GPT-Live-1 vs Gemini 3.8 TTS: Satu Berbincang, Satu Membaca Naskah — dan Hanya Satu di Antaranya yang Murah

Letakkan G​PT-Live-1 dan Gemini 3.8 Flash TTS bersebelahan pada meter per menit, dan jawabannya tampak jelas. Narator G​oogle menagih sekitar 1,35 sen per menit ucapan yang dihasilkan pada tarif 2026. Model percakapan O​penAI menagih 5 sen per menit saluran terbuka — dan terus menagih saat backend berpikir, saat pengguna berhenti sejenak, dan saat tidak ada yang diucapkan sama sekali. Selisih sekitar dua puluh tujuh kali lipat, sebelum ada yang mempertanyakan apakah keduanya melakukan pekerjaan yang sama.

Mereka tidak sama, dan dengan cara yang lebih menarik daripada pengelakan "kategori berbeda" yang biasa. Gemini 3.8 Flash TTS tidak dapat mendengar. GPT-Live-1 tidak dapat di-batch. Dan penamaannya membuat ini lebih buruk daripada yang seharusnya, karena frasa Gemini 3.8 TTS — label yang digunakan separuh internet — tidak sesuai dengan model apa pun yang dapat Anda panggil.

Pertama, masalah nama, karena itu menentukan harga yang Anda sebutkan

Tidak ada model bernama Gemini 3.8 TTS. Dokumentasi Google sendiri menggunakan frasa itu sebagai istilah payung untuk dua endpoint yang dapat dipanggil, dan harga keduanya cukup berbeda sehingga mengutip yang salah merupakan kesalahan yang nyata:

• gemini-3.8-flash-tts — tier lengkap, lebih dari 130 bahasa, $0.50 per juta token teks masuk dan $9.00 per juta token audio keluar, naik menjadi $1.00 dan $18.00 pada 1 Januari 2027.

• gemini-3.8-flash-lite-tts — 101 bahasa, tarif input sama, $6,00 per juta token audio keluaran, naik menjadi $12,00.

• Keduanya menerapkan tarif Batch dan Flex sebesar setengah harga Standard ($0,25 masuk, $4,50 atau $3,00 keluar) dan tarif Priority sebesar 1,8× ($0,90 masuk, $16,20 atau $10,80 keluar).

Audio ditagih sebesar 25 token per detik, dari situlah angka per menit berasal: 25 token × 60 detik = 1.500 token audio per menit, jadi $9,00 per juta menghasilkan sekitar $0,0135 per menit. Flash-Lite berada di sekitar $0,009.

Status model ini benar-benar belum mapan dan layak dikatakan secara terbuka, karena kanal-kanal Google sendiri saling bertentangan. Changelog API Gemini menyebut kedua model tersebut tersedia secara umum. Daftar model API memberi label keduanya “New Stable”. Dokumentasi text-to-speech Google Cloud menggambarkannya sebagai tersedia dalam Preview hanya melalui Gemini Enterprise API. Postingan blog pengumuman, yang diterbitkan pada 23 September 2026, tidak menggunakan kedua istilah itu. Siapa pun yang menulis catatan pengadaan bulan ini harus menganggap label GA sebagai klaim changelog, bukan fakta yang sudah mapan.

Apa yang sebenarnya dilakukan setiap model saat Anda memanggilnya

Gemini 3.8 Flash TTS mengambil teks dan mengembalikan audio. Tidak ada input audio, tidak ada giliran yang harus diambil, tidak ada gagasan tentang diinterupsi, dan tidak ada transkrip untuk dikembalikan, karena ia tidak pernah mendengar apa pun. Endpoint unary mengembalikan WAV pada 24 kHz mono; streaming mengembalikan PCM 16-bit tanpa header, dengan mulaw dan alaw diterima dan sample rate yang dapat dikonfigurasi. Arahan panggung inline ditulis ke dalam skrip sebagai peristiwa dalam tanda kurung siku — <laugh>, <sigh>, <breath>, <short pause> — dan teks input sebaliknya diperlakukan sebagai transkrip verbatim, bukan sebagai instruksi. Live API tidak mendukung model-model ini sama sekali.

GPT-Live-1 melakukan pekerjaan yang berlawanan. Ini adalah dupleks penuh: ia memproses audio masuk sambil menghasilkan audio keluar, memutuskan beberapa kali dalam satu detik apakah pengguna telah selesai berbicara, dan mengembalikan transkrip pengenalan suara sebagai bagian dari sesi. Inputnya adalah audio dan teks; outputnya adalah audio dan teks; gambar dan video tidak didukung. Ia melakukan streaming dan mendukung pemanggilan fungsi tetapi tidak mendukung output terstruktur, dan batas pengetahuan adalah 31 Juli 2025. Hanya satu endpoint yang melayaninya — v1/live/sessions — dan Chat Completions, Responses, Realtime dan Batch semuanya tidak tersedia.

Detail terakhir itulah yang mengakhiri perbandingan untuk banyak beban kerja. Jika produk Anda merender skrip, G​PT-Live-1 bukan pilihan yang murah maupun yang tepat. Jika produk Anda menjawab telepon, Gemini 3.8 Flash TTS adalah sepertiga dari pipeline yang masih memerlukan model ASR dan model bahasa yang dipasang di kedua sisinya — dan inti dari G​PT-Live-1 adalah bahwa sambungan di antara ketiga bagian itu justru tempat percakapan terputus.

Angka-angkanya, dan milik siapa angka itu

Di Provider Voice Arena milik Artificial Analysis — papan Elo dengan pemungutan suara secara buta atas suara native milik setiap vendor — model baru G​oogle berada di papan tengah, bukan di puncak:

• Gemini 3.8 Flash TTS — Elo 1.275 di peringkat 5, dengan interval 95% sekitar 1.260 hingga 1.290 dari 2.783 sampel, tercantum pada $16,5 per juta karakter.

• Gemini 3.8 Flash-Lite TTS — Elo 1.248 di peringkat 8, interval kira-kira 1.234 hingga 1.262, $11,0 per juta karakter.

• Di atas keduanya — Eleven v4 Turbo pada 1.330, Eleven v4 pada 1.329, Qwen-Audio-3.1-TTS-Plus pada 1.296 dan Cartesia Sonic 3.6 pada 1.285.

Klaim Google sendiri lebih kuat daripada papan peringkat itu, dan itu adalah klaim vendor: unggahan 23 September menyatakan bahwa model-model tersebut meraih tempat pertama pada Voice Design Benchmark milik Hume AI dengan skor 71,4 dan memimpin pemodelan aksen Hume dengan skor 60,8, serta posisi teratas dalam preferensi buta untuk bahasa Jepang, Portugis Brasil, Vietnam, Arab Standar Modern, Spanyol Meksiko, dan Hindi. Itu adalah peringkat yang dilaporkan Google pada evaluasi pihak lain, bukan sebuah reproduksi.

Beralih ke sisi percakapan, angka-angka G​PT-Live-1 berasal dari papan yang sepenuhnya berbeda. Indeks speech-to-speech Artificial Analysis — rata-rata tertimbang dari penalaran ucapan, kinerja agentik, preferensi arena, dan keberhasilan tugas — kini mencantumkan G​PT-Live-1 dalam konfigurasi backend bernama alih-alih sebagai satu baris: G​PT-Live-1 (Astra, medium) dan G​PT-Live-1 (Sol, low) berada di puncak indeks tersebut, dengan G​rok Voice 3.0 memimpin bidang ini. Itu pengingat yang berguna bahwa dalam arsitektur ini model suara hanyalah separuh baris; backend yang didelegasikan yang menggerakkan skor.

Satu angka yang penting dan tidak ada di mana pun: Google tidak menerbitkan angka latensi resmi untuk kedua model TTS. Setiap angka waktu-ke-audio-pertama yang beredar berasal dari pihak ketiga — p50 dari salah satu agregator berada sekitar 3,47 detik untuk Flash TTS dan 2,66 untuk Flash-Lite — dan tidak ada satu pun yang dapat dibandingkan secara langsung dengan irama percakapan GPT-Live-1, karena yang diukur berbeda.

Desain suara adalah titik tempat keduanya bertemu, dan tempat keduanya kembali berpisah

Kedua vendor kini memungkinkan Anda mendeskripsikan sebuah suara dengan kata-kata. Itu baru pada 2026 dan itulah titik terdekat kedua produk tersebut untuk saling tumpang tindih.

Jalur G​oogle melalui G​emini API: persona suara berbasis prompt yang disimpan secara persisten sebagai voice_ ID, replikasi suara dari sampel sekitar 30 detik dengan pemeriksaan persetujuan, watermarking SynthID dan kredensial C2PA yang dilampirkan, serta batas 200 suara kustom stateful per proyek dengan retensi satu tahun sejak penggunaan terakhir. Deskripsi tertulis mencakup peran, aksen, dan ciri vokal.

Jalur OpenAI, yang dirilis pada 16 Oktober 2026 kepada semua pelanggan API, adalah POST ke /v1/audio/voices dengan type: "prompt", sebuah nama, deskripsi, dan "model": "auto". Pembuatan gratis; penggunaan suara ditagih dengan tarif sesi normal. Ini hanya mengembalikan metadata — tanpa audio, tanpa pratinjau. Kualitas yang dapat Anda atur adalah aksen, usia, penyajian, pitch, timbre, tekstur, kenyaringan, laju bicara, dan kekhasan, semuanya diungkapkan dalam bahasa biasa tanpa parameter numerik.

Dua perbedaan menentukan mana yang benar-benar dapat Anda gunakan:

• Suara yang dihasilkan oleh prompt di GPT-Live hanya berfungsi dengan GPT-Live. Suara tersebut secara eksplisit tidak kompatibel dengan API Text to Speech, Realtime, dan Chat Completions. Sebaliknya, suara kustom Google adalah suara untuk mesin rendering, yang membuatnya dapat digunakan kembali di seluruh katalog.

• Batas organisasi di sisi OpenAI adalah 100 suara yang dihasilkan melalui prompt, dan ini juga berlaku untuk suara yang dihasilkan atas nama pelanggan Anda. Batas maksimum Google adalah 200 per proyek. Jika Anda adalah platform yang membuat satu suara untuk setiap pelanggan, kedua angka itu adalah batas produk Anda yang sebenarnya, bukan sekadar catatan kaki.

Ada juga perbedaan dalam apa yang Anda dapatkan kembali. Suara G​oogle hadir dengan SynthID dan asal-usul C2PA yang terlampir. Suara O​penAI yang dihasilkan dari prompt hadir sebagai ID, stempel waktu pembuatan, dan teks prompt Anda sendiri — dan dokumentasinya menyatakan secara terang-terangan bahwa suara yang dihasilkan tidak dijamin unik. Simpan deskripsi tersebut dalam kontrol versi; itu satu-satunya catatan tentang apa yang Anda minta.

Ketika kesenjangan harga berhenti menjadi 27×

Perbandingan per menit adalah yang dikutip dan itulah yang menyesatkan, karena meter G​PT-Live-1 tidak mengukur sumber daya yang sama. Tiga hal memengaruhi rasio sebenarnya:

• Waktu idle dapat ditagih. Sesi suara ditagih per detik selama sesi tersebut terbuka, termasuk saat model backend sedang bekerja dan saat pengguna diam. Meter Google hanya bertambah saat audio dihasilkan. Panggilan dukungan ketika pengguna berbicara selama empat menit dan backend Anda memproses selama dua menit berarti enam menit yang dapat ditagih di Live dan lebih sedikit di renderer — sebelum Anda menghitung komponen ASR dan model bahasa yang masih dibutuhkan renderer.

• Panjang keluaran dapat dikendalikan di satu sisi. Pekerjaan rendering adalah kuantitas yang diketahui: Anda dapat menghitung harga artikel 900 kata sebelum menghasilkannya, dan tarif Batch memotongnya separuh lagi. Percakapan tidak.

Backend adalah tagihan terpisah. Penalaran yang didelegasikan dan penggunaan alat pada GPT-Live-1 dikenakan tarif model normal sebagai tambahan di atas $0,05 per menit, dan panduan biaya OpenAI sendiri menggambarkan tuasnya sebagai upaya membuat pengguna selesai lebih cepat — misalnya, menjalankan backend yang lebih cepat dengan panggilan alat paralel sehingga percakapan berakhir satu menit lebih awal, menghemat $0,05. Tarif suara tetap; durasi sesi adalah dialnya.

Poin terakhir itulah titik ketika lapisan perutean berhenti sekadar menjadi nilai tambah. Delegasi klien memungkinkan Anda mengarahkan sesi G​PT-Live ke agen atau layanan Anda sendiri, yang berarti backend yang didelegasikan bisa berupa model apa pun — dan versi yang berguna dari "model apa pun" adalah satu endpoint dan satu kunci, bukan satu kontrak untuk setiap penyedia. OrcaRouter menyediakan lebih dari 200 model dengan harga daftar penyedia tanpa markup, sehingga pemotongan harga dari vendor di sisi backend sampai kepada Anda pada hari yang sama saat diberlakukan, dan failover otomatis menangani gangguan penyedia tanpa terdengar oleh pemanggil. Jika Anda membangun jalur yang didelegasikan, pilihan backend adalah tempat biaya Anda sebenarnya berada; $0,05 per menit adalah konstanta.

Untuk lebih tepat mengenai batasannya: OrcaRouter tidak menghosting G​PT-Live-1 atau model G​emini 3.8 TTS. Yang dirutekannya adalah sisi penalaran dari sesi Live yang didelegasikan.

Yang mana yang harus dipilih

Jika Anda sedang merender — artikel, dokumentasi, narasi video, prompt IVR yang ditulis sebelumnya — Gemini 3.8 Flash TTS adalah alat yang tepat dan G​PT-Live-1 kira-kira 27 kali lebih mahal per menit audio dan secara struktural tidak mampu mengerjakan pekerjaan itu secara batch. Pilih Flash-Lite jika 101 bahasa sudah mencakup kebutuhan Anda, ambil tarif Batch atau Flex jika latensi bukan kendala, dan modelkan penggandaan harga Januari 2027 sejak awal, karena G​oogle telah menerbitkannya di tabel yang sama alih-alih menguburnya.

Jika Anda sedang melakukan percakapan, perbandingan TTS adalah kesalahan kategori dan pertanyaan yang jujur berbeda: apakah backend yang didelegasikan menghasilkan jawaban cukup cepat sehingga sesi tetap singkat. Itulah angka yang menentukan tagihan Anda, dan angka itulah yang tidak pernah dicantumkan siapa pun di slide peluncuran.

Dan jika Anda hanya ingin mencari tahu berapa biaya "G​emini 3.8 TTS" — jawabannya adalah $9.00 per juta token audio, pada salah satu dari dua model yang dimaksud dengan nama itu, hingga akhir 2026.

Tidak ada satu pun dari itu yang hipotetis: kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.