Gemini 3.8 Live vs Grok Voice Think Fast 2.0 : l'écart de 0,3 point et la facture multipliée par 3,2

Tant Gemini 3.8 Live que Grok Voice Think Fast 2.0 raisonnent pendant qu'ils parlent — ou plutôt, tous deux le font dans la configuration qui est réellement en lice pour le sommet du classement, ce qui, pour Gemini 3.8 Live, signifie la variante Extended Thinking plutôt que le palier standard. Leurs créateurs ont présenté les deux comme premiers sur le Speech to Speech Index d'Artificial Analysis. Une seule de ces affirmations est actuellement lisible sur le tableau public, et l'écart entre les deux leaders est de 0,3 point — à peine plus grand que la marge qui sépare des modèles adjacents ailleurs sur le même graphique, ce qui revient à dire qu'il ne s'agit pas d'une véritable différence.

La différence de coût entre les deux n’est pas de 0,3 point. C’est un facteur de 3,2.

Cette asymétrie est tout l’enjeu, et c’est ce qu’il faut comprendre avant de lire l’annonce de l’un ou l’autre des fournisseurs.

Deux revendications de la première place

Lorsque xAI a annoncé Grok Voice Think Fast 2.0 fin juillet 2026, les chiffres rapportés le situaient à 82,9 % sur l’Indice de qualité parole-à-parole d’Artificial Analysis, devant GPT-Realtime-2.1 à 79,1 % et Gemini 3.1 Flash à 69,5 %. Plusieurs médias indépendants ont repris cette présentation et ont décrit le modèle comme le meilleur au monde pour la voix.

Dans le classement capturé le 16 septembre 2026, après le lancement de Google, le même modèle apparaît comme Grok Voice Think Fast 2.0 High à 81,3. Pas 82,9. Et la ligne du haut est maintenant Gemini 3.8 Live Extended Thinking à 82,6.

Le conseil au complet, dans l’ordre :

• Gemini 3.8 Live Extended Thinking — 82,6

• GPT-Live-1 (backend Astra, effort moyen) — 81,5

• Grok Voice Think Fast 2.0 High — 81,3

• GPT-Live-1 (backend Sol, faible effort) — 80,1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73,9

• Gemini 3.1 Flash Live High — 71.5

Deux leçons figurent dans cette liste, et aucune ne porte sur la question de savoir quel modèle est meilleur. La première est que les scores d'indice communiqués par les fournisseurs ne tiennent pas dans la durée : le 82,9 de xAI n'a pas survécu sur le classement public, qui affiche désormais 81,3. Il ne s'agit pas d'une accusation de malhonnêteté — les indices composites sont révisés, les configurations diffèrent, et un chiffre de juillet mesuré par rapport au paysage de juillet n'est pas faux, il est simplement daté. Mais cela signifie que le seul chiffre sur lequel vous devriez vous baser est celui que vous lisez vous-même, daté. La seconde est que l'écart de 0,3 point entre la première et la troisième place, ici, ne constitue pas une différence de qualité significative. Quiconque choisit entre ces deux modèles sur la base de ce chiffre fait un choix fondé sur du bruit.

Lisez les composants, pas le composite

Les composites cachent des arguments. Le Speech to Speech Index est une moyenne pondérée du raisonnement vocal, de la performance agentique, de la préférence en arène et du taux de réussite des tâches — et les deux modèles de cette confrontation ne sont pas proches sur deux de ces quatre.

C’est là que l’affirmation de Google devient vraiment intéressante, car tout l’argumentaire de Grok reposait sur la performance agentique :

• Performances agentiques (τ-Voice) — Google rapporte 68,6 % pour Gemini 3.8 Live Extended Thinking. xAI rapporte 56,5 % pour Grok Voice Think Fast 2.0, soit environ 11 points d'avance sur les 45,7 % de GPT-Realtime-2.1 et environ 19 points d'avance sur les 37,7 % de Gemini 3.1 Flash à l'époque. Si les chiffres des deux fournisseurs se confirment, Google a pris à xAI la tête d'une catégorie qu'il dominait d'environ 12 points.

• Raisonnement vocal (Big Bench Audio) — Google rapporte 97,7 % pour le modèle Extended Thinking. xAI rapporte 97,2 % pour Grok. Pratiquement à égalité.

• Réussite des tâches sur les workflows bancaires — Google rapporte 35,1 % sur le benchmark τ-Voice-banking de Sierra. xAI n'a pas publié de chiffre directement comparable.

• Dynamique conversationnelle (Full Duplex Bench) — Grok rapporte 95,1 %, légèrement en retrait des 95,7 % de GPT-Realtime-2.1 et bien devant les 74,3 % de Gemini 3.1 Flash à l'époque. Google n'a publié aucun chiffre Full Duplex Bench pour Gemini 3.8 Live Extended Thinking.

La note d'honnêteté compte ici plus que d'habitude. Les 68,6 %, 35,1 % et 97,7 % sont les propres chiffres de Google, publiés sur le blog de Google, et personne en dehors de Google ne les a reproduits. Les 56,5 %, 97,2 % et 95,1 % pour Grok proviennent de xAI ou d'Artificial Analysis et sont, dans le cas du positionnement dans l'indice, vérifiables publiquement. Les seuls chiffres de cette comparaison que l'on puisse lire de manière indépendante sont les deux scores d'indice : 82,6 et 81,3. Tout le reste est une affirmation contre une autre, et les affirmations sont faites par des parties ayant un intérêt dans le résultat.

Ce qu'on peut dire sans risque : Google revendique une large avance sur la dimension précise que xAI a invoquée pour justifier son augmentation de prix. Si cette affirmation résiste à des tests indépendants, ce duel est terminé sur le plan des capacités. Dans le cas contraire, l'écart d'indice de 0,3 point constitue toute la différence et l'écart de prix devient indéfendable.

La facture : 1,50 $ contre 4,80 $ de l'heure

Le coût est l'élément de cette comparaison qui ne dépend de la méthodologie de benchmark de quiconque, car il s'agit d'un tarif publié.

Grok Voice Think Fast 2.0 est proposé à 0,08 $ par minute d’audio, soit environ 4,80 $ l’heure. Cela représentait une augmentation de 60 % par rapport aux 3,00 $ l’heure de Think Fast 1.0, et les utilisateurs de l’alias grok-voice-latest ont été migrés automatiquement le 5 août 2026 — les développeurs qui voulaient rester sur l’ancien modèle devaient épingler l’identifiant versionné avant cette date ou accepter le changement.

Gemini 3.8 Live a été annoncé à 0,005 $ par minute d'audio en entrée et 0,018 $ par minute d'audio en sortie. Le graphique du coût par heure d'audio en entrée d'Artificial Analysis le situe à 1,50 $ par heure — soit exactement 3,2 fois moins cher que les 4,80 $ de Grok. Pour contexte, le même graphique indique GPT-Realtime-2 High à 4,14 $, Qwen Audio 3.0 Realtime Plus à 4,42 $ et GPT-Realtime-2.1 High à 10,75 $.

La physionomie du marché dans cette liste mérite une phrase. L'entrée la moins chère du classement est un Gemini — Gemini 3.1 Flash Live à 1,42 $ l'heure — et la deuxième moins chère est Gemini 3.8 Live à 1,50 $. Google a positionné son modèle vocal le plus récent comme la deuxième option la moins chère de la catégorie, en dessous de modèles avec lesquels il rivalise sur la qualité.

Remarquez ce que cela signifie pour tous ceux qui ont migré vers Grok en août. Entre l'augmentation de prix et le lancement de Google, la même charge de travail est passée de 3,00 $ l'heure à 4,80 $ l'heure d'un côté de cette confrontation, et est devenue disponible à 1,50 $ l'heure de l'autre. Rien n'a changé dans les modèles pour provoquer cela. Les décisions de routage prises en juillet coûtent désormais plus du double de ce que coûte l'alternative, ce qui est précisément la situation qu'un routeur est censé éviter.

Là où Grok reste en tête

Deux choses, et l'une d'elles n'est pas près d'arriver.

Latence. Grok Voice Think Fast 2.0 a réduit le délai avant le premier son de 1,25 seconde à 0,70 seconde, soit le chiffre publié le plus rapide de la catégorie. Google n'a publié absolument aucun chiffre de latence pour Gemini 3.8 Live — seulement des témoignages de partenaires décrivant une « latence impressionnante ». Lors d'un appel téléphonique, 0,70 seconde fait la différence entre une conversation et un retard, et c'est la seule dimension où l'affirmation de xAI est à la fois précise et incontestée. Si votre produit relève de la téléphonie, cela peut l'emporter sur tout ce qui précède.

Robustesse de la transcription. xAI a évalué le taux d’erreur sur les mots sur des milliers de phrases courtes dans 24 langues et rapporte une erreur 1,5 à 2,0 fois inférieure à celle de modèles STT dédiés, notamment Deepgram Nova 3 et ElevenLabs Scribe v2, 1,4 fois inférieure à Think Fast 1.0, et une erreur environ 10 fois inférieure dans des contextes bruyants impliquant du bruit de fond et une compression téléphonique. Ces chiffres sont rapportés par le fournisseur et non vérifiés indépendamment, et l’affirmation concernant l’environnement bruyant est celle à tester en premier, car c’est la plus précise et la plus facile à réfuter.

Grok présente également des capacités pratiques pour les développeurs qui méritent d’être signalées : une API WebSocket compatible avec OpenAI Realtime, du PCM16 à 24 kHz avec μ-law pour la téléphonie, une détection d’activité vocale côté serveur, des jetons éphémères pour les applications navigateur, un clonage vocal personnalisé à partir d’environ une minute de parole, et un volume de jetons de raisonnement d’environ 0,4× celui de la version précédente.

Là où mène Gemini 3.8 Live Extended Thinking

Au-delà du placement dans l’index et de l’écart agentique revendiqué, les éléments de différenciation sont structurels :

• Vision — Gemini 3.8 Live traite les entrées visuelles en temps quasi réel. Grok Voice Think Fast 2.0 ne dispose d'aucun ancrage visuel comparable.

• Couverture linguistique — 97 langues prises en charge avec bascule automatique en cours de conversation, contre les 25+ de Grok.

• Raisonnement narré — la variante Extended Thinking parle pendant qu'elle travaille, en employant des indices comme « Laissez-moi vérifier… » et une narration de la progression en direct, un comportement plus lisible pour un utilisateur qui attend une tâche en plusieurs étapes.

• Filigrane — tous les contenus audio générés portent SynthID.

• Coût — 3,2× moins cher par heure d'audio d'entrée.

Les contrepoids sont réels. Google n’a publié aucun chiffre de latence, aucune fenêtre de contexte ni aucun chiffre par composant que quiconque à l’extérieur de l’entreprise ait reproduit. Sa disponibilité est une préversion, pas une disponibilité générale : les développeurs y ont accès dans l’API Gemini et Google AI Studio, les entreprises en préversion privée dans Gemini Enterprise, et les consommateurs via Gemini Live, Docs Live, Gmail Live et Keep Live. Le modèle de Grok est en disponibilité générale aujourd’hui et son API est documentée.

La couche sur laquelle ils reposent tous les deux

Une similitude structurelle est facile à manquer et compte plus que l’une ou l’autre des fiches techniques. Les deux modèles délèguent. Le raisonnement parallèle de Grok se termine presque toujours par un appel d’outil ou une recherche, et l’exécution d’outils en arrière-plan de Google est explicitement conçue pour que la conversation se poursuive pendant que les appels API se terminent. Sous les deux interfaces vocales se trouve une charge de travail ordinaire de modèle textuel — et c’est là que résident la majorité de votre coût global et la quasi-totalité de votre flexibilité de changement.

OrcaRouter fait tourner 190 modèles derrière une seule clé, au prix catalogue du fournisseur et sans marge, ce qui signifie qu'une baisse de prix d'un fournisseur est effective de notre côté le jour même, et non à la prochaine échéance de renouvellement. Ce n'est pas rien dans une catégorie où un grand modèle a augmenté son tarif à la minute de 60 % en quelques semaines. L'autre propriété qui compte pour la voix, c'est le basculement automatique : un appel qui échoue parce qu'un backend a expiré est un client perdu, et la possibilité de changer la cible de délégation sur du trafic en direct sans réécrire l'intégration vocale est ce qui rend le choix du front-end réversible. Pour être précis sur le périmètre — les points de terminaison Grok Voice Think Fast 2.0 et Gemini 3.8 Live ne sont pas sur notre routeur ; ils proviennent des API propres aux fournisseurs. Les modèles texte auxquels ils délèguent, en revanche, le sont généralement.

Qu'est-ce qui réglerait ça

Cette confrontation est étonnamment facile à trancher, car la preuve décisive est précise et en suspens. Trois choses suffiraient :

• Independent τ-Voice fonctionne sur Gemini 3.8 Live Extended Thinking. Google revendique 68,6 % contre 56,5 % pour Grok. Il s'agit d'une affirmation de 12 points dans une catégorie où Google n'a historiquement pas été leader, et c'est le seul chiffre qui modifie le plus le verdict.

• Un chiffre de latence publié.Tant que Google n'en publie pas, le 0,70 seconde de Grok reste sans rival et les acheteurs en téléphonie n'ont qu'un seul choix défendable.

• Disponibilité générale et tarification stable.La tarification en préversion évolue. Un tarif horaire de 1,50 $ qui double lors du passage en disponibilité générale réécrirait complètement cette comparaison.

Jusqu'à ce que ceux-ci arrivent, la position défendable est plus étroite que ne le suggère l'une ou l'autre annonce. Grok Voice Think Fast 2.0 reste le bon choix lorsque la latence est la contrainte et que la charge de travail est de type téléphonie. Gemini 3.8 Live Extended Thinking est le bon choix lorsque la profondeur de raisonnement, la vision ou l'étendue linguistique importent et que vous pouvez tolérer un statut de préversion et une latence non publiée. Et les 0,3 point qui les séparent ne devraient rien décider — le facteur 3,2× devrait le faire.