Grok Voice 3.0 vs Gemini 3.8 Live: Google vende due modelli vocali e solo uno dei due è in questa sfida

La risposta di Google a Grok Voice 3.0 costa 0,84 dollari l'ora. È il dato di costo orario dell'audio in input di Artificial Analysis per Gemini 3.8 Live nella sua configurazione standard, ed è 5,7 volte più economico dei 4,80 dollari l'ora che Grok Voice 3.0 fattura. È anche il modello sbagliato con cui fare il confronto. Il Gemini 3.8 Live che se la gioca davvero con il nuovo flagship di SpaceXAI — quello che totalizza 82,6 sullo Speech to Speech Index contro l'86,9 di Grok — è la variante Extended Thinking, e costa 3,50 dollari l'ora. Il divario reale tra questi due modelli è di 1,37×, non di 5,7×, e scegliere la riga sbagliata dalla tabella dei prezzi è l'errore più costoso possibile in questo confronto.

È la prima volta che la categoria ha una vera frontiera prezzo-qualità invece di un leader e di un'alternativa più economica. Grok Voice 3.0 è arrivato il 14 ottobre 2026 a 0,08 $ al minuto, la stessa tariffa di Grok Voice 2.0, con 86,9 sull'indice e un tempo al primo audio inferiore al secondo. Gemini 3.8 Live è sbarcato il 15 settembre 2026 in due configurazioni che si comportano come due prodotti diversi, una delle quali è un leader sul costo e una delle quali è un sistema di ragionamento che, per l'appunto, parla.

I due modelli Google non sono livelli l'uno dell'altro.

L'inquadramento dato da Google stesso li distingue per compito anziché per dimensione. Il modello standard è descritto come progettato per scalabilità ed efficienza dei costi, con dialogo fluido e ancoraggio visivo. La variante Extended Thinking è descritta come progettata per attività ad alta complessità, con un ragionamento a più passaggi che narra ad alta voce i propri progressi mentre lavora.

Il divario misurato tra loro non è un gradiente di qualità. È una cesura tra categorie:

• Completamento di attività agentiche, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6% vs Gemini 3.8 Live 30,1%. Stesso fornitore, stessa release, stessa famiglia sottostante, 38,5 punti di distanza.

• Indice Speech to Speech — 82,6 per Extended Thinking con reasoning effort High rispetto a 76,0 per il modello standard.

• Costo per ora di audio in input — $3.50 vs $0.84.

• Tempo al primo audio — 1,35 secondi per Extended Thinking rispetto a 1,18 secondi per il modello standard, entrambi misurati da Artificial Analysis.

Quindi, quando un documento di approvvigionamento chiede se Gemini 3.8 Live costi meno di Grok Voice 3.0, non esiste una risposta unica. Rispetto al modello standard, xAI costa quasi sei volte tanto ed è avanti di 10,9 punti indice. Rispetto a Extended Thinking, xAI costa il 37% in più sull'audio ed è avanti di 4,3 punti. Sono decisioni diverse che portano lo stesso nome di modello.

Testa a testa, con il Gemini giusto

Mettiamo per un momento da parte la variante standard e confrontiamo i due modelli che si contendono davvero la vetta della classifica. Ogni dato riportato di seguito proviene dai test interni di Artificial Analysis del 13 ottobre 2026 per Grok Voice 3.0 e dalla classifica di settembre per Gemini 3.8 Live Extended Thinking con sforzo High.

• Indice Speech to Speech — Grok Voice 3.0 86,9 vs Gemini 3.8 Live Extended Thinking 82,6. Un divario di 4,3 punti che è reale ma non decisivo.

• Prestazioni agentiche, τ-Voice — Grok Voice 3.0 71,6% vs Gemini 3.8 Live Extended Thinking 68,6%. Tre punti, e la cosa più vicina a un pareggio in classifica.

• Ragionamento vocale Big Bench Audio — Grok Voice 3.0 98,5% vs il 97,7% riportato da Google. Entrambi di fatto al tetto; questa dimensione ha smesso di discriminare.

• Preferenza per Speech Agent Arena — Grok Voice 3.0 a Elo 1070, il più alto in classifica. Il modello di Google non detiene l'arena.

• Prezzo al minuto di audio — Grok Voice 3.0 0,08 $ in ingresso e in uscita; Gemini 3.8 Live 0,005 $ al minuto di input audio e 0,018 $ al minuto di output audio.

• Tempo al primo audio — Grok Voice 3.0 0,81 secondi; Gemini 3.8 Live Extended Thinking 1,35 secondi e il modello standard 1,18 secondi secondo la misurazione di Artificial Analysis. I materiali ufficiali di Google non pubblicano alcun dato sulla latenza.

• Costo per attività completata, Big Bench Audio — Grok Voice 3.0: 0,025 $ per attività. Nessuna delle due varianti di Google ha una cifra pubblicata.

• Disponibilità — Grok Voice 3.0 ha un prezzo definito ed è operativo, con un avviso di deprecazione sul suo predecessore; Gemini 3.8 Live è in anteprima, senza data di disponibilità generale, senza dati di uptime pubblicati e senza una tariffa che Google si sia impegnata a mantenere.

• Copertura linguistica — Gemini 3.8 Live passa tra 97 lingue supportate durante la conversazione; il livello di sintesi vocale di xAI documenta oltre 38 lingue.

• Input visivo — Gemini 3.8 Live elabora input visivo quasi in tempo reale; Grok Voice 3.0 non ha alcun ancoraggio visivo comparabile.

L'unica dimensione in cui il silenzio di Google è la notizia

Nota l'asimmetria in quell'elenco. Grok Voice 3.0 inizia a parlare in 0,81 secondi. Gemini 3.8 Live Extended Thinking inizia in 1,35 e il modello standard in 1,18, entrambi secondo la misurazione di Artificial Analysis — il che rende il Gemini non-reasoning più lento a iniziare un turno rispetto a quello reasoning, una stranezza che è quasi certamente l'effetto della variante reasoning che narra ad alta voce i suoi progressi mentre lavora, più che di un percorso realmente più veloce.

Il materiale di lancio di Google non pubblica alcun dato di latenza per nessuno dei due modelli, solo il linguaggio dei partner su una latenza impressionante. Questo conta perché il tempo al primo audio è la dimensione in cui i prodotti vocali hanno successo o falliscono agli occhi delle persone che li usano, ed è la dimensione sulla quale Google ha scelto di non mettere un numero. Se il tuo prodotto è la telefonia, dove 0,81 secondi sono la differenza tra una conversazione e un ritardo, la misurazione del tuo fornitore fatta da un concorrente non equivale all'impegno del tuo fornitore. Fai test prima di impegnarti e tieni d'occhio l'annuncio di disponibilità generale per vedere se compare un dato insieme ad esso.

Il grounding visivo va nella direzione opposta ed è inequivocabilmente di Google. Un modello in grado di elaborare video quasi in tempo reale può risolvere ciò che l'audio non può: a cosa si riferisce "this", se la persona che chiede sta guardando la cosa di cui sta chiedendo, se il rumore sulla linea è una macchina che può essere vista. Grok Voice 3.0 è un modello audio con strumenti. Questo è un vero confine di capacità, non una differenza di configurazione, e nessun punteggio di indice può colmarlo.

Cosa compra realmente la differenza di prezzo

Fai il calcolo su un carico di lavoro reale. Diecimila minuti di voce al giorno, trenta giorni al mese, trecentomila minuti.

• Grok Voice 3.0 — 0,08 $ al minuto, quindi 24.000 $ al mese.

• Gemini 3.8 Live Thinking — a partire da 3,50 $ per ora di audio in input, circa 17.500 $ al mese per lo stesso volume, con un listino prezzi pubblico che addebita separatamente input e output.

• Gemini 3.8 Live standard — circa 4.200 $ al mese, su un modello che completa il 30,1% degli scenari τ-Voice.

Quella riga centrale racchiude l'intera decisione. Per circa 6.500 dollari al mese in meno rispetto al modello di punta di xAI, Google vende un modello che, in stato di anteprima, è 4,3 punti indice dietro — abbastanza vicino perché qualsiasi team il cui agente svolga un vero lavoro a più passaggi debba testare entrambi sui propri dati registrati invece di leggere una classifica. La riga in basso è una trappola, a meno che la vostra interfaccia vocale non sia conversazionale e il completamento delle attività non avvenga altrove nello stack, cosa che accade per una larga parte dei prodotti vocali distribuiti.

C'è un'ulteriore misura che vale la pena portare in quel foglio di calcolo, perché inverte in parte il quadro. La misurazione per attività di Artificial Analysis su Big Bench Audio pone Grok Voice 3.0 a $0,025 per completare un'attività contro $0,030 per GPT Live 1 nella sua configurazione Astra medium. Il costo per attività completata, non il costo orario, è il numero che sopravvive al contatto con una riunione di budget — un modello più economico che richiede un secondo tentativo non è più economico. Nessuno dei due fornitori pubblica quella cifra per la coppia Gemini, che è un'altra lacuna dove l'opzione più economica non è stata misurata sull'asse che conta.

Dove un router aiuta e dove no

Sii preciso su questo, perché la risposta istintiva è sbagliata. OrcaRouter non fornisce nessuno dei due endpoint realtime. Grok Voice 3.0 proviene dall'API di xAI stessa e Gemini 3.8 Live da quella di Google, e nessun router può interporsi su un WebSocket audio duplex appartenente a un unico fornitore. Se qualcuno ti dice che la sua piattaforma ti permette di fare failover tra questi due durante la chiamata, sta descrivendo qualcosa che non esiste.

Ciò che è instradabile è tutto ciò che li circonda. Un deployment vocale è un modello vocale più uno stack di testo — il classificatore che assegna un codice di esito dopo la chiamata, il summarizer che scrive la nota nel CRM, il retrieval che risponde alla domanda che il modello vocale ha dovuto passare, il modello che legge la trascrizione per la conformità. Quello strato è normale inferenza a consumo per richiesta, è dove si accumula una quota significativa del costo per chiamata, ed è lo strato che gestiamo noi: oltre 200 modelli linguistici dietro un'unica chiave al prezzo di listino del provider, senza alcun ricarico, failover automatico quando un provider peggiora, e un DSL di routing che ti permette di comporre più modelli in un'unica chiamata invece di sceglierne uno in anticipo. Poiché il prezzo di listino passa invariato, un taglio di prezzo del fornitore su uno qualsiasi di quei modelli è attivo dalla nostra parte lo stesso giorno. Il minuto audio che paghi a Google o xAI è lo stesso minuto in entrambi i casi; il ragionamento che ci sta dietro è la parte che puoi scegliere.

La regola di decisione

Tre risposte, e derivano dai componenti piuttosto che dall'indice.

Scegli Grok Voice 3.0 se il tuo carico di lavoro è agentico, sensibile alla latenza e andrà in produzione questo trimestre. Detiene il primato nel punteggio composito, lo detiene nell'arena, detiene il tempo start-to-speak pubblicato più rapido tra i modelli di frontiera, ed è prezzato e supportato con un percorso di deprecazione anziché un avviso di anteprima.

Scegli Gemini 3.8 Live Extended Thinking se ti serve l'ancoraggio visivo, se ti servono 97 lingue invece di 38, oppure se stai consumando abbastanza minuti vocali che 1,30 $ all'ora di differenza contano più di 4,3 punti di indice — e accetta che stai costruendo su una preview senza alcun impegno di uptime.

Scegli il Gemini 3.8 Live standard solo se hai misurato il tuo traffico e confermato che la parte multi-step delle tue chiamate è già gestita al di fuori del modello vocale. Sulla carta è l'opzione più economica della categoria, con un ampio margine. Sull'asse τ-Voice fallisce circa sette scenari su dieci, e nulla nell'indice te lo dice finché non guardi.

Cosa cambierebbe questa pagina: una data di disponibilità generale e un dato sulla latenza da Google, che insieme renderebbero l'opzione più economica anche la più sicura; oppure una mossa sul prezzo da parte di xAI, che è l'unica leva che il suo concorrente non può eguagliare, dato che ora la tariffa del modello di punta è rimasta costante per un'intera generazione di modelli.

Confronti come questo sono anche il punto in cui emergono le modalità di fallimento: gli incidenti AI documentati e i fallimenti degli agenti relativi ai modelli di questa classe sono raccolti in l'Archivio degli Incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e l'indicatore di contestazione.