GPT-Live-1.1 vs Gemini 3.8 Live : six nouvelles langues face à quatre-vingt-dix-sept, et pourquoi cet écart ne raconte pas toute l'histoire

Comptez les langues et le combat semble terminé avant même d'avoir commencé. Gemini 3.8 Live, annoncé par Google DeepMind le 15 septembre 2026, prend en charge 97 langues avec une bascule automatique en cours de conversation depuis son lancement. GPT-Live-1.1, déployé par OpenAI le 15 octobre 2026, ajoute treize nouvelles options vocales — deux pour chacune des langues suivantes : le français, l'allemand, l'hindi, le japonais, le coréen et l'espagnol mexicain, plus une voix anglaise appelée Bubbie. Six nouvelles langues contre quatre-vingt-dix-sept, c'est un ratio qui ne demande aucune réflexion.

C'est aussi une comparaison entre une semaine de travail et une année de couverture, et c'est pourquoi le nombre qui met fin au débat n'est pas celui qui devrait le trancher. Les deux versions mesurent des choses différentes : le chiffre de Google décrit quelle part du monde la session peut contenir, celui d'OpenAI décrit quels accents sonnaient manifestement faux auparavant et ne le sont plus. Pour un acheteur, la question utile n'est pas de savoir quel nombre est le plus élevé. C'est de savoir auquel des deux vous pouvez réellement faire appel, et ce qui arrive au reste de votre stack lorsque vous le faites.

La disponibilité est là où la comparaison ne tient plus.

Commencez par là, car c'est le point où ces deux modèles cessent d'être des alternatives.

GPT-Live-1.1 est un déploiement grand public. Il est arrivé dans ChatGPT Voice le 15 octobre 2026, aux côtés d'un second modèle, GPT-Live-1.1 Quip, qui succède à GPT-Live-1 mini et devient le modèle par défaut pour les comptes en dessous de Plus. L'annonce d'OpenAI précise explicitement que l'API est un événement ultérieur — « bientôt disponible sur l'API » — et la documentation le confirme : la page des modèles liste encore gpt-live-1 et gpt-live-transcribe et rien de plus récent, et gpt-live-1.1 renvoie une 404 en tant que page de modèle. Il n'existe aucun ID de modèle, aucune limite de débit et aucun prix pour GPT-Live-1.1 où que ce soit accessible à un développeur.

Gemini 3.8 Live est le cas opposé. C'est un modèle API avec un tarif publié — 0,005 $ par minute d'entrée audio et 0,018 $ par minute de sortie audio — et il peut être appelé depuis le jour de son annonce, la variante Extended Thinking étant distribuée via Gemini Live, Docs, Gmail et Keep pour les abonnés à AI. La disponibilité en entreprise de Google reste un aperçu privé sans engagement de disponibilité générale, ce qui est une contrainte réelle en soi, mais c'est un type de contrainte différent de l'absence totale de point de terminaison.

Ainsi, l'un des deux est quelque chose que vous pouvez acheter, et l'autre est quelque chose que vous pouvez utiliser. Cette asymétrie a plus de conséquences que n'importe quel benchmark situé en dessous, et c'est précisément ce que la plupart des comparaisons de ces deux modèles lors de leur semaine de lancement passent sous silence.

Ce que 97 contre six mesure réellement

L’écart est réel. Si vos appelants parlent polonais ou thaï, Gemini 3.8 Live est le seul des deux à pouvoir prendre l’appel, et rien d’autre dans cet article ne compte.

Ce que le chiffre ne mesure pas, c’est la qualité à l’intérieur du chevauchement, et c’est dans le chevauchement que se trouve presque toute la demande.

• Ce que 97 achète — une couverture longue traîne et la possibilité de changer de langue en pleine phrase sans interrompre la session. Pour une ligne d'assistance couvrant une douzaine de marchés européens, cette seule fonctionnalité, c'est le produit.

• Ce que six apporte — de la profondeur sur les marchés où la génération précédente sonnait manifestement faux. L'affirmation d'OpenAI porte sur le naturel de l'accent plutôt que sur la compréhension, et les six langues choisies font partie des plus grands marchés vocaux non anglophones plutôt que d'un échantillon aléatoire. Les notes de version décrivent aussi un éventail plus large de phrases courtes pour signaler que le modèle est en train de chercher, ce que les utilisateurs entendent comme « vérification… ».

• Ce qu'aucun des deux chiffres ne vous dit — comment tout cela sonne. Il n'existe aucun benchmark d'accent public et reproductible, ni aucun score indépendant de qualité vocale pour l'un ou l'autre modèle, dans l'un ou l'autre ensemble de langues. Les deux chiffres sont des décomptes de fournisseurs des options de paramètres régionaux prises en charge, et les deux fournisseurs les publient sans méthode associée.

La conséquence pratique est que le nombre de langues est un filtre de présélection, et non un critère de décision. Si vos appelants parlent l’une des sept langues ci-dessus, ce nombre n’a pas d’importance et la qualité de l’accent devient un test d’écoute que vous réalisez vous-même. S’ils ne parlent aucune de ces langues, la décision a déjà été prise pour vous.

Le conseil indépendant, et le problème de la variante

Là où il existe une mesure indépendante, elle concerne la génération précédente côté OpenAI. Sur l'Artificial Analysis Speech to Speech Index, d'après le tableau tel qu'il se présentait le 16 octobre 2026 :

• Grok Voice 3.0 — 86.9

• GPT-Live-1 (Astra backend, effort moyen) — 83.2

• Gemini 3.8 Live Extended Thinking (High) — 82,6

• Grok Voice 2.0 — 81,3

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

• Gemini 3.8 Live — 76,0

• GPT-Realtime-2.1 High — 75.2

• Grok Voice 1.0 — 73,7

• GPT-Realtime-2 (High) — 73,6

• Gemini 3.1 Flash Live High — 72.0

Deux choses découlent de ce classement. Premièrement, le modèle cité en deuxième position dans le titre de cet article se classe sixième, tandis qu’une variante de l’autre se classe troisième — le 82,6 qui est cité appartient à Gemini 3.8 Live Extended Thinking, une configuration différente avec un déploiement plus restreint. Deuxièmement, il n’y a aucune ligne GPT-Live-1.1 nulle part sur le tableau, donc le successeur est représenté ici par le nombre que son prédécesseur a obtenu.

Lu par rapport à la configuration standard — 76,0 pour Gemini 3.8 Live contre 83,2 pour GPT-Live-1 —, la famille OpenAI devance de 7,2 points, d'après les éléments du prédécesseur. Lu par rapport à la variante Extended Thinking, l'écart est de 0,6 point dans l'autre sens, ce qui reste dans la marge de variation à laquelle on peut s'attendre pour un classement réexécuté à mesure que des modèles sont ajoutés. Aucune de ces deux lectures ne constitue une mesure de GPT-Live-1.1, et il vaut mieux le dire sans détour : les éléments fournis par le successeur lui-même consistent en une déclaration de fiche système indiquant qu'il atteint la parité avec GPT-Live-1 sur les prompts de production, ce qui est une affirmation de non-régression, et non un score.

Là où l’architecture les sépare encore

La différence du full-duplex n'a pas disparu. Elle a simplement cessé d'être décisive.

GPT-Live-1.1 hérite de la structure de GPT-Live-1 : l'audio en entrée et l'audio en sortie traités en continu au sein d'un seul modèle, aucune chaîne reconnaissance vocale → modèle de langage → synthèse vocale, des backchannels comme « mhmm » produits nativement, et l'interruption gérée en décidant plusieurs fois par seconde s'il faut continuer à parler ou céder la parole. Cela reste ce que les systèmes en mode tour par tour ratent, et Gemini 3.8 Live est toujours en mode tour par tour.

Ce que fait Gemini 3.8 Live à la place, c'est garder la session productive pendant qu'un tour est en cours : traitement quasi temps réel des entrées visuelles, exécution en arrière-plan d'outils et d'API qui accuse réception d'une requête et maintient la conversation en vie pendant que l'appel s'achève, et une variante Extended Thinking qui narre sa progression à voix haute. La réponse de Google au problème du silence consiste à remplir le silence par du travail plutôt qu'à supprimer la frontière de tour. Les deux approches empêchent un appelant de raccrocher ; elles échouent différemment, et les modèles à tours peuvent encore mal interpréter une pause.

L’entrée visuelle est le coût concret de ce compromis. La caméra et le partage d’écran font partie des fonctionnalités de Gemini 3.8 Live depuis son lancement, et la documentation d’OpenAI pour la famille Live indique explicitement que l’entrée d’images et de vidéos n’est pas prise en charge — une limitation qui se répercute sur GPT-Live-1.1, puisque les pages d’aide grand public de la nouvelle version répètent que Live ne prend pas en charge la vidéo ni le partage d’écran. Si votre agent a besoin de regarder quelque chose, cela tranche la comparaison avant même le moindre benchmark.

La comparaison des coûts, avec l’astérisque attaché

Sur les tarifs front-end publiés, Google est nettement moins cher. Gemini 3.8 Live facture 0,018 $ par minute de sortie audio, contre 0,05 $ par minute vocale pour GPT-Live-1, et ce 0,05 $ est le seul chiffre à la minute qu'OpenAI a publié pour la famille Live — il appartient au modèle plus ancien, et aucun tarif n'a été annoncé pour GPT-Live-1.1, car aucun endpoint n'existe auquel en rattacher un.

L'astérisque, c'est qu'aucun des deux chiffres ne constitue la facture. Les 0,05 $ de GPT-Live-1 ne couvrent que le front-end vocal. Le raisonnement s'effectue sur un modèle textuel délégué, et la documentation Live d'OpenAI indique clairement que les appels à Responses côté backend sont facturés au tarif normal du modèle configuré — ainsi, 5 cents par minute de temps vocal deviennent trois dollars l'heure de temps vocal avant même qu'un seul token de raisonnement ne soit compté. Gemini 3.8 Live présente exactement la même configuration : l'exécution d'outils en arrière-plan est du travail de modèle textuel, facturé aux tarifs des modèles textuels que Google n'a pas publiés pour ce produit.

C’est pourquoi tout chiffre de coût horaire que vous voyez pour l’un ou l’autre modèle est un nombre partiel déguisé en total. Une heure de temps vocal GPT-Live-1, c’est 3,00 $ de front-end avant même que le backend ne soit mesuré, et le montant global dépend entièrement du modèle auquel vous déléguez et de la fréquence à laquelle il est appelé. Pour Gemini 3.8 Live, le front-end est moins cher à la minute et le backend n’est pas divulgué. Comparer les deux tarifs affichés ne vous renseigne que sur la moitié la moins chère de chaque facture.

La couche à laquelle tous les deux travaillent à la main

Les deux systèmes délèguent, et c’est ce qui fait que ce duel est moins une décision de verrouillage que ne le suggère le nombre de langues. GPT-Live-1.1 confie par conception les requêtes difficiles à un modèle textuel backend ; l’exécution d’outils en arrière-plan de Gemini 3.8 Live se résout en appels de modèle ordinaires. Dans les deux cas, la couche vocale est une fine façade au-dessus d’un modèle de raisonnement que le fournisseur considère comme configuré et facturé séparément. C’est là que résident les écarts de coûts, que se manifestent les différences de qualité entre configurations, et que le basculement est peu coûteux, car il ne touche pas à l’intégration vocale.

C'est la moitié d'une pile vocale où un routeur gagne sa place, il vaut donc la peine d'être précis sur la frontière. Sur OrcaRouter, la couche de raisonnement, c'est plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur, sans marge, ce qui signifie qu'une baisse de prix en amont arrive de notre côté le jour même plutôt qu'à la prochaine renégociation de contrat — une propriété qui compte plus que d'habitude dans une structure de facturation à deux compteurs où le backend est le compteur qui bouge. Le DSL de routage permet de nommer explicitement la cible de délégation et de la permuter sur le trafic en direct, et le basculement automatique maintient une session en vie lorsqu'un backend renvoie une erreur ou expire en cours d'appel, un mode de défaillance que la voix a et que le texte n'a pas. Une clarification, car il serait facile de laisser entendre le contraire : nous n'hébergeons pas les points de terminaison vocaux GPT-Live-1.1 ou Gemini 3.8 Live. Ceux-ci proviennent des plateformes propres des fournisseurs et, dans le cas de GPT-Live-1.1, il n'existe aucun point de terminaison public à héberger. Les modèles textuels auxquels ces systèmes délèguent le travail sont généralement sur le routeur.

Comment choisir

Choisissez Gemini 3.8 Live si vous devez livrer maintenant, si vos langues vont au-delà des sept nommées ci-dessus, ou si le modèle doit voir quelque chose. Acceptez le fait que vous achetez la configuration standard qui obtient 76,0 à l'indice composite, que le 82,6 généralement cité appartient à la variante Extended Thinking, que l'accès entreprise est une préversion privée, et que le coût global par heure n'est pas non plus publié de votre côté de la facture.

Choisissez GPT-Live-1.1 si la qualité des conversations est le produit et que vos langues figurent dans son ensemble — et si vous pouvez attendre. La prise de parole en duplex intégral reste la référence en matière de naturel, le passage à cette nouvelle version est une véritable amélioration par rapport à GPT-Live-1, et le travail sur les accents cible précisément les langues qui étaient les plus mauvaises auparavant. De plus, aujourd’hui, ce n’est pas quelque chose que vous pouvez appeler depuis du code.

Choisissez GPT-Live-1si vous avez besoin de la voix d'OpenAI et que vous en avez besoin ce mois-ci, car c'est le seul membre de cette famille à disposer d'un identifiant de modèle, d'un point de terminaison documenté et d'un tarif publié.

La date à surveiller est celle où gpt-live-1.1 obtient une page de modèle. C'est à ce moment que cela cesse d'être une comparaison entre un produit commercialisé et une annonce, et que l'affirmation concernant l'accent, le nombre de langues et le prix deviennent tous testables le même après-midi.

Les comparaisons comme celle-ci sont également le lieu où se manifestent les modes de défaillance : les incidents d'IA documentés et les défaillances d'agents derrière les modèles de cette classe sont collectés dans l'Archive des incidents d'IA d'OrcaRouter, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.