GPT-Live-1.1 vs Gemini 3.8 Live: Sei nuove lingue contro novantasette, e perché quel divario non è tutta la storia

Conta le lingue e il confronto sembra concluso prima ancora di cominciare. Gemini 3.8 Live, annunciato da Google DeepMind il 15 settembre 2026, supporta 97 lingue con passaggio automatico da una lingua all'altra a metà conversazione fin dal lancio. GPT-Live-1.1, lanciato da OpenAI il 15 ottobre 2026, aggiunge tredici nuove opzioni vocali — due ciascuna per francese, tedesco, hindi, giapponese, coreano e spagnolo messicano, più una voce inglese chiamata Bubbie. Sei nuove lingue contro novantasette è un rapporto su cui nessuno deve riflettere.

È anche un confronto tra una settimana di lavoro e un anno di copertura, ed è per questo che il numero che chiude la discussione non è il numero che dovrebbe deciderla. Le due release misurano cose diverse: la cifra di Google descrive quanta parte del mondo può contenere la sessione, quella di OpenAI descrive quali accenti erano udibilmente sbagliati prima e ora non lo sono più. Per un acquirente, la domanda utile non è quale conteggio sia più grande. È quale dei due si possa effettivamente chiamare, e cosa succede al resto del tuo stack quando lo fai.

La disponibilità è il punto in cui il confronto si interrompe

Parti da lì, perché è il punto in cui questi due modelli smettono di essere alternative.

GPT-Live-1.1 è un lancio per i consumatori. È arrivato in ChatGPT Voice il 15 ottobre 2026, insieme a un secondo modello, GPT-Live-1.1 Quip, che succede a GPT-Live-1 mini e diventa il modello predefinito per gli account sotto il piano Plus. L'annuncio di OpenAI è esplicito sul fatto che l'API è un evento successivo — "presto in arrivo sull'API" — e la documentazione concorda: la pagina dei modelli elenca ancora gpt-live-1 e gpt-live-transcribe e nulla di più recente, e gpt-live-1.1 restituisce un 404 come pagina di modello. Non esiste alcun ID di modello, alcun limite di frequenza e alcun prezzo per GPT-Live-1.1 in nessun posto accessibile a uno sviluppatore.

Gemini 3.8 Live è il caso opposto. È un modello API con una tariffa pubblicata — 0,005 $ al minuto per l'input audio e 0,018 $ al minuto per l'output audio — ed è invocabile dal giorno in cui è stato annunciato, con la variante Extended Thinking distribuita tramite Gemini Live, Docs, Gmail e Keep per gli abbonati AI. La disponibilità enterprise di Google è ancora in anteprima privata senza alcun impegno di disponibilità generale, il che è di per sé un vincolo reale, ma è un tipo diverso di vincolo rispetto al non avere alcun endpoint.

Quindi uno di questi è qualcosa che puoi comprare e l'altro è qualcosa che puoi usare. Questa asimmetria ha più conseguenze di qualsiasi benchmark al di sotto di essa, ed è la cosa che la maggior parte dei confronti della settimana di lancio tra questi due modelli omette.

Che cosa misura davvero 97 contro sei

Il divario è reale. Se chi ti chiama parla polacco o thai, Gemini 3.8 Live è l'unico dei due che può rispondere alla chiamata, e nient'altro in questo articolo conta.

Ciò che il numero non misura è la qualità all'interno della sovrapposizione, e la sovrapposizione è dove si concentra quasi tutta la domanda.

• Cosa si compra con 97 — copertura long-tail e la capacità di cambiare lingua a metà frase senza interrompere la sessione. Per una linea di supporto che copre una dozzina di mercati europei, quella singola funzione è il prodotto.

• Cosa si guadagna con sei — profondità nei mercati in cui la generazione precedente era palesemente sbagliata all'ascolto. L'affermazione di OpenAI riguarda la naturalezza dell'accento più che la comprensione, e le sei lingue scelte sono tra i più grandi mercati vocali non anglofoni, piuttosto che un campione casuale. Le note di rilascio descrivono inoltre una gamma più ampia di brevi frasi per segnalare che il modello sta cercando, cioè ciò che gli utenti sentono come "verifica…".

• Ciò che nessuno dei due numeri ti dice — come suona tutto questo. Non esiste alcun benchmark pubblico e riproducibile sugli accenti né alcun punteggio indipendente sulla qualità vocale per nessuno dei due modelli in nessuno dei due insiemi di lingue. Entrambe le cifre sono conteggi dei fornitori relativi alle opzioni di locale supportate, ed entrambi i fornitori le pubblicano senza allegare alcun metodo.

La conseguenza pratica è che il numero di lingue è un filtro di selezione, non una decisione. Se chi vi chiama parla una delle sette lingue sopra indicate, il numero è irrilevante e la qualità dell'accento diventa un test di ascolto che dovete eseguire voi stessi. In caso contrario, la decisione è già stata presa per voi.

Il consiglio indipendente e il problema della variante

Laddove esiste una misurazione indipendente, essa esiste per la generazione precedente sul versante OpenAI. Nell'Artificial Analysis Speech to Speech Index, leggi dalla classifica così com'era il 16 ottobre 2026:

• Grok Voice 3.0 — 86.9

• GPT-Live-1 (backend Astra, sforzo medio) — 83.2

• Gemini 3.8 Live Extended Thinking (High) — 82.6

• Grok Voice 2.0 — 81.3

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

• Gemini 3.8 Live — 76,0

• GPT-Realtime-2.1 High — 75.2

• Grok Voice 1.0 — 73.7

• GPT-Realtime-2 (Alto) — 73,6

• Gemini 3.1 Flash Live High — 72.0

Da quell'ordinamento derivano due cose. In primo luogo, il modello nominato per secondo nel titolo di questo articolo si trova al sesto posto, mentre una variante dell'altro si trova al terzo: l'82,6 che viene citato appartiene a Gemini 3.8 Live Extended Thinking, una configurazione diversa con un rollout più limitato. In secondo luogo, non esiste alcuna riga GPT-Live-1.1 da nessuna parte nella classifica, quindi il successore qui è rappresentato dal numero che ha ottenuto il suo predecessore.

Letto rispetto alla configurazione standard — Gemini 3.8 Live 76,0 contro GPT-Live-1 83,2 — la famiglia OpenAI è in vantaggio di 7,2 punti sulle evidenze del predecessore. Letto rispetto alla variante Extended Thinking, si tratta di uno scarto di 0,6 punti nella direzione opposta, che rientra nella variazione che ci si aspetta da una classifica che viene rieseguita man mano che vengono aggiunti modelli. Nessuna delle due letture è una misurazione di GPT-Live-1.1, e vale la pena essere espliciti: le evidenze dello stesso successore sono una dichiarazione in una scheda di sistema secondo cui si comporta allo stesso livello di GPT-Live-1 sui prompt di produzione, il che è un'affermazione sul non regredire, non un punteggio.

Dove l'architettura li separa ancora

La differenza full-duplex non è scomparsa. Ha solo smesso di essere decisiva.

GPT-Live-1.1 eredita la struttura di GPT-Live-1: audio in ingresso e audio in uscita elaborati in modo continuo all'interno di un unico modello, nessuna catena speech-to-text → modello linguistico → text-to-speech, backchannel come "mhmm" prodotti nativamente, e l'interruzione gestita decidendo più volte al secondo se continuare a parlare o cedere il turno. Questo resta l'aspetto in cui i sistemi a turni sbagliano, e Gemini 3.8 Live è ancora basato sui turni.

Ciò che invece fa Gemini 3.8 Live è mantenere la sessione produttiva mentre un turno è in corso: elaborazione dell'input visivo quasi in tempo reale, esecuzione in background di strumenti e API che riconosce una richiesta e mantiene viva la conversazione mentre la chiamata viene completata, e una variante Extended Thinking che narra il suo progresso ad alta voce. La risposta di Google al problema del silenzio è riempire il silenzio con il lavoro anziché rimuovere il confine del turno. Entrambi gli approcci impediscono a un chiamante di riagganciare; falliscono in modo diverso, e i modelli basati su turni possono comunque giudicare male una pausa.

L'input visivo è il costo concreto di quel compromesso. La condivisione di fotocamera e schermo fa parte delle funzionalità di Gemini 3.8 Live fin dal lancio, e la documentazione di OpenAI stessa per la famiglia Live elenca l'input di immagini e video come esplicitamente non supportato — una limitazione che si estende a GPT-Live-1.1, poiché le pagine di assistenza per i consumatori della nuova versione ripetono che Live non supporta video né condivisione dello schermo. Se il tuo agente deve guardare qualcosa, questo decide il confronto prima che qualsiasi benchmark lo faccia.

Il confronto dei costi, con l'asterisco allegato

Sulle tariffe front-end pubblicate, Google è molto più economica. Gemini 3.8 Live fattura 0,018 $ al minuto di output audio contro gli 0,05 $ al minuto vocale di GPT-Live-1, e quel 0,05 $ è l'unica cifra al minuto che OpenAI ha pubblicato per la famiglia Live — appartiene al modello più vecchio, e nessuna tariffa è stata annunciata per GPT-Live-1.1 perché non esiste un endpoint a cui collegarla.

L'asterisco sta a indicare che nessuno dei due numeri è la fattura. Lo 0,05 $ di GPT-Live-1 copre soltanto il front-end vocale. Il ragionamento avviene su un modello di testo delegato, e la documentazione di OpenAI su Live afferma senza mezzi termini che le chiamate backend a Responses vengono fatturate al prezzo normale del modello configurato — così cinque centesimi al minuto di tempo vocale diventano tre dollari all'ora di tempo vocale prima ancora che venga contato un singolo token di ragionamento. Gemini 3.8 Live ha la stessa identica struttura: l'esecuzione degli strumenti in background è lavoro da modello di testo, fatturato alle tariffe dei modelli di testo che Google non ha pubblicato per questo prodotto.

Ecco perché qualsiasi cifra di costo orario che vedi per uno dei due modelli è un numero parziale travestito da totale. Un'ora di tempo vocale di GPT-Live-1 costa 3,00 $ di front-end prima che il backend venga minimamente conteggiato, e la cifra complessiva dipende interamente da quale modello deleghi e con quale frequenza viene chiamato. Per Gemini 3.8 Live il front-end è più economico al minuto e il backend non è reso noto. Confrontare le due tariffe principali ti dice qualcosa solo sulla metà economica di ciascuna fattura.

Lo strato a cui entrambi lavorano a mano

Entrambi i sistemi delegano, ed è questo il fatto che rende questo confronto meno una decisione di lock-in di quanto suggerisca il numero di lingue. GPT-Live-1.1 affida per progettazione le query difficili a un modello testuale di backend; l'esecuzione degli strumenti in background di Gemini 3.8 Live si risolve in normali chiamate al modello. In entrambi i casi il livello vocale è una sottile interfaccia front-end su un modello di ragionamento che il fornitore considera configurato separatamente e con misurazione separata. La variabilità dei costi risiede lì, le differenze di qualità tra configurazioni si manifestano lì, e cambiare è economico lì perché non tocca l'integrazione vocale.

Questa è la metà di uno stack vocale in cui un router si guadagna il suo posto, quindi vale la pena essere precisi sul confine. Su OrcaRouter il livello di ragionamento è più di 200 modelli dietro un'unica chiave al prezzo di listino del provider, senza ricarichi, il che significa che un taglio di prezzo a monte raggiunge il nostro lato lo stesso giorno anziché al rinnovo contrattuale successivo — una proprietà che conta più del solito in una struttura di fatturazione a due contatori in cui il backend è il contatore che si muove. Il DSL di routing ti consente di nominare esplicitamente il target di delega e di sostituirlo sul traffico live, e il failover automatico mantiene viva una sessione quando un backend genera un errore o va in timeout a metà chiamata, una modalità di errore che la voce ha e il testo no. Una precisazione, perché sarebbe facile lasciar intendere il contrario: non ospitiamo gli endpoint vocali di GPT-Live-1.1 o Gemini 3.8 Live. Quelli provengono dalle piattaforme dei vendor stessi e, nel caso di GPT-Live-1.1, non esiste un endpoint pubblico da ospitare. I modelli di testo a cui questi sistemi delegano il lavoro in genere sono sul router.

Come scegliere

Scegli Gemini 3.8 Live se devi consegnare subito, se le tue lingue vanno oltre le sette sopra elencate, o se il modello deve vedere qualcosa. Accetta il fatto che stai acquistando la configurazione standard che ottiene 76,0 sull'indice composito, che l'82,6 di solito citato appartiene alla variante Extended Thinking, che l'accesso enterprise è in anteprima privata e che il costo complessivo per ora non è pubblicato neanche sul tuo lato della fattura.

Scegli GPT-Live-1.1 se la qualità della conversazione è il prodotto e le tue lingue rientrano nel suo set — e se puoi aspettare. L'alternanza dei turni full-duplex resta ancora il parametro di riferimento per la naturalezza, il salto di versione è un vero miglioramento rispetto a GPT-Live-1, e il lavoro sugli accenti prende di mira esattamente le lingue che prima erano le peggiori. Inoltre, oggi, non è qualcosa che puoi chiamare dal codice.

Scegli GPT-Live-1 se ti serve la voce di OpenAI e ti serve questo mese, perché è l'unico membro di quella famiglia con un ID modello, un endpoint documentato e una tariffa pubblicata.

La data da tenere d'occhio è quella in cui gpt-live-1.1 ottiene una pagina modello. È allora che questo smette di essere un confronto tra un prodotto già disponibile e un annuncio, e in cui la dichiarazione sull'accento, il numero di lingue e il prezzo diventano tutti verificabili nello stesso pomeriggio.

Anche confronti come questo sono il punto in cui emergono le modalità di guasto: gli incidenti AI documentati e i fallimenti degli agenti dietro i modelli di questa classe sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.