GPT-Live-1 לעומת Gemini 3.8 TTS: אחד מנהל שיחה, אחד קורא מתסריט — ורק אחד מהם זול
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 61 tok/s
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 75 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 722 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 36 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 821 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040אינטליגנציה
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 109 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 לכל 1M טוקנים · 185 tok/s
הציבו GPT-Live-1 ו-Gemini 3.8 Flash TTS זה לצד זה על מדד של מחיר לדקה, והתשובה נראית ברורה מאליה. הקריין של Google גובה כ-1.35 סנט לדקה של דיבור מיוצר לפי התעריף של 2026. המודל השיחתי של OpenAI גובה 5 סנט לדקה של קו פתוח — וממשיך לגבות בזמן שהבקאנד חושב, בזמן שהמשתמש עוצר, ובזמן שכלל לא נאמר דבר. פער של בערך פי עשרים ושבעה, לפני שמישהו בכלל שאל אם השניים עושים את אותה עבודה.
הם לא, ובאופן שמעניין יותר מנפנוף הידיים הרגיל של "קטגוריות שונות". Gemini 3.8 Flash TTS לא שומע. GPT-Live-1 לא ניתן להריץ בבאצ'ים. והשמות רק מחמירים את זה יותר מכפי שנדרש, כי הביטוי Gemini 3.8 TTS — התווית שחצי מהאינטרנט משתמש בה — לא מתאימה לשום מודל שאפשר לפנות אליו.
קודם כל, בעיית השם, כי היא קובעת את המחיר שאתה נוקב בו
אין מודל בשם Gemini 3.8 TTS. התיעוד של Google עצמו משתמש בביטוי כשם כולל לשתי נקודות קצה ניתנות לקריאה, והן מתומחרות באופן שונה מספיק כדי שציטוט של נקודת הקצה הלא נכונה יהיה שגיאה ממשית:
• gemini-3.8-flash-tts — השכבה המלאה, יותר מ-130 שפות, 0.50 דולר למיליון טוקנים של טקסט בקלט ו-9.00 דולר למיליון טוקני אודיו בפלט, שיעלו ל-1.00 ו-18.00 דולר ב-1 בינואר 2027.
• gemini-3.8-flash-lite-tts — 101 שפות, תעריף קלט זהה, $6.00 למיליון טוקני אודיו בפלט, בעלייה ל-$12.00.
• שניהם כוללים תעריפי Batch ו-Flex במחצית ממחיר Standard ($0.25 לקלט, $4.50 או $3.00 לפלט) ותעריפי Priority ב-1.8× ($0.90 לקלט, $16.20 או $10.80 לפלט).
אודיו מחויב לפי 25 טוקנים לשנייה, ומכאן מגיע החישוב לדקה: 25 טוקנים × 60 שניות = 1,500 טוקני אודיו בדקה, כך ש־$9.00 למיליון יוצא בערך $0.0135 לדקה. Flash-Lite מגיע קרוב ל־$0.009.
מצבו של המודל באמת אינו מוכרע וראוי לומר זאת בקול רם, מפני שהפלטפורמות של Google עצמה אינן תמימי דעים. יומן השינויים של Gemini API מכנה את שני המודלים זמינים באופן כללי. רשימת המודלים של ה-API מתייגת אותם כ"New Stable". התיעוד של Google Cloud לטקסט לדיבור מתאר אותם כזמינים ב-Preview רק דרך Gemini Enterprise API. פוסט הבלוג של ההכרזה, שפורסם ב-23 בספטמבר 2026, אינו משתמש באף אחת מהמילים. כל מי שכותב הערת רכש החודש צריך להתייחס לתווית GA כאל טענה של יומן השינויים ולא כאל עובדה מוגמרת.
מה כל מודל בעצם עושה כשקוראים לו
Gemini 3.8 Flash TTS מקבל טקסט ומחזיר אודיו. אין לו קלט אודיו, אין לו תור לקחת, אין לו תפיסה של קטיעה, ואין לו תמלול להחזיר, כי הוא מעולם לא שמע דבר. נקודת הקצה unary מחזירה WAV ב-24 kHz מונו; הזרימה מחזירה PCM 16-bit ללא כותרת, כאשר mulaw ו-alaw מתקבלים וקצב דגימה ניתן להגדרה. הוראות במה מוטבעות נכתבות לתוך התסריט כאירועים בסוגריים זוויתיים — <laugh>, <sigh>, <breath>, <short pause> — והטקסט הקלט מלבד זאת מטופל כתמלול מילולי, לא כהוראות. Live API אינו תומך במודלים האלה כלל.
GPT-Live-1 עושה את העבודה ההפוכה. הוא דופלקס מלא: הוא מעבד אודיו נכנס תוך כדי הפקת אודיו יוצא, מחליט כמה פעמים בשנייה אם המשתמש סיים לדבר, ומחזיר תעתיקי זיהוי דיבור כחלק מהסשן. הקלטים שלו הם אודיו וטקסט; הפלטים שלו הם אודיו וטקסט; תמונות ווידאו אינם נתמכים. הוא מזרים ותומך בקריאה לפונקציות אך לא בפלטים מובנים, ותאריך חיתוך הידע הוא 31 ביולי 2025. רק נקודת קצה אחת משרתת אותו — v1/live/sessions — ו-Chat Completions, Responses, Realtime ו-Batch כולם מחוץ לתמונה.
הפרט האחרון הזה הוא זה ששם קץ להשוואה עבור עומסי עבודה רבים. אם המוצר שלך מרנדר סקריפט, GPT-Live-1 אינו האפשרות הזולה וגם לא הנכונה. אם המוצר שלך עונה לטלפון, Gemini 3.8 Flash TTS הוא שליש מפייפליין שעדיין זקוק למודל ASR ולמודל שפה שמוברגים משני צדדיו — והעניין כולו ב-GPT-Live-1 הוא שהתפר בין שלושת החלקים האלה הוא המקום שבו שיחות נשברות.
המספרים, ולמי הם שייכים
ב-Provider Voice Arena של Artificial Analysis — לוח Elo מבוסס הצבעה עיוורת על הקולות המקוריים של כל ספק — המודלים החדשים של Google נוחתים באמצע הטבלה ולא בפסגה:
• Gemini 3.8 Flash TTS — Elo 1,275 במקום ה-5, עם רווח סמך של 95% של בערך 1,260 עד 1,290 על פני 2,783 דגימות, רשום במחיר $16.5 למיליון תווים.
• Gemini 3.8 Flash-Lite TTS — Elo 1,248 בדירוג 8, טווח של בערך 1,234 עד 1,262, 11.0 דולר למיליון תווים.
• מעל שניהם — Eleven v4 Turbo עם 1,330, Eleven v4 עם 1,329, Qwen-Audio-3.1-TTS-Plus עם 1,296 ו-Cartesia Sonic 3.6 עם 1,285.
הטענה של גוגל עצמה חזקה יותר מלוח הדירוג הזה, והיא טענה של ספק: הפוסט מ-23 בספטמבר אומר שהמודלים תפסו את המקום הראשון ב-Voice Design Benchmark של Hume AI עם 71.4 והובילו במידול המבטאים של Hume עם 60.8, ובנוסף עמדות ראשונות בהעדפה עיוורת ביפנית, בפורטוגזית ברזילאית, בווייטנאמית, בערבית ספרותית מודרנית, בספרדית מקסיקנית ובהינדי. אלה מיקומים כפי שדווחו על ידי גוגל בהערכה של מישהו אחר, לא שחזור.
כשעוברים לצד השיחתי, המספרים של GPT-Live-1 מגיעים מלוח אחר לגמרי. מדד ה-speech-to-speech של Artificial Analysis — ממוצע משוקלל של הסקה דיבורית, ביצועים סוכניים, העדפת ארנה והצלחת משימות — מציג כעת את GPT-Live-1 תחת תצורות backend בעלות שם ולא כשורה אחת: GPT-Live-1 (Astra, medium) ו-GPT-Live-1 (Sol, low) נמצאים בראש אותו מדד, כאשר Grok Voice 3.0 מוביל את התחום. זו תזכורת מועילה שבארכיטקטורה הזו מודל הקול הוא רק חצי מהשורה; ה-backend המואצל מזיז את הציון.
מספר אחד שחשוב ולא קיים בשום מקום: Google לא מפרסמת נתון השהיה רשמי עבור אף אחד משני מודלי ה-TTS. כל מספר של זמן עד לאודיו ראשון בתפוצה הוא של צד שלישי — ה-p50 של אגרגטור אחד עומד על כ-3.47 שניות עבור Flash TTS ו-2.66 עבור Flash-Lite — ואף אחד מהם אינו בר-השוואה ישירות לקצב השיחה של GPT-Live-1, כי הם מודדים דברים שונים.
עיצוב קול הוא המקום שבו השניים מתכנסים, ושבו הם שוב מתפצלים.
שני הספקים מאפשרים לך כעת לתאר קול במילים. זה חדש ב-2026 וזה הדבר הקרוב ביותר לחפיפה בין שני המוצרים.
הנתיב של Google עובר דרך Gemini API: פרסונת קול מבוססת פרומפט הנשמרת באופן קבוע בתור voice_ ID, שכפול קול מדגימה של כ-30 שניות עם בדיקת הסכמה, הוספת סימני מים של SynthID ואישורי C2PA מצורפים, ותקרה של 200 קולות מותאמים אישית מצביים לפרויקט עם שמירה של שנה מהשימוש האחרון. התיאור הכתוב מכסה תפקיד, מבטא ותכונות קוליות.
הנתיב של OpenAI, שהופץ ב-16 באוקטובר 2026 לכל לקוחות ה-API, הוא בקשת POST אל /v1/audio/voices עם type: "prompt", שם, התיאור ו-"model": "auto". היצירה בחינם; השימוש בקול מחויב לפי תעריפי סשן רגילים. היא מחזירה מטא-נתונים בלבד — בלי אודיו, בלי תצוגה מקדימה. התכונות שאפשר לכוונן הן מבטא, גיל, הגשה, גובה צליל, טימבר, מרקם, עוצמת קול, קצב דיבור וייחודיות, כולן מנוסחות בשפה רגילה בלי פרמטרים מספריים.
שני הבדלים קובעים באיזה מהם אתה יכול להשתמש בפועל:
• קולות שנוצרים מפרומפט ב-GPT-Live עובדים רק עם GPT-Live. הם אינם תואמים באופן מפורש ל-API של Text to Speech, Realtime ו-Chat Completions. לעומת זאת, הקולות המותאמים אישית של Google הם קולות עבור מנוע רינדור, וזה מה שהופך אותם לניתנים לשימוש חוזר ברחבי קטלוג.
• תקרת הארגון בצד של OpenAI היא 100 קולות שנוצרים מפרומפט, והיא חלה גם על קולות שנוצרים בשם הלקוחות שלך. התקרה של Google היא 200 לפרויקט. אם אתה פלטפורמה שמייצרת קול לכל לקוח, שני המספרים האלה הם המגבלה האמיתית של המוצר שלך, לא הערת שוליים.
יש גם הבדל במה שאתה מקבל בחזרה. קול של Google מגיע עם SynthID ומקור C2PA מצורפים. קול שנוצר מפרומפט של OpenAI מגיע כמזהה, חותמת זמן יצירה וטקסט הפרומפט שלך — והתיעוד אומר במפורש שקולות שנוצרו לא מובטחים להיות ייחודיים. שמור את התיאור תחת בקרת גרסאות; זו הרשומה היחידה של מה שביקשת.
איפה שפער המחירים מפסיק להיות פי 27
ההשוואה לפי דקה היא זו שמצוטטת והיא זו שמטעה, מפני שהמונה של GPT-Live-1 לא מודד את אותו משאב. שלושה דברים מזיזים את היחס האמיתי:
• זמן סרק מחויב. סשן קולי מחויב לפי שנייה כל עוד הוא פתוח, כולל בזמן שמודל הבקאנד עובד ובזמן שהמשתמש שותק. המונה של Google מתקדם רק כאשר נוצר אודיו. שיחת תמיכה שבה המשתמש מדבר ארבע דקות והבקאנד שלך חושב שתי דקות היא שש דקות חיוביות ב-Live ופחות במרנדר — לפני שספרת את רכיבי ה-ASR ומודל השפה שהמרנדר עדיין צריך.
• אורך הפלט ניתן לשליטה מצד אחד. משימת רינדור היא כמות ידועה: אפשר לתמחר מאמר בן 900 מילים לפני יצירתו, ותעריפי Batch מחצים אותו שוב. שיחה אינה כך.
• ה-backend הוא חיוב נפרד. הסקה מואצלת ושימוש בכלים ב-GPT-Live-1 מחויבים בתעריפי מודל רגילים בנוסף ל-$0.05 לדקה, והנחיות העלות של OpenAI עצמה מציגות את המנוף כדרך לגרום למשתמש לסיים מוקדם יותר — לדוגמה, הרצת backend מהיר יותר עם קריאות כלים מקבילות כך שהשיחה מסתיימת דקה מוקדם יותר, מה שחוסך $0.05. תעריף הקול קבוע; אורך השיחה הוא החוגה.
הנקודה האחרונה היא המקום שבו שכבת ניתוב מפסיקה להיות תוספת נחמדה. האצלת לקוח מאפשרת לך לכוון סשן של GPT-Live אל הסוכן או השירות שלך, מה שאומר שהבקאנד המואצל יכול להיות כל מודל — והגרסה השימושית של "כל מודל" היא נקודת קצה אחת ומפתח אחד במקום חוזה לכל ספק. OrcaRouter מציגה יותר מ-200 מודלים במחיר המחירון של הספקים, ללא תוספת, כך שהורדת מחיר מצד ספק בצד הבקאנד מגיעה אליך ביום שבו היא נכנסת לתוקף, ומעבר אוטומטי לגיבוי מכסה השבתה של ספק בלי שהקורא ישמע על כך. אם אתה בונה את המסלול המואצל, בחירת הבקאנד היא המקום שבו העלות שלך באמת נמצאת; 0.05 הדולר לדקה הם קבוע.
ליתר דיוק לגבי הגבול: OrcaRouter לא מארח את GPT-Live-1 או את מודלי Gemini 3.8 TTS. מה שהוא מנתב הוא צד החשיבה של סשן Live מואצל.
איזה מהם לבחור
אם אתם מבצעים רינדור — מאמרים, תיעוד, קריינות וידאו, הנחיות IVR שנכתבו מראש — Gemini 3.8 Flash TTS הוא הכלי הנכון, ו-GPT-Live-1 יקר פי כ-27 לדקת אודיו, וחסר יכולת מבנית לבצע את העבודה בעיבוד אצווה. בחרו ב-Flash-Lite אם 101 שפות מכסות אתכם, בחרו בתעריפי Batch או Flex אם השהיה אינה האילוץ, ותכננו את הכפלת המחיר בינואר 2027 כבר מההתחלה, כי Google פרסמה אותה באותה טבלה במקום לקבור אותה.
אם אתם מנהלים שיחה, ההשוואה של TTS היא טעות קטגורית, והשאלה הכנה היא אחרת: האם ה-backend המואצל מפיק תשובה מהר מספיק כדי שהסשן יישאר קצר. זה המספר שקובע את החשבון שלכם, והוא זה שאף אחד לא שם בשקופית השקה.
ואם אתם רק מנסים להבין מה עולה "Gemini 3.8 TTS" — התשובה היא $9.00 למיליון טוקני אודיו, באחד משני המודלים שאליהם מתייחס השם הזה, עד סוף 2026.
שום דבר מזה אינו היפותטי: כשלי ה-AI המתועדים ותקריות הסוכנים העומדים מאחורי מהדורות כמו זו מרוכזים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות וסימון שנוי במחלוקת.
