Gemini 3.8 Live vs Grok Voice Think Fast 2.0: il divario di 0,3 punti e la bolletta 3,2 volte più salata

Sia Gemini 3.8 Live sia Grok Voice Think Fast 2.0 ragionano mentre parlano — o meglio, entrambi lo fanno nella configurazione che sta effettivamente competendo per la vetta della classifica, che per Gemini 3.8 Live significa la variante Extended Thinking anziché il livello standard. Entrambi sono stati descritti dai loro creatori come primi nella Speech to Speech Index di Artificial Analysis. Solo una di queste affermazioni è attualmente leggibile sulla classifica pubblica, e il divario tra i due leader è di 0,3 punti — appena più ampio del margine che separa modelli adiacenti altrove nello stesso grafico, il che è un altro modo per dire che non è una differenza reale.

La differenza di costo tra loro non è di 0,3 punti. È un fattore di 3,2.

Quell'asimmetria è tutto ciò che conta, ed è ciò che si deve capire prima di leggere l'annuncio di ciascuno dei due fornitori.

Due affermazioni di primo posto

Quando xAI ha annunciato Grok Voice Think Fast 2.0 alla fine di luglio 2026, le cifre riportate lo collocavano all'82,9% sull'Artificial Analysis Speech-to-Speech Quality Index, davanti a GPT-Realtime-2.1 al 79,1% e Gemini 3.1 Flash al 69,5%. Diverse testate indipendenti hanno ripreso quella impostazione e hanno descritto il modello come il numero uno al mondo per la voce.

Sulla classifica catturata il 16 settembre 2026, dopo il lancio di Google, lo stesso modello appare come Grok Voice Think Fast 2.0 High a 81.3. Non 82.9. E la prima riga ora è Gemini 3.8 Live Extended Thinking a 82.6.

Il consiglio al completo, in ordine:

• Gemini 3.8 Pensiero esteso live — 82.6

• GPT-Live-1 (backend Astra, impegno medio) — 81.5

• Grok Voice Think Fast 2.0 High — 81,3

• GPT-Live-1 (backend Sol, sforzo basso) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71,5

Due lezioni si trovano in quella lista, e nessuna delle due riguarda quale modello sia migliore. La prima è che i punteggi degli indici riportati dai fornitori non sono durevoli: l'82,9 di xAI non è sopravvissuto sulla classifica pubblica, che ora mostra 81,3. Questa non è un'accusa di disonestà — gli indici compositi vengono rivisti, le configurazioni differiscono, e un numero di luglio misurato rispetto a un campo di luglio non è sbagliato, è solo vecchio. Ma significa che l'unico dato su cui dovresti pianificare è quello che leggi tu stesso, datato. La seconda è che i 0,3 punti che separano il primo dal terzo posto qui non sono una differenza di qualità significativa. Chiunque scelga tra questi due modelli sulla base di quel numero sta scegliendo in base al rumore.

Leggi i componenti, non il composito

I punteggi compositi nascondono gli argomenti. Lo Speech to Speech Index è una media ponderata di ragionamento vocale, prestazioni agentiche, preferenza nell'arena e tasso di successo nelle attività — e i due modelli di questo confronto non sono vicini su due di quei quattro.

È qui che l'affermazione di Google diventa davvero interessante, perché l'intera proposta di Grok si basava sulla performance agentica:

• Prestazioni agentiche (τ-Voice) — Google riporta 68,6% per Gemini 3.8 Live Extended Thinking. xAI riporta 56,5% per Grok Voice Think Fast 2.0, circa 11 punti in più rispetto al 45,7% di GPT-Realtime-2.1 e circa 19 in più rispetto al 37,7% di Gemini 3.1 Flash all'epoca. Se entrambe le cifre dei fornitori sono confermate, Google si è aggiudicata la categoria in cui xAI era in testa con circa 12 punti di vantaggio.

• Ragionamento vocale (Big Bench Audio) — Google riporta 97,7% per il modello Extended Thinking. xAI riporta 97,2% per Grok. Di fatto alla pari.

• Successo nelle attività sui flussi di lavoro bancari — Google riporta 35,1% sul benchmark τ-Voice-banking di Sierra. xAI non ha pubblicato un dato direttamente comparabile.

• Dinamiche conversazionali (Full Duplex Bench) — Grok riporta 95,1%, leggermente dietro il 95,7% di GPT-Realtime-2.1 e ben davanti al 74,3% di Gemini 3.1 Flash all'epoca. Google non ha pubblicato alcun dato di Full Duplex Bench per Gemini 3.8 Live Extended Thinking.

La nota di onestà qui conta più del solito. Il 68,6%, il 35,1% e il 97,7% sono numeri di Google, pubblicati sul blog di Google, e nessuno al di fuori di Google li ha riprodotti. Il 56,5%, il 97,2% e il 95,1% per Grok provengono da xAI o da Artificial Analysis e, nel caso della collocazione nell'indice, sono verificabili pubblicamente. Le uniche cifre in questo confronto che sono leggibili in modo indipendente sono i due punteggi dell'indice: 82,6 e 81,3. Tutto il resto è affermazione contro affermazione, e le affermazioni sono fatte da parti che hanno un interesse nel risultato.

Quel che si può dire con sicurezza: Google sostiene di avere un ampio vantaggio sulla specifica dimensione che xAI ha usato per giustificare il suo aumento di prezzo. Se tale affermazione supera verifiche indipendenti, questo confronto è chiuso sul piano delle capacità. In caso contrario, il divario di 0,3 punti nell'indice è tutta la differenza e il divario di prezzo diventa indifendibile.

Il conto: 1,50 $ contro 4,80 $ all'ora

Il costo è la parte di questo confronto che non dipende dalla metodologia di benchmark di nessuno, perché è una tariffa pubblicata.

Grok Voice Think Fast 2.0 ha un prezzo di 0,08 $ al minuto di audio, circa 4,80 $ all'ora. Si trattava di un aumento del 60% rispetto ai 3,00 $ all'ora di Think Fast 1.0, e gli utenti sull'alias grok-voice-latest sono stati migrati automaticamente il 5 agosto 2026 — gli sviluppatori che volevano rimanere sul vecchio modello dovevano fissare l'ID versionato prima di quella data o assorbire il cambiamento.

Gemini 3.8 Live è stato annunciato a 0,005 $ al minuto per l'audio in ingresso e 0,018 $ al minuto per l'audio in uscita. Il grafico di Artificial Analysis sul costo per ora dell'audio in ingresso lo colloca a 1,50 $ all'ora — il che è esattamente 3,2 volte più economico rispetto ai 4,80 $ di Grok. A titolo di contesto, lo stesso grafico mostra GPT-Realtime-2 High a 4,14 $, Qwen Audio 3.0 Realtime Plus a 4,42 $ e GPT-Realtime-2.1 High a 10,75 $.

L'assetto del mercato in quell'elenco merita una frase. La voce più economica del tabellone è un Gemini — Gemini 3.1 Flash Live a 1,42 $ all'ora — e la seconda più economica è Gemini 3.8 Live a 1,50 $. Google ha posizionato il suo modello vocale più recente come la seconda opzione più economica della categoria, al di sotto di modelli con cui compete sulla qualità.

Nota cosa significa per chi è migrato a Grok in agosto. Tra l'aumento di prezzo e il lancio di Google, lo stesso carico di lavoro è passato da 3,00 $ l'ora a 4,80 $ l'ora da un lato di questo confronto ed è diventato disponibile a 1,50 $ l'ora dall'altro. Niente nei modelli è cambiato per causarlo. Le decisioni di routing prese a luglio ora costano più del doppio di quanto costa l'alternativa, che è precisamente la situazione che un router esiste per evitare.

Dove Grok è ancora in testa

Due cose, e una delle due non ci va nemmeno vicina.

Latenza. Grok Voice Think Fast 2.0 ha ridotto il tempo al primo audio da 1,25 secondi a 0,70 secondi, che è il dato pubblicato più veloce della categoria. Google non ha pubblicato alcun dato sulla latenza per Gemini 3.8 Live — solo testimonianze di partner che descrivono una "latenza impressionante". In una chiamata telefonica, 0,70 secondi sono la differenza tra una conversazione e un ritardo, ed è l'unica dimensione in cui l'affermazione di xAI è sia specifica sia incontestata. Se il tuo prodotto è la telefonia, questo potrebbe superare tutto quanto sopra.

Robustezza della trascrizione. xAI ha valutato il tasso di errore sulle parole (word error rate) su migliaia di frasi brevi in 24 lingue e riporta un errore da 1,5–2,0× inferiore rispetto ai modelli STT dedicati, inclusi Deepgram Nova 3 ed ElevenLabs Scribe v2, 1,4× inferiore rispetto a Think Fast 1.0, e un errore circa 10× inferiore in contesti rumorosi con rumore di fondo e compressione telefonica. Questi dati sono dichiarati dal fornitore e non verificati in modo indipendente, e l'affermazione relativa agli ambienti rumorosi è quella da testare per prima, perché è la più specifica e la più facile da falsificare.

Grok offre inoltre interessanti opportunità pratiche per gli sviluppatori, degne di nota: un'API WebSocket compatibile con OpenAI Realtime, PCM16 a 24 kHz con μ-law per la telefonia, rilevamento dell'attività vocale lato server, token effimeri per app browser, clonazione vocale personalizzata a partire da circa un minuto di parlato e un volume di token di ragionamento pari a circa 0,4× quello della versione precedente.

Dove conduce Gemini 3.8 Live Extended Thinking

Oltre al posizionamento nell'indice e al presunto gap agentico, gli elementi distintivi sono strutturali:

• Visione — Gemini 3.8 Live elabora input visivi quasi in tempo reale. Grok Voice Think Fast 2.0 non dispone di un ancoraggio visivo comparabile.

• Copertura linguistica — 97 lingue supportate con cambio automatico nel corso della conversazione, contro le 25+ di Grok.

• Ragionamento narrato — la variante Extended Thinking parla mentre lavora, usando segnali come "Fammi controllare…" e una narrazione dei progressi in tempo reale, un comportamento più leggibile per un utente in attesa su un'attività a più passaggi.

• Filigrana — tutto l'audio generato contiene SynthID.

• Costo — 3,2 volte più economico all'ora di audio in input.

I contrappesi sono reali. Google non ha pubblicato alcun dato di latenza, alcuna finestra di contesto e alcun numero per componente che qualcuno al di fuori dell'azienda abbia riprodotto. La sua disponibilità è un'anteprima, non una disponibilità generale: gli sviluppatori la ottengono nella Gemini API e in Google AI Studio, le aziende in anteprima privata in Gemini Enterprise, e i consumatori tramite Gemini Live, Docs Live, Gmail Live e Keep Live. Il modello di Grok è oggi in disponibilità generale e la sua API è documentata.

Lo strato su cui sono appoggiati entrambi

Una somiglianza strutturale è facile da trascurare e conta più di entrambe le schede tecniche. Entrambi i modelli delegano. Il ragionamento parallelo di Grok quasi sempre termina con una chiamata a uno strumento o una ricerca, e l'esecuzione in background degli strumenti di Google è progettata esplicitamente affinché la conversazione continui mentre le chiamate API vengono completate. Sotto entrambi i front-end vocali c'è un normale carico di lavoro di un modello testuale — ed è lì che risiedono la maggior parte del costo complessivo e quasi tutta la flessibilità di passaggio.

OrcaRouter esegue 190 modelli dietro un'unica chiave al prezzo di listino del provider, senza alcun ricarico, il che significa che un taglio di prezzo da parte di un fornitore è attivo sul nostro lato lo stesso giorno anziché al rinnovo successivo. Non è cosa da poco in una categoria in cui un importante modello ha aumentato la propria tariffa al minuto del 60% in poche settimane. L'altra proprietà che conta per la voce è il failover automatico: una chiamata che cade perché un backend è andato in timeout è un cliente perso, e la capacità di cambiare il target di delega sul traffico live senza riscrivere l'integrazione vocale è ciò che rende reversibile la scelta del front-end. Per essere precisi sulla portata — gli endpoint Grok Voice Think Fast 2.0 e Gemini 3.8 Live non sono sul nostro router; quelli provengono dalle API dei fornitori stessi. I modelli di testo a cui delegano, in genere, sì.

Cosa lo risolverebbe

Questo confronto è insolitamente facile da risolvere, perché la prova decisiva è specifica e in sospeso. Tre cose basterebbero:

• Independent τ-Voice funziona su Gemini 3.8 Live Extended Thinking. Google dichiara il 68,6% contro il 56,5% di Grok. Si tratta di un'affermazione di 12 punti in una categoria in cui Google storicamente non ha ricoperto il ruolo di leader, ed è il singolo numero che più di ogni altro cambia il verdetto.

• Una cifra di latenza pubblicata. Finché Google non ne pubblica una, gli 0,70 secondi di Grok restano incontrastati e gli acquirenti di telefonia hanno una sola scelta difendibile.

• Disponibilità generale e prezzi stabili.I prezzi dell'anteprima cambiano. Una tariffa oraria di 1,50 $ che raddoppia al momento della GA riscriverebbe completamente questo confronto.

Finché non saranno disponibili, la posizione difendibile è più ristretta di quanto suggerisca l'uno o l'altro annuncio. Grok Voice Think Fast 2.0 resta la scelta giusta dove la latenza è il vincolo e il carico di lavoro è di tipo telefonico. Gemini 3.8 Live Extended Thinking è la scelta giusta dove contano profondità di ragionamento, visione o ampiezza linguistica e si può tollerare lo stato di anteprima e una latenza non pubblicata. E i 0,3 punti tra loro non dovrebbero decidere nulla — dovrebbe farlo il 3,2×.