Grok Voice 3.0 vs Gemini 3.8 Live : Google vend deux modèles vocaux et un seul d'entre eux participe à ce combat

La réponse de Google à Grok Voice 3.0 coûte 0,84 $ l'heure. C'est le chiffre du coût horaire d'audio en entrée d'Artificial Analysis pour Gemini 3.8 Live dans sa configuration standard, et c'est 5,7 fois moins cher que les 4,80 $ l'heure facturés par Grok Voice 3.0. C'est aussi le mauvais modèle à comparer. Le Gemini 3.8 Live qui rivalise réellement avec le nouveau fleuron de SpaceXAI — celui qui obtient 82,6 sur le Speech to Speech Index contre 86,9 pour Grok — est la variante Extended Thinking, et il coûte 3,50 $ l'heure. Le véritable écart entre ces deux modèles est de 1,37×, et non de 5,7×, et choisir la mauvaise ligne dans le tableau des tarifs est l'erreur la plus coûteuse possible dans cette confrontation.

C'est la première fois que cette catégorie dispose d'une véritable frontière prix-qualité plutôt que d'un leader et d'une alternative moins chère. Grok Voice 3.0 est arrivé le 14 octobre 2026 à 0,08 $ par minute, au même tarif que Grok Voice 2.0, avec 86,9 sur l'indice et un temps jusqu'au premier son inférieur à la seconde. Gemini 3.8 Live a été lancé le 15 septembre 2026 en deux configurations qui se comportent comme deux produits différents, dont l'une est un champion des coûts et l'autre un système de raisonnement qui se trouve être capable de parler.

Les deux modèles Google ne sont pas des niveaux l'un de l'autre

La propre présentation de Google les distingue par tâche plutôt que par taille. Le modèle standard est décrit comme conçu pour l’échelle et l’efficacité des coûts, avec un dialogue fluide et un ancrage visuel. La variante Extended Thinking est décrite comme conçue pour des tâches très complexes, avec un raisonnement en plusieurs étapes qui narre sa progression à voix haute pendant qu’elle travaille.

L’écart mesuré entre eux n’est pas un gradient de qualité. C’est une rupture de catégorie :

• Accomplissement de tâches agentiques, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6 % vs Gemini 3.8 Live 30,1 %. Même fournisseur, même version, même famille sous-jacente, 38,5 points d’écart.

• Speech to Speech Index — 82,6 pour Extended Thinking avec un effort de raisonnement élevé, contre 76,0 pour le modèle standard.

• Coût par heure d'audio en entrée — 3,50 $ vs 0,84 $.

• Temps jusqu’au premier audio — 1,35 seconde pour Extended Thinking contre 1,18 seconde pour le modèle standard, les deux mesurés par Artificial Analysis.

Lorsqu’un document d’achat demande si Gemini 3.8 Live est moins cher que Grok Voice 3.0, il n’y a pas de réponse unique. Par rapport au modèle standard, xAI coûte presque six fois plus cher et se situe 10,9 points d’indice devant. Par rapport à Extended Thinking, xAI est 37 % plus cher sur l’audio et a 4,3 points d’avance. Ce sont des décisions différentes qui portent le même nom de modèle.

Face à face, avec le bon Gemini

Mettez un instant de côté la variante standard et comparez les deux modèles qui se disputent réellement la tête du classement. Chaque chiffre ci-dessous provient des propres tests d’Artificial Analysis du 13 octobre 2026 pour Grok Voice 3.0 et du classement de septembre pour Gemini 3.8 Live Extended Thinking at High effort.

• Indice parole à parole — Grok Voice 3.0 86,9 vs Gemini 3.8 Live Extended Thinking 82,6. Un écart de 4,3 points qui est réel mais pas décisif.

Performance agentique, τ-Voice — Grok Voice 3.0 71,6 % contre Gemini 3.8 Live Extended Thinking 68,6 %. Trois points, et ce qui s’approche le plus d’une égalité au tableau.

• Raisonnement vocal Big Bench Audio — Grok Voice 3.0 98,5 % contre 97,7 % rapporté par Google. Les deux sont effectivement au plafond ; cette dimension ne discrimine plus.

• Préférence de Speech Agent Arena — Grok Voice 3.0 à 1070 Elo, le plus élevé du classement. Le modèle de Google ne tient pas l’arène.

• Prix par minute d'audio — Grok Voice 3.0 0,08 $ en entrée comme en sortie ; Gemini 3.8 Live 0,005 $ par minute d'audio en entrée et 0,018 $ par minute d'audio en sortie.

• Délai avant le premier son — Grok Voice 3.0 : 0,81 seconde ; Gemini 3.8 Live Extended Thinking : 1,35 seconde et le modèle standard : 1,18 seconde selon la mesure d’Artificial Analysis. Les documents de Google eux-mêmes ne publient aucun chiffre de latence.

• Coût par tâche accomplie, Big Bench Audio — Grok Voice 3.0 : 0,025 $ par tâche. Aucune des deux variantes de Google ne dispose d'un chiffre publié.

• Disponibilité — Grok Voice 3.0 est facturé et disponible, avec un avis de dépréciation concernant son prédécesseur ; Gemini 3.8 Live est une préversion sans date de disponibilité générale, sans chiffre de disponibilité publié et sans taux que Google se soit engagé à maintenir.

• Couverture linguistique — Gemini 3.8 Live bascule entre 97 langues prises en charge en cours de conversation ; le niveau de reconnaissance vocale de xAI recense plus de 38 langues.

• Entrée visuelle — Gemini 3.8 Live traite une entrée visuelle quasi en temps réel ; Grok Voice 3.0 n’a pas d’ancrage visuel comparable.

La seule dimension où le silence de Google est révélateur

Remarquez l’asymétrie dans cette liste. Grok Voice 3.0 commence à parler en 0,81 seconde. Gemini 3.8 Live Extended Thinking commence en 1,35 et le modèle standard en 1,18, tous deux d’après la mesure d’Artificial Analysis — ce qui rend le Gemini sans raisonnement plus lent à commencer un tour que la version avec raisonnement, une anomalie qui est presque certainement l’effet de la variante de raisonnement narrant sa progression à voix haute pendant qu’elle travaille, plutôt que d’un chemin réellement plus rapide.

La documentation de lancement de Google elle-même ne publie aucun chiffre de latence pour l’un ou l’autre des modèles, seulement des propos de partenaires sur une latence impressionnante. Cela compte parce que le délai avant le premier son est la dimension où les produits vocaux réussissent ou échouent aux yeux des personnes qui les utilisent, et c’est la dimension sur laquelle Google a choisi de ne pas donner de chiffre. Si votre produit relève de la téléphonie, où 0,81 seconde fait la différence entre une conversation et un délai, la mesure d’un concurrent concernant votre fournisseur n’est pas la même chose que l’engagement de votre fournisseur. Testez avant de vous engager, et surveillez l’annonce de disponibilité générale pour voir si un chiffre y apparaît.

L'ancrage visuel joue en sens inverse et tourne sans ambiguïté à l'avantage de Google. Un modèle capable de traiter de la vidéo en quasi temps réel peut résoudre ce que l'audio ne peut pas : ce à quoi « this » fait référence, si la personne qui pose la question regarde la chose sur laquelle elle s'interroge, si le bruit sur la ligne est une machine que l'on peut voir. Grok Voice 3.0 est un modèle audio avec des outils. Il s'agit d'une véritable frontière de capacités, et non d'une différence de configuration, et aucun score d'indice, quelle qu'en soit l'ampleur, ne la comble.

Ce que la différence de prix achète réellement

Faites le calcul sur une charge de travail réelle. Dix mille minutes de voix par jour, trente jours par mois, trois cent mille minutes.

• Grok Voice 3.0 — 0,08 $ par minute, soit 24 000 $ par mois.

• Gemini 3.8 Live Extended Thinking — à partir de 3,50 $ par heure d’audio d’entrée, environ 17 500 $ par mois pour le même volume, avec une grille tarifaire publique qui facture séparément l’entrée et la sortie.

• Gemini 3.8 Live standard — environ 4 200 $ par mois, pour un modèle qui complète 30,1 % des scénarios τ-Voice.

Cette ligne du milieu, c'est toute la décision. Pour environ 6 500 $ par mois de moins que le fleuron de xAI, Google vend un modèle qui, en statut d'aperçu, accuse 4,3 points d'indice de retard sur celui-ci — un écart assez faible pour que toute équipe dont l'agent effectue un véritable travail en plusieurs étapes teste les deux sur ses propres enregistrements plutôt que de se fier à un classement. La ligne du bas est un piège, sauf si votre interface vocale est conversationnelle et que l'accomplissement des tâches se fait ailleurs dans la pile — ce qui est le cas pour une large part des produits vocaux déployés.

Il reste une mesure qu’il vaut la peine de reporter dans ce tableur, car elle inverse en partie la donne. La mesure par tâche d’Artificial Analysis sur Big Bench Audio place Grok Voice 3.0 à 0,025 $ pour accomplir une tâche, contre 0,030 $ pour GPT Live 1 dans sa configuration Astra medium. Le coût par tâche accomplie, et non le coût par heure, est le chiffre qui survit au contact d’une réunion budgétaire — un modèle moins cher qui nécessite une deuxième tentative n’est pas moins cher. Aucun des deux fournisseurs ne publie ce chiffre pour la paire Gemini, ce qui est une autre case vide où l’option la moins chère n’a pas été mesurée sur l’axe qui compte.

Quand un routeur est utile et quand il ne l'est pas

Soyez précis à ce sujet, car la réponse réflexe est fausse. OrcaRouter ne sert ni l’un ni l’autre des points de terminaison temps réel. Grok Voice 3.0 provient de l’API propre de xAI et Gemini 3.8 Live de celle de Google, et aucun routeur ne peut s’interposer sur un WebSocket audio duplex appartenant à un seul fournisseur. Si quelqu’un vous dit que sa plateforme vous permet de basculer entre ces deux en cours d’appel, il décrit quelque chose qui n’existe pas.

Ce qui est routable, c'est tout ce qui les entoure. Un déploiement vocal, c'est un modèle vocal plus une pile texte — le classifieur qui attribue un code de disposition après l'appel, le générateur de résumé qui rédige la note CRM, la récupération qui répond à la question que le modèle vocal a dû transférer, le modèle qui lit la transcription pour la conformité. Cette couche est de l'inférence ordinaire facturée à la requête, c'est là qu'une part significative du coût par appel s'accumule, et c'est la couche que nous opérons : plus de 200 modèles de langage derrière une seule clé, au prix catalogue du fournisseur, sans marge, basculement automatique en cas de dégradation d'un fournisseur, et un DSL de routage qui vous permet de composer plusieurs modèles en un seul appel plutôt que d'en choisir un à l'avance. Comme le prix catalogue est répercuté sans changement, une baisse de prix d'un fournisseur sur l'un de ces modèles est effective de notre côté le jour même. La minute audio que vous payez à Google ou xAI est la même minute dans les deux cas ; le raisonnement derrière, c'est la partie que vous pouvez choisir.

La règle de décision

Trois réponses, et elles découlent des composants plutôt que de l'indice.

Choisissez Grok Voice 3.0 si votre charge de travail est agentique, sensible à la latence et qu’elle passe en production ce trimestre. Il détient la première place du composite, il détient celle de l’arène, il détient le temps de démarrage à la parole publié le plus rapide parmi les modèles de pointe, et il est tarifé et pris en charge avec un parcours de dépréciation plutôt qu’un avis de préversion.

Choisissez Gemini 3.8 Live Extended Thinking si vous avez besoin d’ancrage visuel, si vous avez besoin de 97 langues plutôt que de 38, ou si vous consommez suffisamment de minutes vocales pour qu’une différence de 1,30 $ l’heure compte plus que 4,3 points d’indice — et acceptez de bâtir sur une preview sans engagement de disponibilité.

Choisissez le Gemini 3.8 Live standard uniquement si vous avez mesuré votre propre trafic et confirmé que la partie multi-étapes de vos appels est déjà traitée en dehors du modèle vocal. Sur le papier, c’est l’option la moins chère de la catégorie, et de loin. Sur l’axe τ-Voice, il échoue dans environ sept scénarios sur dix, et rien dans l’index ne vous le dit avant que vous ne regardiez.

Ce qui changerait cette page : une date de disponibilité générale et un chiffre de latence de Google, qui, ensemble, feraient de l’option la moins chère la plus sûre ; ou un mouvement de prix de xAI, qui est le seul levier que son concurrent ne peut égaler, étant donné que le tarif du modèle phare est resté constant pendant toute une génération de modèles.

C'est aussi dans des comparaisons comme celle-ci que les modes de défaillance apparaissent : les incidents d'IA et les défaillances d'agents documentés derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et un indicateur de contestation.