
Realtime 1 vs Gemini 3.8 Live: il vincitore dell'Arena è quello che non riesce a completare il compito
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 90 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 87 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M di token · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M di token · 182 tok/s
Gemini 3.8 Live ha il miglior Elo arena tra tutti i modelli vocali nella classifica speech-to-speech di Artificial Analysis — 1074, davanti ai 1037 di GPT-Live-1 e ben sopra i 990 di Eleven Realtime Max. Ha anche il tasso di successo più alto nelle attività di quel set di confronto, 93,2%. E ottiene il 30,1% nel completamento di attività agentiche, che è il dato più debole dei quattro. Quei tre numeri descrivono lo stesso modello, e capire perché coesistono è tutta la questione quando lo si mette accanto a MAI Realtime 1, il nuovo modello speech-to-speech di Microsoft annunciato il 17 novembre 2026, che è pensato esattamente per ciò in cui Gemini 3.8 Live è peggiore.
Uno di questi modelli è un conversatore. L'altro viene proposto come operatore. Nessuno dei due ha pubblicato abbastanza da dimostrare quale sia l'uno e quale l'altro sul tuo carico di lavoro, ma falliscono in direzioni opposte, e questo è più utile di una classifica in cui i punteggi sono tutti ravvicinati.
Due scommesse diverse su a cosa serve un modello vocale
La presentazione di Google per Gemini 3.8 Live è ristretta e sicura: è il modello Live API predefinito per «la maggior parte delle esperienze con agenti vocali a bassa latenza, senza ritardi di ragionamento», con un modello gemello — Gemini 3.8 Live Extended Thinking — per i casi che richiedono «un maggiore ragionamento in background» durante l'interazione. Questa separazione ti dice per cosa Google ritiene che il modello base non sia pensato. Il vero ragionamento risiede nel modello gemello.
Il modo in cui Microsoft presenta MAI Realtime 1 è l’immagine speculare. Si tratta di “voce-a-voce con un flusso conversazionale naturale e una precisa guidabilità”, e l’architettura è esplicitamente a due livelli: un sistema veloce mantiene il dialogo in tempo reale, mentre i compiti più difficili vengono “indirizzati a un motore di ragionamento più potente senza pause imbarazzanti”. Microsoft non sta vendendo un interlocutore migliore. Sta vendendo uno smistatore che parla abbastanza bene da mantenere viva la linea mentre qualcos’altro svolge il lavoro.
• Gemini 3.8 Live — un unico modello, volutamente rapido, con il ragionamento disponibile come sibling separato e più pesante, da scegliere per ogni deployment.
• MAI Realtime 1 — un unico prodotto con due motori alle spalle, con escalation per turno anziché per deployment.
• La differenza pratica — Google ti chiede di scegliere un'impostazione al momento dell'integrazione. Microsoft ti chiede di fidarti di un router all'interno del modello e di pagare il suo livello di ragionamento in base ai token.
Cosa dicono i numeri indipendenti su Gemini 3.8 Live
Questo è il lato del confronto con misurazioni reali, e sono buone:
• Indice speech-to-speech — 74,5, rispetto a 82,6 della variante Extended Thinking. L'indice lo penalizza per la colonna agentica, non per la conversazione.
• Ragionamento vocale (Big Bench Audio) — 91,7%. Solido, e 97,7% su Extended Thinking.
• Dinamiche conversazionali — 96,1%. È da qui che deriva l'Elo dell'arena: gestisce il ritmo umano di una chiamata bene quanto qualsiasi altra cosa misurata.
• Arena Elo — 1074, il più alto nell'insieme di confronto. Preferenza umana, in effetti, e non è vicino al fondo di quella lista.
• Tasso di successo delle attività — 93,2%, anche il più alto del set.
• Completamento di attività agentiche (τ-Voice) — 30,1%. Il valore anomalo, e il motivo per cui l'indice composito si colloca al di sotto della versione con pensiero esteso.
• Tempo al primo audio — 1,18 secondi. Non il più veloce — Eleven Realtime Max lo fa in 0,57 — ma abbastanza veloce da rendere credibile l'affermazione «nessun ritardo di ragionamento».
• Costo combinato — circa $0,84 all'ora secondo la normalizzazione di Artificial Analysis. Il tariffario di Google riporta $0,005 al minuto per l'input audio e $0,018 al minuto per l'output audio, il che, in una chiamata bidirezionale continua, è più vicino a $1,38 all'ora; la differenza è una convenzione di misurazione, non una contraddizione, e nessuna delle due cifre dovrebbe essere citata al posto dell'altra.
Confronta il numero agentico con quello di successo del compito e qualcosa di importante emerge. Un tasso di successo del 93,2% accanto a una percentuale di completamento agentico del 30,1% significa che il modello è molto bravo nei compiti che l’harness considera conversazionali e scarso in quelli che richiedono di pianificare su più passaggi e usare strumenti. Sono strumenti diversi, e la discrepanza è la scoperta. Gemini 3.8 Live sosterrà una conversazione migliore di quanto probabilmente farà MAI Realtime 1. Se prenoterà l’appuntamento alla fine di quella conversazione è una questione separata, e sull’unica prova pubblica disponibile è la metà più debole.

Quello che dicono i numeri di Microsoft, che è un solo numero
MAI Realtime 1 non ha punteggi indipendenti. Artificial Analysis non riporta il modello al 18 novembre. Ciò che Microsoft pubblica direttamente è un unico dato di accuratezza nella pagina del modello — 98,8% su Big Bench Audio, etichettato lì come accuratezza sulle domande di ragionamento parlato di quel benchmark — più una scheda P50 time-to-first-audio e una didascalia "P50 Latency on BigBench Audio". Nessun dato τ-Voice, nessun elenco delle lingue supportate, nessuna distribuzione dietro il percentile, nessuna nota metodologica accanto al valore di accuratezza. Confrontatelo con il 91,7% di Gemini 3.8 Live sullo stesso benchmark misurato da Artificial Analysis, e state confrontando la valutazione di un fornitore con quella di una terza parte: i due numeri non sono lo stesso tipo di oggetto, e trattare 98,8% come una vittoria di sette punti sarebbe esattamente il mascheramento che questo articolo cerca di evitare. L'affermazione più ampia dell'azienda è che il modello si colloca sulla frontiera Pareto prestazioni-prezzo per Big Bench Audio e τ-Voice, e che supera GPT Realtime 2.1 per qualità, velocità e prezzo — un confronto con il modello vocale di ragionamento per token di OpenAI, non con Gemini 3.8 Live.
Quindi qualsiasi confronto diretto tra questi due modelli oggi è un confronto tra un profilo misurato da terzi e il valore di punta dichiarato dal fornitore stesso. Non è un motivo per saltare il confronto. È un motivo per essere precisi su ciò a cui ciascuna parte si è effettivamente impegnata.
Ecco gli impegni concreti di Microsoft: 0,01 $ al minuto audio, ragionamento a 1,00 $ per milione di token di input e 5,00 $ per milione di token di output, un'interfaccia compatibile con OpenAI Realtime API, un'anteprima di Foundry ad accesso limitato non fatturata fino all'anteprima pubblica, una demo non commerciale di due minuti in MAI Labs riservata agli adulti, un 98,8% dichiarato dal fornitore su Big Bench Audio con un valore di latenza P50 e nessuna distribuzione a sostegno, implementazioni denominate in arrivo in Dynamics 365 Contact Center e nelle simulazioni di formazione infermieristica di Dragon Copilot, e test iniziali presso Agoda e Reservations.ai.
Ciò a cui non si è impegnata: lingue, τ-Voice, residenza dei dati, conservazione o una data di GA.

Il confronto dei costi, fatto come si deve
Solo sulla linea voce il divario non è affatto lieve. Un minuto di audio di Gemini 3.8 Live, tra input e output combinati, costa $0.023 sul listino di Google. Un minuto di MAI Realtime 1 costa $0.01 prima del reasoning. Circa 2,3x e, a differenza del confronto con ElevenLabs, lato Google non ci sono costi di conformità o di piattaforma ad ampliarlo.
Ma la differenza di costo interessante non è la tariffa. È dove ricade il conto del ragionamento. La risposta di Gemini 3.8 Live a un turno difficile è un modello diverso da mettere in produzione — Gemini 3.8 Live Extended Thinking, a 3,50 dollari l'ora secondo i parametri di Artificial Analysis e 82,6 sull'indice. Questa è una decisione di deployment, con un prezzo per ora di audio indipendentemente dal fatto che un determinato turno ne abbia avuto bisogno. La risposta di MAI Realtime 1 è un'escalation per turno con prezzo per token, che costa meno quando pochi turni sono difficili e di più quando lo sono la maggior parte.
• Turni per lo più facili, escalation occasionali — il modello per token di MAI Realtime 1 vince, e di molto.
• Per lo più turni complessi — la tariffa fissa di $3,50 all'ora di Gemini 3.8 Live Extended Thinking è lo strumento più prevedibile, e la prevedibilità ha il suo valore quando devi prevedere il budget di un contact centre.
• Traffico misto senza una separazione netta: stai scegliendo tra una stima a ore che puoi difendere e una stima per token che devi misurare. Sono conversazioni di approvvigionamento diverse.
Vale la pena notare che il piano gratuito di Google copre Gemini 3.8 Live senza costi per input e output, con limiti di frequenza. Per un prototipo è un vero vantaggio rispetto a un modulo di registrazione e a una lista d’attesa.
I linguaggi, che decidono più matchup di quanto facciano i benchmark
Gemini 3.8 Live eredita il comportamento multilingue della Live API e la documentazione di Google considera il dialogo non in inglese un uso ordinario. Il materiale di lancio di MAI Realtime 1 non elenca nemmeno una lingua supportata. La discendenza vocale di Microsoft passa attraverso Dragon, un prodotto di dettatura clinica con una forte diffusione in inglese, e l'annuncio di Transcribe 2 parla di dimezzare i tassi di errore multilingue — ma quello è il modello di trascrizione, non quello in tempo reale, e non è un elenco di lingue.
Se il tuo agente serve un solo mercato di lingua inglese, questa è una nota a piè di pagina. Se ne serve tre, MAI Realtime 1 non è ancora un candidato che puoi valutare, perché l'anteprima non ti dirà cosa fa nelle lingue di cui hai bisogno.
Come eseguire il confronto prima che l'uno o l'altro fornitore lo risolva
Entrambi i modelli parlano l'API Realtime di OpenAI — l'API Live di Google tramite la propria interfaccia, quella di Microsoft esplicitamente per scelta progettuale. Il lato Gemini è strettamente correlato ma non identico nella semantica delle sessioni, quindi metti in conto un adattatore anziché una sostituzione dell'URL di base; il lato MAI Realtime 1, secondo la descrizione di Microsoft stessa, è più vicino a una sostituzione immediata.
La valutazione che decide questo confronto non è l'esecuzione di un benchmark. È un'esecuzione di completamento delle attività: assegna a ogni modello le stesse venti richieste reali che richiedono una chiamata a uno strumento e un secondo passaggio, e conta quante vengono completate. Il dato agentico del 30,1% di Gemini 3.8 Live stabilisce la tua aspettativa iniziale: dovrebbe completarne circa sei. Se MAI Realtime 1 si avvicina a quel valore, il vantaggio di prezzo non ti dà nulla su questo carico di lavoro. Se si avvicina all'87% che Eleven Realtime Max ottiene sullo stesso harness, il design a due livelli di Microsoft sta facendo ciò che promette e il confronto è finito.
Quella valutazione richiede che il livello di ragionamento dietro il modello vocale sia strumentato, perché sul lato Microsoft è lì che il secondo passaggio avviene effettivamente. OrcaRouter è il punto in cui quel livello si innesta: oltre 200 modelli dietro un'unica chiave al prezzo di listino del provider con 0% di ricarico, failover automatico così che una chiamata di ragionamento che si blocca non si trasformi in quattro secondi di silenzio durante una chiamata in diretta, e un DSL di routing che permette al percorso di escalation di essere una regola anziché codice che mantieni nel gestore vocale. MAI Realtime 1 stesso non è nel nostro catalogo — è raggiungibile tramite MAI Labs e l'anteprima ad accesso limitato di Foundry — quindi ciò che instradiamo è tutto ciò a cui demanda, più i modelli fratelli di Gemini 3.8 Live se scegli la via Google.
Che cosa comporta l'anteprima per la tempistica degli approvvigionamenti
Metti a confronto le due modalità di disponibilità e l'asimmetria smette di riguardare i modelli e inizia a riguardare quanto tempo serve per sapere qualcosa. Gemini 3.8 Live è disponibile a livello generale oggi sull'API Live di Google, con un livello gratuito che copre input e output entro un limite di frequenza, il che significa che un picco di due giorni può produrre un dato sul completamento delle attività prima della fine della settimana. MAI Realtime 1 è un modulo di registrazione, una lista d'attesa, una demo non commerciale di due minuti riservata agli adulti e un'anteprima per la quale Microsoft ha dichiarato che non fatturerà finché non inizierà l'anteprima pubblica.
Quelli sono tipi diversi di attrito e favoriscono team diversi. Se ti serve una risposta ora e la risposta deve essere difendibile davanti a chi firma la fattura, Gemini 3.8 Live ti offre un profilo misurato, con dietro un harness pubblico e una tariffa pubblicata su cui puoi discutere. Se hai capacità di ingegneria da spendere e nessuna scadenza questo trimestre, l’anteprima Microsoft è l’esperimento utile meno costoso della categoria — un centesimo al minuto che oggi non costa nulla, rispetto a un modello che nessuna terza parte ha misurato, su un’interfaccia che probabilmente parli già.
Crea un prototipo questa settimana, decidi il prossimo trimestre — funziona in entrambi i casi, e i piani gratuiti da entrambe le parti rendono l'esperimento quasi a costo zero.
• Prototipa questa settimana, rilascia il mese prossimo — Gemini 3.8 Live, perché MAI Realtime 1 non ha una data GA e non c'è modo di prevederla.
• I dati non possono uscire dal tuo tenant o dalla tua regione — nessuna delle due è la risposta secondo i termini pubblicati; Google ha controlli regionali su Live API, Microsoft non ha detto nulla sulla residenza per Realtime 1.

A chi è rivolto questo split
Scegli Gemini 3.8 Live se il prodotto è una conversazione. Se il valore sta in come suona l'agente, in come gestisce le interruzioni, con quanta rapidità risponde e quanto bene funziona in sei lingue, ha il profilo misurato migliore di qualunque cosa nella sua fascia di prezzo e un piano gratuito per dimostrarlo. Il punteggio agentico del 30,1% conta solo se le tue chiamate devono concludersi con un'azione completata anziché con uno scambio ben gestito.
Prendi sul serio MAI Realtime 1 se il prodotto è una transazione — una prenotazione, un reclamo, una ricerca che coinvolge più sistemi — e se puoi convivere con il solo inglese finché Microsoft non pubblicherà diversamente. A un centesimo al minuto con un’anteprima non fatturata, è il modo più economico per scoprire se un router lato fornitore batte quello lato applicazione. Il rischio non sono i soldi. È che rilasceresti un prodotto basandoti su un modello il cui unico valore di accuratezza pubblicato è il suo 98,8%, senza una ripetizione del test a supporto, senza punteggio τ-Voice, senza elenco delle lingue e senza distribuzione della latenza — e l’unica parte che può colmare questo divario questo mese sei tu, con la tua strumentazione.
Quello che nessuna delle due parti ha fatto è pubblicare il numero che lo risolverebbe: quale frazione delle conversazioni reali richiede il secondo motore. La risposta di Google è venderti un secondo modello e lasciarti decidere per ogni deployment. Quella di Microsoft è decidere per turno e fartelo pagare. Entrambi sono progetti onesti. Solo uno dei due è misurabile oggi, e non è quello più economico.
Confrontati in questo articolo1
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
