Gemini 3.8 Live 対 Grok Voice Think Fast 2.0：0.3ポイントの差と3.2倍の請求額

はいずれもGemini 3.8 LiveとGrok Voice Think Fast 2.0話しながら推論する——というより、両者がそうしているのは、実際にリーダーボード首位を争っている構成においてであり、Gemini 3.8 Live の場合それは標準ティアではなく Extended Thinking バリアントを指す。両者はそれぞれの開発元により、Artificial Analysis の Speech to Speech Index で1位だと説明されている。これらの主張のうち、現在公開ボードで読み取れるのは一方だけであり、上位2者の差は0.3ポイント——同じチャートの他の箇所で隣り合うモデルを隔てる差とほとんど変わらない大きさでしかなく、これは要するに、本当の違いではないということだ。

それらのコスト差は0.3ポイントではない。3.2倍だ。

その非対称性こそがすべてであり、どちらのベンダーの発表を読む前であれ、理解しておくべきことだ。

首位を主張する2つの声明

2026年7月下旬にxAIがGrok Voice Think Fast 2.0を発表した際、報告された数値は82.9%で、Artificial Analysis Speech-to-Speech Quality IndexにおいてGPT-Realtime-2.1の79.1%、Gemini 3.1 Flashの69.5%を上回っていた。複数の独立系メディアがこの枠組みをそのまま伝え、同モデルを音声分野で世界首位と評した。

2026年9月16日に記録されたボードでは、Googleの発表後、同じモデルはGrok Voice Think Fast 2.0 High（81.3）として表示されている。82.9ではない。そして最上位は今やGemini 3.8 Live Extended Thinking（82.6）。

取締役会の全員を、順番に：

• Gemini 3.8 ライブ拡張思考 — 82.6

• GPT-Live-1（Astraバックエンド、中程度のエフォート） — 81.5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1（Solバックエンド、低エフォート） — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

そのリストには2つの教訓があり、どちらも、どのモデルのほうが優れているかという話ではない。第一は、ベンダーが報告するインデックススコアは永続的ではないということだ。xAIの82.9は公開リーダーボードでは残らず、現在は81.3を示している。これは不正を疑うものではない。複合指標は改訂され、構成も異なり、7月の数値を7月の競争環境に対して測ったものは間違いではない。ただ古いだけだ。しかし、それが意味するのは、計画の基準にすべき唯一の数値は、自分で読んで日付を確認したものだということだ。第二は、ここで1位と3位を隔てる0.3ポイントは、意味のある品質差ではないということだ。その数値を根拠にこれら2つのモデルのどちらかを選ぶ人は、ノイズで選んでいるのだ。

コンポジットではなく、コンポーネントを読むこと

複合指標は議論を覆い隠す。Speech to Speech Index は、音声推論、エージェント性能、アリーナ選好、タスク成功率の加重平均であり、この対戦における2つのモデルは、その4つのうち2つでは差が大きい。

ここでGoogleの主張が本当に興味深くなる。なぜなら、Grokの売り込みのすべてはエージェント性能だったからだ：

• エージェント性能（τ-Voice） — Googleの報告では68.6%、Gemini 3.8 Live Extended Thinkingの場合。xAIの報告では56.5%、Grok Voice Think Fast 2.0の場合で、当時GPT-Realtime-2.1の45.7%を約11ポイント、Gemini 3.1 Flashの37.7%を約19ポイント上回っていました。両社の公表値が正しければ、GoogleはxAIが約12ポイントリードしていたこのカテゴリーを奪ったことになります。

• 音声推論（Big Bench Audio） — Googleは97.7%をExtended Thinkingモデルで報告しています。xAIは97.2%をGrokで報告しています。実質同等です。

• 銀行業務ワークフローにおけるタスク成功率 — Googleの報告によると35.1%（Sierraのτ-Voice-bankingベンチマーク）。xAIは直接比較可能な数値を公表していません。

• 会話のダイナミクス（Full Duplex Bench） — Grokの報告では95.1%で、当時はGPT-Realtime-2.1の95.7%をわずかに下回り、Gemini 3.1 Flashの74.3%を大きく上回っていました。GoogleはGemini 3.8 Live Extended ThinkingについてFull Duplex Benchの数値を公表していません。

正直さについての注記は、ここでは通常以上に重要だ。68.6%、35.1%、97.7%はGoogle自身の数値であり、Googleのブログで公表されたもので、Googleの外部でこれを再現した者はいない。Grokの56.5%、97.2%、95.1%はxAIまたはArtificial Analysisに由来し、インデックス順位の場合には公開されて確認可能だ。この比較で独立に読み取れる唯一の数値は、2つのインデックススコア、82.6と81.3だ。それ以外はすべて主張対主張であり、その主張は結果に関心を持つ当事者によってなされている。

安全に言えることはこうだ。Googleは、xAIが値上げを正当化するために持ち出した特定の指標において、大きなリードを主張している。その主張が独立した検証に耐えれば、この対決は能力の面で決着がつく。耐えられなければ、0.3ポイントの指標差がすべての違いであり、価格差は正当化できなくなる。

法案：1時間あたり$1.50対$4.80

コストは公表されている料金なので、この比較の中で谁のベンチマーク手法にも左右されない部分です。

Grok Voice Think Fast 2.0の価格は音声1分あたり0.08ドル、1時間あたりおよそ4.80ドルです。これはThink Fast 1.0の1時間3.00ドルから60%の値上げであり、grok-voice-latestエイリアスのユーザーは2026年8月5日に自動的に移行されました。旧モデルを使い続けたい開発者は、その日付より前にバージョン付きIDを固定するか、変更を受け入れる必要がありました。

Gemini 3.8 Liveは、音声入力1分あたり$0.005、音声出力1分あたり$0.018という価格で発表されました。Artificial Analysisの音声入力1時間あたりのコストチャートでは、1時間あたり$1.50となっており、これはGrokの$4.80よりちょうど3.2倍安い計算です。参考までに、同じチャートではGPT-Realtime-2 Highが$4.14、Qwen Audio 3.0 Realtime Plusが$4.42、GPT-Realtime-2.1 Highが$10.75となっています。

そのリストに見える市場の形は、一言述べておく価値がある。掲載されている中で最も安いのはGemini——Gemini 3.1 Flash Liveで1時間あたり1.42ドル——であり、2番目に安いのはGemini 3.8 Liveの1.50ドルだ。Googleは最新の音声モデルを、このカテゴリーで2番目に安い選択肢として位置づけている。品質で競合するモデルより下に置いている。

8月にGrokへ移行した人にとって、これが何を意味するかに注目してほしい。値上げとGoogleのローンチのあいだで、この対決の一方では同じワークロードが1時間3.00ドルから4.80ドルになった一方、もう一方では1時間1.50ドルで利用できるようになった。これを引き起こすようなモデル側の変化は何もなかった。7月に行われたルーティング判断は、今や代替手段の2倍以上のコストがかかっている。これはまさに、ルーターが避けるために存在する状況だ。

グロクが依然としてリードしている領域

2つある。そのうちの1つは程遠い。

レイテンシ。Grok Voice Think Fast 2.0は、最初の音声が出力されるまでの時間を1.25秒から0.70秒に短縮しました。これはこのカテゴリで公表されている最速の数値です。GoogleはGemini 3.8 Liveについてレイテンシの数値を一切公表しておらず、「印象的なレイテンシ」と述べたパートナーの証言があるだけです。通話において、0.70秒は会話と遅延の分かれ目であり、xAIの主張が具体的でありかつ異議を唱えられていない唯一の領域です。あなたの製品が電話関連であるなら、これは上記のすべてを上回るかもしれません。

文字起こしの堅牢性。 xAIは24言語の数千の短いフレーズにわたって単語誤り率を評価し、Deepgram Nova 3やElevenLabs Scribe v2を含む専用STTモデルより1.5～2.0倍低い誤り率、Think Fast 1.0より1.4倍低い誤り率、そして背景ノイズや電話圧縮を伴うノイズの多い環境では約10倍低い誤り率を報告している。これらはベンダーによる報告であり、独立に検証されたものではない。また、ノイズの多い環境に関する主張は、最も具体的で反証が最も容易であるため、最初に検証すべきものである。

Grokには、特筆すべき実用的な開発者向け機能も備わっています。OpenAI Realtime互換のWebSocket API、テレフォニー向けのμ-law付き24 kHz PCM16、サーバー側の音声アクティビティ検出、ブラウザアプリ向けの一時トークン、約1分の音声からのカスタム音声クローニング、そして推論トークン量は前バージョンの約0.4倍です。

Gemini 3.8 Live Extended Thinkingが導く先

インデックス上の位置づけと、主張されているエージェント的ギャップを除けば、差別化要因は構造的なものにある：

• 視覚 — Gemini 3.8 Live はほぼリアルタイムの視覚入力を処理します。Grok Voice Think Fast 2.0 には、それに匹敵する視覚的グラウンディングがありません。

• 言語カバレッジ — 会話途中の自動切り替えに対応した97言語（Grokの25+に対して）。

• ナレーション付き推論 — Extended Thinking バリアントは作業中に語りかけ、「ちょっと確認しますね…」といった合図やリアルタイムの進捗ナレーションを用いる。これは、複数ステップのタスクを待つユーザーにとって、より読み取りやすい挙動である。

• 電子透かし — 生成されたすべての音声にはSynthIDが埋め込まれています。

• コスト — 入力音声1時間あたり3.2倍安価です。

対抗要素は実在する。Googleは、レイテンシの数値、コンテキストウィンドウ、および社外の誰も再現していないコンポーネントごとの数値を一切公表していない。その提供状況はプレビューであり、一般提供ではない。開発者はこれをGemini APIとGoogle AI Studioで、企業はGemini Enterpriseのプライベートプレビューで、消費者はGemini Live、Docs Live、Gmail Live、Keep Liveを通じて利用できる。Grokのモデルは本日一般提供されており、そのAPIは文書化されている。

二人ともが上に座っている層

1つの構造的な類似点は見落とされやすく、どちらの仕様書よりも重要だ。両モデルとも処理を委任する。Grokの並列推論は、ほぼ常にツール呼び出しかルックアップで終わる。そしてGoogleのバックグラウンドでのツール実行は、API呼び出しが完了する間も会話が続くよう、明示的に作られている。両方の音声フロントエンドの下にあるのは、ごく普通のテキストモデルのワークロードだ。そして、総合コストの大部分と、切り替えの柔軟性のほぼすべてがそこに宿っている。

OrcaRouter は1 つのキーの背後で 190 のモデルを、プロバイダーの定価でマークアップゼロで実行します。つまり、ベンダーの値下げは次回の更新時ではなく、当社側では当日に反映されるということです。これは、ある主要モデルが数週間で 1 分あたりの料金を 60% 引き上げたようなカテゴリーでは小さなことではありません。音声にとって重要なもう 1 つの特性は自動フェイルオーバーです。バックエンドのタイムアウトで通話が切れることは顧客の取りこぼしであり、音声統合を書き換えずにライブトラフィック上で委任先を切り替えられることによって、フロントエンドの選択が可逆になります。範囲を正確に言うと、Grok Voice Think Fast 2.0 と Gemini 3.8 Live のエンドポイントは当社のルーター上にはありません。それらはベンダー自身の API から提供されています。それらが委任するテキストモデルは、概して当社のルーター上にあります。

何がそれを決着させるのか

この対決は、決め手となる証拠が具体的で、まだ判断待ちであるため、異例なほど簡単に決着する。次の3つのことがあれば決まる：

• 独立系のτ-VoiceはGemini 3.8 Live Extended Thinking上で動作します。 Googleは、Grokの56.5%に対して68.6%を主張しています。これはGoogleが歴史的にリードしてこなかったカテゴリーにおける12ポイントの主張であり、判定を最も大きく左右する単一の数字です。

• 公表されたレイテンシの数値。Googleがそれを公表するまで、Grokの0.70秒は対抗馬のないまま君臨し、テレフォニー購入者にとって正当化できる選択肢はただ一つしかない。

• 一般提供と安定した価格設定。プレビュー価格は変動する。GA時に倍になる1時間1.50ドルの料金体系は、この比較を完全に覆すことになるだろう。

それらが実現するまでは、擁護できる立場はどちらの発表が示唆するよりも狭い。Grok Voice Think Fast 2.0 は、レイテンシが制約で、ワークロードがテレフォニー型である場合に適した選択肢であり続ける。Gemini 3.8 Live Extended Thinking は、推論の深さ、視覚、または言語の幅が重要で、プレビュー状態と未公表のレイテンシを許容できる場合に適した選択肢だ。そして、両者の間の0.3ポイントが何かを決めるべきではない — 3.2倍が決めるべきだ。