en finalización de tareas agénticas, además de un logotipo de OrcaRouter.
Guides & Insights

Realtime 1 vs Gemini 3.8 Live: el ganador de la Arena es el que no puede completar la tarea

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Gemini 3.8 Live tiene el mejor Elo de arena de cualquier modelo de voz en el tablero de voz a voz de Artificial Analysis: 1074, por delante del 1037 de GPT-Live-1 y muy por encima del 990 de Eleven Realtime Max. También tiene la tasa de éxito de tareas más alta de ese conjunto de comparación, 93,2%. Y obtiene un 30,1% en la completación de tareas agénticas, que es la cifra más débil de las cuatro. Esos tres números describen el mismo modelo, y entender por qué coexisten es la cuestión central cuando lo pones junto a MAI Realtime 1, el nuevo modelo de voz a voz de Microsoft anunciado el 17 de noviembre de 2026, que está orientado precisamente a aquello en lo que Gemini 3.8 Live es peor.

Uno de estos modelos es un conversador. Al otro se le vende como operador. Ninguno ha publicado lo suficiente para demostrar cuál es cuál en tu carga de trabajo, pero fallan en direcciones opuestas, y eso es más útil que un marcador donde todo está reñido.

Dos apuestas diferentes sobre para qué sirve un modelo de voz

El planteamiento de Google para Gemini 3.8 Live es acotado y seguro de sí mismo: es el modelo predeterminado de la API Live para «la mayoría de las experiencias de agentes de voz de baja latencia, sin retrasos de razonamiento», y tiene un hermano —Gemini 3.8 Live Extended Thinking— para los casos que necesitan «un mayor razonamiento en segundo plano» durante la interacción. Esa división deja claro para qué cree Google que no sirve el modelo base. El razonamiento real vive en el hermano.

El planteamiento de Microsoft para MAI Realtime 1 es la imagen especular. Es "voz a voz con un flujo conversacional natural y una capacidad de dirección precisa", y la arquitectura es explícitamente de dos niveles: un sistema rápido mantiene el diálogo en tiempo real, y las tareas más difíciles "se dirigen a un motor de razonamiento más potente sin pausas incómodas". Microsoft no está vendiendo un conversador mejor. Está vendiendo un despachador que habla lo suficientemente bien como para mantener la línea viva mientras otra cosa hace el trabajo.

• G​emini 3.8 Live — un solo modelo, deliberadamente rápido, con el razonamiento disponible como un hermano independiente y más pesado que usted elige para cada despliegue.

• MAI Realtime 1 — un solo producto con dos motores detrás, que escalan por turno en lugar de por despliegue.

• La diferencia práctica: G​oogle te pide que elijas una configuración en el momento de la integración. Microsoft te pide que confíes en un enrutador dentro del modelo y que pagues su nivel de razonamiento por token.

Lo que dicen los números independientes sobre G​emini 3.8 Live

Este es el lado del enfrentamiento con mediciones reales, y son buenas:

• Índice de voz a voz — 74,5, frente a 82,6 para la variante Extended Thinking. El índice lo penaliza por la columna agéntica, no por la conversación.

• Razonamiento del habla (Big Bench Audio): 91,7 %. Sólido, y 97,7 % en Extended Thinking.

• Dinámica conversacional — 96,1 %. De aquí proviene el Elo de la arena: maneja el ritmo humano de una llamada casi tan bien como cualquier otra cosa medida.

• Arena Elo — 1074, el más alto del conjunto de comparación. Preferencia humana, en efecto, y no está ni cerca del final de esa lista.

• Tasa de éxito de la tarea — 93,2 %, también la más alta del conjunto.

• Finalización de tareas agénticas (τ-Voice) — 30,1 %. El valor atípico, y la razón por la que el índice compuesto queda por debajo de la versión de pensamiento extendido.

• Tiempo hasta el primer audio: 1,18 segundos. No es el más rápido —Eleven Realtime Max lo hace en 0,57—, pero es lo suficientemente rápido como para que la afirmación de "sin retrasos de razonamiento" sea creíble.

• Coste combinado: alrededor de 0,84 $ por hora según la normalización de Artificial Analysis. La propia tarifa de Google indica 0,005 $ por minuto de audio de entrada y 0,018 $ por minuto de audio de salida, lo que en una llamada bidireccional continua se acerca más a 1,38 $ la hora; la diferencia es una convención de medición, no una contradicción, y ninguna de las dos cifras debería citarse como si fuera la otra.

Al comparar la cifra agéntica con la cifra de éxito en tareas, surge algo importante. Una tasa de éxito en tareas del 93.2% junto a una finalización agéntica del 30.1% significa que el modelo es muy bueno en las tareas que el arnés considera conversacionales y malo en las que requieren que planifique a través de varios pasos y use herramientas. Son instrumentos distintos, y la discrepancia es el hallazgo. G​emini 3.8 Live mantendrá una mejor conversación que MAI Realtime 1, probablemente. Si agendará la cita al final de esa conversación es una pregunta aparte, y según la única evidencia pública disponible, es la mitad más débil.

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.

Lo que dicen los números de Microsoft, que es un solo número.

MAI Realtime 1 no tiene puntuaciones independientes. Artificial Analysis no incluye el modelo a fecha de 18 de noviembre. Lo que Microsoft publica por su cuenta es una única cifra de precisión en la página del modelo —98,8 % en Big Bench Audio, etiquetada allí como precisión en preguntas de razonamiento hablado de ese benchmark—, además de una tarjeta de P50 de tiempo hasta el primer audio y una leyenda «P50 Latency on BigBench Audio». No hay cifra de τ-Voice, ni lista de idiomas admitidos, ni distribución detrás del percentil, ni nota de metodología junto a la cifra de precisión. Compárese eso con el 91,7 % de Gemini 3.8 Live en el mismo benchmark según la medición de Artificial Analysis, y se está comparando la evaluación propia de un proveedor con la de un tercero: las dos cifras no son el mismo tipo de objeto, y tratar el 98,8 % como una victoria de siete puntos sería exactamente el blanqueo que este artículo intenta evitar. La afirmación más amplia de la empresa es que el modelo se sitúa en la frontera de Pareto de rendimiento-precio para Big Bench Audio y τ-Voice, y que supera a GPT Realtime 2.1 en calidad, velocidad y precio —una comparación con el modelo de voz con razonamiento por tokens de OpenAI, no con Gemini 3.8 Live.

Por lo tanto, cualquier comparación directa entre estos dos modelos hoy es una comparación entre un perfil medido por un tercero y la cifra destacada del propio fabricante. Eso no es motivo para omitir el enfrentamiento. Es motivo para ser exactos sobre aquello a lo que cada parte se ha comprometido realmente.

A qué se ha comprometido Microsoft, en concreto: $0.01 por minuto de audio, razonamiento a $1.00 por millón de tokens de entrada y $5.00 por millón de tokens de salida, una interfaz compatible con OpenAI Realtime API, una versión preliminar de Foundry de acceso limitado que no se factura hasta la versión preliminar pública, una demo no comercial de dos minutos en MAI Labs restringida a adultos, un 98.8% reportado por el proveedor en Big Bench Audio con una cifra de latencia P50 y ninguna distribución que la respalde, implementaciones con nombre que llegarán en Dynamics 365 Contact Center y en las simulaciones de formación de enfermería de Dragon Copilot, y pruebas iniciales en Agoda y Reservations.ai.

Aquello a lo que no se ha comprometido: idiomas, τ-Voice, residencia de datos, retención ni una fecha de disponibilidad general (GA).

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'.

La comparación de costos, bien hecha

Solo en la línea de voz, la diferencia no es sutil. Un minuto de audio de G​emini 3.8 Live, entrada y salida combinadas, cuesta $0,023 según la tarjeta de precios de G​oogle. Un minuto de MAI Realtime 1 cuesta $0,01 antes del razonamiento. Aproximadamente 2,3 veces, y a diferencia de la comparativa con ElevenLabs, no hay ninguna tarifa de cumplimiento ni de plataforma del lado de G​oogle que amplíe la diferencia.

Pero la diferencia de costo interesante no está en la tarifa. Está en dónde recae la factura del razonamiento. La respuesta de G​emini 3.8 Live a un turno difícil es un modelo distinto que despliegas —G​emini 3.8 Live Extended Thinking, a 3,50 $ por hora según la base de Artificial Analysis y 82,6 en el índice—. Eso es una decisión de despliegue, con precio por hora de audio tanto si un turno concreto lo necesitaba como si no. La respuesta de MAI Realtime 1 es un escalado por turno con precio por token, que resulta más económico cuando pocos turnos son difíciles y más costoso cuando la mayoría lo son.

• Mayormente turnos fáciles, con escaladas ocasionales — el modelo por token de MAI Realtime 1 gana, y por mucho.

• Principalmente turnos difíciles — la tarifa plana de 3,50 $ por hora de G​emini 3.8 Live Extended Thinking es el instrumento más predecible, y la previsibilidad vale algo cuando se pronostica el presupuesto de un centro de contacto.

• Tráfico mixto sin una división clara: estás eligiendo entre una estimación por hora que puedes defender y una estimación por token que tienes que medir. Son conversaciones de adquisición diferentes.

Vale la pena señalar que el nivel gratuito de G​oogle cubre G​emini 3.8 Live sin cargo por entrada y salida, con límite de velocidad. Para un prototipo, eso es una ventaja real frente a un formulario de registro y una lista de espera.

Los lenguajes, que deciden más enfrentamientos que los benchmarks

Gemini 3.8 Live hereda el comportamiento multilingüe de la API Live, y la documentación de Google considera el diálogo en idiomas distintos del inglés como un uso ordinario. El material de lanzamiento de MAI Realtime 1 no enumera ni un solo idioma compatible. El linaje de voz de Microsoft se remonta a Dragon, un producto de dictado clínico con una sólida implantación en inglés, y el anuncio de Transcribe 2 habla de reducir a la mitad las tasas de error multilingües, pero eso corresponde al modelo de transcripción, no al de tiempo real, y no se trata de una lista de idiomas.

Si tu agente atiende un solo mercado de habla inglesa, esto es una nota al pie. Si atiende tres, {{1}}MAI Realtime 1{{/1}} todavía no es un candidato que puedas evaluar, porque la vista previa no te dirá qué hace en los idiomas que necesitas.

Cómo hacer la comparación antes de que cualquiera de los dos proveedores lo resuelva

Ambos modelos hablan la API Realtime de O​penAI —la Live API de G​oogle a través de su propia superficie, y la de Microsoft explícitamente por diseño—. El lado de G​emini está estrechamente relacionado, pero no es idéntico en semántica de sesión, así que conviene prever un adaptador en lugar de un simple cambio de URL base; el lado de MAI Realtime 1 está más cerca de una sustitución directa según la propia descripción de Microsoft.

La evaluación que decide este enfrentamiento no es una ejecución de benchmark. Es una prueba de finalización de tareas: dale a cada modelo las mismas veinte solicitudes reales que requieren una llamada a una herramienta y un segundo paso, y cuenta cuántas se completan. La cifra agéntica del 30,1 % de G​emini 3.8 Live establece tu expectativa previa: debería completar aproximadamente seis. Si MAI Realtime 1 se acerca a eso, la ventaja de precio no te sirve de nada en esta carga de trabajo. Si se acerca al 87 % que logra Eleven Realtime Max en el mismo banco de pruebas, el diseño de dos niveles de Microsoft está haciendo lo que afirma y el enfrentamiento ha terminado.

Esa evaluación requiere que la capa de razonamiento que hay detrás del modelo de voz esté instrumentada, porque en el lado de Microsoft es donde ocurre realmente el segundo paso. OrcaRouter es el lugar donde se conecta esa capa: más de 200 modelos con una sola clave al precio de lista del proveedor, con un 0 % de margen, conmutación por error automática para que una llamada de razonamiento que se atasca no se convierta en cuatro segundos de silencio en una llamada en vivo, y un DSL de enrutamiento que permite que la ruta de escalado sea una regla en lugar de código que tengas que mantener en el controlador de voz. MAI Realtime 1 en sí no está en nuestro catálogo —se puede acceder a él a través de MAI Labs y de la vista previa de acceso limitado de Foundry—, así que lo que enrutamos es todo aquello a lo que deriva, además de los hermanos de G​emini 3.8 Live si te decantas por la vía de G​oogle.

Qué hace la vista previa con el cronograma de adquisiciones

Ponga las dos rutas de disponibilidad una al lado de la otra y la asimetría deja de tener que ver con los modelos y empieza a tener que ver con cuánto se tarda en saber algo. G​emini 3.8 Live está disponible de forma general en la Live API de G​oogle hoy, con un nivel gratuito que cubre la entrada y la salida con un límite de velocidad, lo que significa que un pico de dos días puede arrojar una cifra de finalización de tareas antes de que termine la semana. MAI Realtime 1 es un formulario de registro, una lista de espera, una demostración no comercial de dos minutos restringida a adultos y una vista previa por la que Microsoft ha dicho que no cobrará hasta que comience la vista previa pública.

Esos son tipos distintos de fricción y favorecen a equipos distintos. Si necesitas una respuesta ahora y la respuesta tiene que ser defendible ante quien firma la factura, G​emini 3.8 Live te ofrece un perfil medido con un arnés público detrás y una tarifa publicada sobre la que puedes debatir. Si te sobra capacidad de ingeniería y no tienes fecha límite este trimestre, la versión preliminar de Microsoft es el experimento útil más barato de la categoría: un centavo por minuto que hoy no cuesta nada, frente a un modelo que ningún tercero ha medido, en una interfaz que probablemente ya hablas.

• Prototipa esta semana, decide el próximo trimestre — cualquiera de las dos opciones funciona, y los planes gratuitos de ambos lados hacen que el experimento sea casi gratis.

• Prototipa esta semana, lanza el mes que viene — G​emini 3.8 Live, porque MAI Realtime 1 no tiene fecha de disponibilidad general ni forma de preverla.

• Los datos no pueden salir de su inquilino ni de su región — ninguna de estas es la respuesta según los términos publicados; G​oogle tiene controles regionales en Live API, Microsoft no ha dicho nada sobre la residencia para Realtime 1.

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.'

Para quién se divide esto

Elige G​emini 3.8 Live si el producto es una conversación. Si el valor está en cómo suena el agente, cómo maneja las interrupciones, qué tan rápido responde y qué tan bien funciona en seis idiomas, tiene el mejor perfil medido de cualquier opción de su franja de precio y un nivel gratuito para comprobarlo. La puntuación agéntica del 30,1 % solo importa si tus llamadas necesitan terminar en una acción completada en lugar de un intercambio bien gestionado.

Tómate MAI Realtime 1 en serio si el producto es una transacción —una reserva, una reclamación, una consulta que abarca varios sistemas— y si puedes convivir con que solo esté en inglés hasta que Microsoft publique lo contrario. A un centavo por minuto con una vista previa no facturada, es la forma más barata de averiguar si un enrutador del lado del proveedor supera al de tu lado de la aplicación. El riesgo no es el dinero. Es que estarías desplegando contra un modelo cuya única cifra de precisión publicada es su propio 98,8 %, sin una nueva ejecución que la respalde, sin puntuación τ-Voice, sin lista de idiomas y sin distribución de latencia, y la única parte que puede cerrar esa brecha este mes eres tú, con tu propia instrumentación.

Lo que ninguna de las dos partes ha hecho es publicar la cifra que lo resolvería: qué fracción de las conversaciones reales necesita el segundo motor. La respuesta de Google es venderte un segundo modelo y dejar que decidas por despliegue. La de Microsoft es decidir en cada turno y cobrarte por ello. Ambos son diseños honestos. Solo uno de ellos es medible hoy, y no es el más barato.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario