Gemini 3.8 Live vs Grok Voice Think Fast 2.0: Kesenjangan 0,3 Poin dan Tagihan 3,2×

Baik Gemini 3.8 Live maupun Grok Voice Think Fast 2.0 bernalar sambil berbicara — atau lebih tepatnya, keduanya melakukannya dalam konfigurasi yang benar-benar bersaing untuk posisi teratas di papan peringkat, yang bagi Gemini 3.8 Live berarti varian Extended Thinking alih-alih tingkat standar. Keduanya telah digambarkan oleh pembuatnya sebagai peringkat pertama pada Speech to Speech Index milik Artificial Analysis. Hanya satu dari klaim tersebut yang saat ini terbaca di papan publik, dan selisih antara kedua pemimpin adalah 0,3 poin — nyaris tidak lebih besar daripada margin yang memisahkan model-model yang berdekatan di tempat lain pada bagan yang sama, yang merupakan cara lain untuk mengatakan bahwa itu bukan perbedaan yang nyata.

Selisih biaya di antara keduanya bukan 0,3 poin. Itu adalah faktor 3,2.

Asimetri itulah seluruh ceritanya, dan itulah hal yang perlu dipahami sebelum membaca pengumuman dari masing-masing vendor.

Dua klaim tempat pertama

Ketika xAI mengumumkan Grok Voice Think Fast 2.0 pada akhir Juli 2026, angka yang dilaporkan menempatkannya di 82.9% pada Artificial Analysis Speech-to-Speech Quality Index, di depan GPT-Realtime-2.1 pada 79.1% dan Gemini 3.1 Flash pada 69.5%. Beberapa media independen mengulang kerangka pemberitaan itu dan menggambarkan model tersebut sebagai peringkat teratas di seluruh dunia dalam hal suara.

Pada papan peringkat yang diambil pada 16 September 2026, setelah peluncuran Google, model yang sama muncul sebagai Grok Voice Think Fast 2.0 High pada 81.3. Bukan 82.9. Dan baris teratas sekarang adalah Gemini 3.8 Live Extended Thinking pada 82.6.

Papan secara lengkap, berurutan:

• Gemini 3.8 Live Extended Thinking — 82.6

• GPT-Live-1 (backend Astra, upaya sedang) — 81.5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (backend Sol, upaya rendah) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 Tinggi — 73.9

• Gemini 3.1 Flash Live High — 71.5

Dua pelajaran ada dalam daftar itu, dan tidak satu pun tentang model mana yang lebih baik. Pelajaran pertama adalah skor indeks yang dilaporkan vendor tidak bertahan lama: angka 82,9 dari xAI tidak bertahan di papan peringkat publik, yang kini menunjukkan 81,3. Ini bukan tuduhan ketidakjujuran — indeks komposit memang direvisi, konfigurasi berbeda-beda, dan angka Juli yang diukur terhadap lanskap Juli tidak salah, hanya sudah usang. Tetapi itu berarti satu-satunya angka yang harus Anda jadikan acuan adalah angka yang Anda baca sendiri, bertanggal. Pelajaran kedua adalah 0,3 poin yang memisahkan peringkat pertama dari peringkat ketiga di sini bukanlah perbedaan kualitas yang berarti. Siapa pun yang memilih di antara kedua model ini atas dasar angka itu sedang memilih berdasarkan noise.

Baca komponennya, bukan kompositnya

Komposit menyembunyikan argumen. Indeks Speech to Speech adalah rata-rata berbobot dari penalaran ucapan, kinerja agentik, preferensi arena, dan tingkat keberhasilan tugas — dan kedua model dalam pertarungan ini tidak berdekatan pada dua dari empat hal tersebut.

Di sinilah klaim Google menjadi benar-benar menarik, karena seluruh nilai jual Grok adalah performa agentik:

• Performa agentik (τ-Voice) — Google melaporkan 68,6% untuk Gemini 3.8 Live Extended Thinking. xAI melaporkan 56,5% untuk Grok Voice Think Fast 2.0, sekitar 11 poin lebih unggul daripada 45,7% milik GPT-Realtime-2.1 dan sekitar 19 poin lebih unggul daripada 37,7% milik Gemini 3.1 Flash pada saat itu. Jika kedua angka vendor itu tetap berlaku, Google telah mengambil alih kategori yang sebelumnya dipimpin xAI dengan keunggulan sekitar 12 poin.

• Penalaran ucapan (Big Bench Audio) — Google melaporkan 97,7% untuk model Extended Thinking. xAI melaporkan 97,2% untuk Grok. Praktis setara.

• Keberhasilan tugas pada alur kerja perbankan — Google melaporkan 35.1% pada benchmark τ-Voice-banking milik Sierra. xAI belum menerbitkan angka yang sebanding secara langsung.

• Dinamika percakapan (Full Duplex Bench) — Grok melaporkan 95,1%, sedikit di belakang GPT-Realtime-2.1 dengan 95,7% dan jauh di depan Gemini 3.1 Flash dengan 74,3% pada saat itu. Google belum menerbitkan angka Full Duplex Bench untuk Gemini 3.8 Live Extended Thinking.

Catatan kejujuran ini lebih penting daripada biasanya. Angka 68,6%, 35,1%, dan 97,7% adalah angka milik Google sendiri, yang diterbitkan di blog Google, dan tidak ada pihak di luar Google yang mereproduksinya. Angka 56,5%, 97,2%, dan 95,1% untuk Grok berasal dari xAI atau dari Artificial Analysis dan, dalam hal penempatan indeks, dapat diperiksa secara publik. Satu-satunya angka dalam perbandingan ini yang dapat dibaca secara independen adalah dua skor indeks: 82,6 dan 81,3. Selebihnya adalah klaim melawan klaim, dan klaim-klaim itu dibuat oleh pihak-pihak yang memiliki kepentingan terhadap hasilnya.

Apa yang bisa dikatakan dengan aman: Google mengklaim keunggulan besar pada dimensi spesifik yang digunakan xAI untuk membenarkan kenaikan harganya. Jika klaim itu bertahan dalam pengujian independen, perbandingan ini selesai dalam hal kemampuan. Jika tidak, selisih indeks 0,3 poin adalah seluruh perbedaannya dan selisih harga menjadi tidak dapat dipertahankan.

RUU: $1,50 versus $4,80 per jam

Biaya adalah bagian dari perbandingan ini yang tidak bergantung pada metodologi benchmark siapa pun, karena ini adalah tarif yang dipublikasikan.

Grok Voice Think Fast 2.0 dihargai $0,08 per menit audio, kira-kira $4,80 per jam. Itu merupakan kenaikan 60% dibandingkan Think Fast 1.0 yang $3,00 per jam, dan pengguna pada alias grok-voice-latest dimigrasikan secara otomatis pada 5 Agustus 2026 — pengembang yang ingin tetap menggunakan model lama harus menyematkan ID berversi sebelum tanggal tersebut atau menerima perubahan itu.

Gemini 3.8 Live diumumkan dengan tarif $0,005 per menit untuk input audio dan $0,018 per menit untuk output audio. Grafik biaya per jam untuk input audio dari Artificial Analysis menempatkannya pada $1,50 per jam — yang tepat 3,2 kali lebih murah daripada $4,80 milik Grok. Sebagai konteks, grafik yang sama menunjukkan GPT-Realtime-2 High pada $4,14, Qwen Audio 3.0 Realtime Plus pada $4,42, dan GPT-Realtime-2.1 High pada $10,75.

Gambaran pasar dalam daftar itu layak mendapat satu kalimat. Entri termurah di papan tersebut adalah Gemini — Gemini 3.1 Flash Live dengan $1,42 per jam — dan yang termurah kedua adalah Gemini 3.8 Live dengan $1,50. Google telah memosisikan model suara terbarunya sebagai opsi termurah kedua di kategori ini, di bawah model-model yang bersaing dengannya dalam hal kualitas.

Perhatikan apa artinya itu bagi siapa pun yang bermigrasi ke Grok pada Agustus. Di tengah kenaikan harga dan peluncuran Google, beban kerja yang sama naik dari $3,00 per jam menjadi $4,80 per jam di satu sisi perbandingan ini dan menjadi tersedia dengan $1,50 per jam di sisi lain. Tidak ada perubahan pada model-modelnya yang menyebabkan hal itu. Keputusan perutean yang dibuat pada Juli kini memakan biaya lebih dari dua kali lipat biaya alternatifnya, yang justru merupakan situasi yang ingin dihindari oleh router.

Di mana Grok masih unggul

Dua hal, dan salah satunya tidak dekat.

Latensi. Grok Voice Think Fast 2.0 memangkas waktu hingga audio pertama dari 1,25 detik menjadi 0,70 detik, yang merupakan angka tercepat yang dipublikasikan di kategori ini. Google sama sekali tidak mempublikasikan angka latensi untuk Gemini 3.8 Live — hanya testimoni mitra yang menyebut "latensi mengesankan." Dalam panggilan telepon, 0,70 detik adalah perbedaan antara percakapan dan jeda, dan ini adalah satu dimensi di mana klaim xAI bersifat spesifik sekaligus tidak tertandingi. Jika produk Anda adalah teleponi, ini mungkin lebih penting daripada semua hal di atas.

Ketangguhan transkripsi. xAI mengevaluasi tingkat kesalahan kata pada ribuan frasa pendek dalam 24 bahasa dan melaporkan kesalahan 1,5–2,0× lebih rendah daripada model STT khusus termasuk Deepgram Nova 3 dan ElevenLabs Scribe v2, 1,4× lebih rendah daripada Think Fast 1.0, dan sekitar 10× lebih rendah kesalahan dalam lingkungan bising yang melibatkan kebisingan latar belakang dan kompresi teleponi. Ini dilaporkan vendor dan tidak diverifikasi secara independen, dan klaim tentang lingkungan bising adalah yang harus diuji lebih dahulu, karena klaim itu paling spesifik dan paling mudah dibuktikan salah.

Grok juga memiliki fasilitas praktis untuk pengembang yang patut dicatat: API WebSocket yang kompatibel dengan OpenAI Realtime, PCM16 pada 24 kHz dengan μ-law untuk teleponi, deteksi aktivitas suara di sisi server, token efemeral untuk aplikasi browser, kloning suara kustom dari sekitar satu menit ucapan, dan volume token penalaran sekitar 0,4× dibandingkan versi sebelumnya.

Ke mana Gemini 3.8 Live Extended Thinking mengarah

Selain penempatan indeks dan celah agentik yang diklaim, pembedanya bersifat struktural:

• Visi — Gemini 3.8 Live memproses input visual hampir real-time. Grok Voice Think Fast 2.0 tidak memiliki landasan visual yang sebanding.

• Cakupan bahasa — 97 bahasa yang didukung dengan peralihan otomatis di tengah percakapan, dibandingkan dengan 25+ milik Grok.

• Penalaran yang dinarasikan — varian Extended Thinking berbicara sambil bekerja, menggunakan isyarat seperti "Coba saya periksa…" dan narasi kemajuan secara langsung, yang merupakan perilaku yang lebih mudah dipahami bagi pengguna yang menunggu tugas bertahap.

• Penandaan air — semua audio yang dihasilkan membawa SynthID.

• Biaya — 3,2× lebih murah per jam audio masukan.

Penyeimbangnya nyata. Google tidak memublikasikan angka latensi, jendela konteks, maupun angka per komponen yang telah direproduksi oleh siapa pun di luar perusahaan. Ketersediaannya masih berupa pratinjau, bukan ketersediaan umum: pengembang mendapatkannya di Gemini API dan Google AI Studio, perusahaan dalam pratinjau privat di Gemini Enterprise, dan konsumen melalui Gemini Live, Docs Live, Gmail Live, dan Keep Live. Model Grok sudah tersedia secara umum hari ini dan API-nya terdokumentasi.

Lapisan tempat keduanya berada

Satu kemiripan struktural mudah terlewat dan lebih penting daripada kedua lembar spesifikasi itu. Kedua model melakukan delegasi. Penalaran paralel Grok hampir selalu berakhir pada pemanggilan alat atau pencarian, dan eksekusi alat latar belakang Google secara eksplisit dirancang agar percakapan tetap berlanjut sementara panggilan API selesai. Di bawah kedua antarmuka suara itu terdapat beban kerja model teks biasa — dan di sanalah sebagian besar biaya total Anda dan hampir seluruh fleksibilitas peralihan Anda berada.

OrcaRouter menjalankan 190 model di balik satu kunci dengan harga daftar penyedia tanpa markup, yang berarti pemotongan harga vendor langsung berlaku di sisi kami pada hari yang sama, bukan pada pembaruan berikutnya. Itu bukan hal sepele dalam kategori di mana salah satu model besar menaikkan tarif per menitnya sebesar 60% dalam hitungan minggu. Sifat lain yang penting untuk suara adalah failover otomatis: panggilan yang mati karena backend kehabisan waktu adalah pelanggan yang hilang, dan kemampuan untuk mengganti target delegasi pada lalu lintas langsung tanpa menulis ulang integrasi suara itulah yang membuat pilihan front-end dapat dibalik. Agar jelas soal cakupannya — endpoint Grok Voice Think Fast 2.0 dan Gemini 3.8 Live tidak ada di router kami; keduanya berasal dari API vendor masing-masing. Model teks yang mereka delegasikan umumnya ada.

Apa yang bisa menyelesaikannya

Pertarungan ini luar biasa mudah diselesaikan, karena bukti penentunya spesifik dan masih tertunda. Tiga hal akan menyelesaikannya:

• τ-Voice Independen berjalan di Gemini 3.8 Live Extended Thinking. Google mengklaim 68,6% versus 56,5% milik Grok. Itu adalah klaim selisih 12 poin dalam kategori yang secara historis belum pernah dipimpin oleh Google, dan itulah satu-satunya angka yang paling mengubah putusannya.

• Angka latensi yang dipublikasikan. Sampai Google menerbitkannya, 0,70 detik Grok tetap tanpa tandingan dan pembeli teleponi hanya punya satu pilihan yang dapat dipertahankan.

• Ketersediaan umum dan harga yang stabil. Harga pratinjau bisa berubah. Tarif per jam $1,50 yang berlipat ganda saat GA akan sepenuhnya mengubah perbandingan ini.

Sampai itu tersedia, posisi yang dapat dipertahankan lebih sempit daripada yang disiratkan oleh kedua pengumuman tersebut. Grok Voice Think Fast 2.0 tetap menjadi pilihan yang tepat ketika latensi menjadi kendala dan beban kerjanya berbentuk teleponi. Gemini 3.8 Live Extended Thinking adalah pilihan yang tepat ketika kedalaman penalaran, visi, atau keluasan bahasa menjadi penting dan Anda dapat menoleransi status pratinjau serta latensi yang belum dipublikasikan. Dan selisih 0,3 poin di antara keduanya seharusnya tidak menentukan apa pun — yang seharusnya menentukan adalah 3,2×.