GPT-Live-1.1 対 Gemini 3.8 Live：6つの新言語 対 97、そしてその差が話のすべてではない理由

言語の数を数えれば、この戦いは始まる前から決着がついているように見える。Gemini 3.8 Liveは、2026年9月15日にGoogle DeepMindが発表したもので、ローンチ以来97言語に対応し、会話の途中でも自動で言語を切り替えられる。GPT-Live-1.1は、2026年10月15日にOpenAIが展開したもので、13の新しい音声オプションを追加した——フランス語、ドイツ語、ヒンディー語、日本語、韓国語、メキシコスペイン語にそれぞれ2つずつ、さらにBubbieという英語音声。新たに6言語対97言語という比率は、誰も考えるまでもない。

これは、1週間の作業と1年間のカバレッジの比較でもある。だからこそ、議論を終わらせる数字が、それで決めるべき数字ではないのだ。2つのリリースは別々のものを測っている。Googleの数字は、そのセッションが世界のどれだけの部分を保持できるかを示し、OpenAIの数字は、以前は聞いて明らかに間違っていたアクセントが、今はそうでないのはどれかを示している。購入者にとって有益な問いは、どちらの数が多いかではない。実際に呼び出せるのはどちらで、そうしたときにスタックの残りの部分に何が起こるのか、ということだ。

可用性は、この比較が成り立たなくなるポイントです。

そこから始めよう。なぜなら、そこがこれら二つのモデルがもはや代替案ではなくなる地点だからだ。

GPT-Live-1.1 は一般消費者向けの展開です。2026年10月15日に、2つ目のモデルである GPT-Live-1.1 Quip とともに ChatGPT Voice に登場しました。これは GPT-Live-1 mini の後継で、Plus 未満のアカウントのデフォルトになります。OpenAI の発表では、API は後日の出来事だと明言されています — 「まもなく API で提供予定」 — またドキュメントも同様で、モデルページには依然として gpt-live-1 と gpt-live-transcribe が掲載されており、それより新しいものは何もなく、gpt-live-1.1 はモデルページとして 404 を返します。開発者がアクセスできるどこにも、GPT-Live-1.1 のモデル ID もレート制限も価格も存在しません。

Gemini 3.8 Live は逆のケースだ。これは公開された料金体系を持つ API モデルで、音声入力が 1 分あたり $0.005、音声出力が 1 分あたり $0.018 であり、発表された日から呼び出し可能で、Extended Thinking バリアントは AI 購読者向けに Gemini Live、Docs、Gmail、Keep を通じて提供されている。Google のエンタープライズ向け提供は依然としてプライベートプレビューで、一般提供の確約はない。これ自体は実際の制約ではあるが、エンドポイントがまったくないこととは種類の異なる制約だ。

つまり、一方は買えるもの、もう一方は使えるものだ。この非対称性は、その下にあるどんなベンチマークよりも重大であり、この2つのモデルをめぐるローンチ週の比較のほとんどが触れていない点でもある。

97対6が実際に測るもの

その差は現実です。もし電話をかけてくる人がポーランド語やタイ語を話すなら、その2つのうち電話を受けられるのは Gemini 3.8 Live だけで、この記事の他のことは何も重要ではありません。

その数字が測っていないのは、重なりの内側にある質であり、そして需要のほとんどすべてが存在するのは、まさにその重なりの部分なのだ。

• 97がもたらすもの — ロングテールのカバレッジと、セッションを途切れさせることなく文中で言語を切り替えられる機能。十数か国のヨーロッパ市場にまたがるサポート窓口にとって、その単一の機能こそが製品そのものです。

• 6言語がもたらすもの — 前世代が耳で聞いて明らかに間違っていた市場における深み。OpenAIの主張は、理解しやすさではなくアクセントの自然さに関するものだ。また、選ばれた6言語はランダムなサンプルではなく、非英語の音声市場で最大級のものの中から選ばれている。リリースノートでは、モデルが検索中であることを示すためのより幅広い短いフレーズについても説明されており、これはユーザーが「確認中…」として耳にするものだ。

• どちらの数字も教えてくれないこと — それが実際にどう聞こえるか。どちらの言語セットのどちらのモデルについても、公開された再現可能なアクセントのベンチマークはなく、独立した音声品質スコアも存在しない。どちらの数値もベンダーによる対応ロケールオプションの集計にすぎず、どちらのベンダーも方法を添えずにそれらを公開している。

実務上の帰結は、言語数は意思決定ではなく、ふるい分け用のフィルターだということです。あなたの電話相手が上記7言語のいずれかを話すなら、その数は関係なく、アクセントの品質は自分で実施する聞き取りテストになります。話さないなら、判断はすでにあなたに代わって下されています。

独立したボード、およびバリアント問題

独立した測定が存在する場合、それはOpenAI側の前世代について存在する。Artificial Analysis Speech to Speech Indexでは、2026年10月16日時点のボードから読み取ると：

• Grok Voice 3.0 — 86.9

• GPT-Live-1（Astraバックエンド、中程度の労力） — 83.2

• Gemini 3.8 ライブ拡張思考（高） — 82.6

• Grok Voice 2.0 — 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 — 75.2

• Grok Voice 1.0 — 73.7

• GPT-Realtime-2（高） — 73.6

• Gemini 3.1 Flash Live High — 72.0

この並び順からは2つのことが導かれる。第一に、この記事のタイトルで2番目に名前が挙がっているモデルは6位に位置する一方、もう一方のモデルの変種は3位に位置する——引用されている82.6はGemini 3.8 Live Extended Thinkingのものであり、より限定的な展開の別構成である。第二に、ボード上のどこにもGPT-Live-1.1の行はないため、ここでは後継モデルは前身が獲得した数値によって表されている。

標準構成と比較して読むと——Gemini 3.8 Live の 76.0 対 GPT-Live-1 の 83.2——OpenAI ファミリーは前身の証拠に基づけば 7.2 ポイント先行している。Extended Thinking バリアントと比較して読むと、逆方向の 0.6 ポイント差であり、これはモデルが追加されるたびに再実行されるボードで予想される変動の範囲内だ。どちらの読み方も GPT-Live-1.1 の測定ではなく、その点については率直に言っておく価値がある。後継モデル自身の証拠は、本番プロンプトで GPT-Live-1 と同等の性能を発揮するというシステムカードの記述であり、それは退行していないことについての主張であって、スコアではない。

アーキテクチャが依然としてそれらを分離している場所

全二重ゆえの違いは消えたわけではない。ただ、決定的ではなくなっただけだ。

GPT-Live-1.1はGPT-Live-1の構造を継承しています。音声入力と音声出力が1つのモデル内で継続的に処理され、音声認識→言語モデル→音声合成という連鎖はなく、「うんうん」のようなあいづちがネイティブに生成され、割り込みは、話し続けるか譲るかを1秒に数回判断することで処理されます。これは依然としてターン制システムが間違える点であり、Gemini 3.8 Liveは依然としてターン制です。

Gemini 3.8 Liveが代わりに行うのは、ターンが進行中の間もセッションを生産的に保つことだ。ほぼリアルタイムの視覚入力処理、リクエストを確認応答し通話が完了する間も会話を維持するバックグラウンドでのツールおよびAPI実行、そして進捗を声に出して語るExtended Thinkingバリアントである。沈黙問題に対するGoogleの答えは、ターンの境界を取り除くことではなく、仕事で沈黙を埋めることだ。どちらのアプローチも発信者が通話を切るのを防ぐが、失敗の仕方は異なり、ターンベースのモデルは依然としてポーズを誤って解釈する可能性がある。

ビジュアル入力は、そのトレードオフの具体的な代償だ。カメラと画面共有は、Gemini 3.8 Live の登場時からその対象に含まれており、OpenAI 自身の Live ファミリー向けドキュメントでは、画像および動画入力は明示的に対応外とされている。この制限は GPT-Live-1.1 にも引き継がれる。というのも、新バージョンの一般向けヘルプページでも、Live が動画や画面共有に対応していないことが繰り返されているからだ。あなたのエージェントが何かを「見る」必要があるなら、この点が、あらゆるベンチマークよりも先に比較の結論を決める。

アスタリスク付きのコスト比較

公開されているフロントエンド料金では、Googleの方がはるかに安い。Gemini 3.8 Liveは音声出力1分あたり$0.018を請求するのに対し、GPT-Live-1は音声1分あたり$0.05であり、その$0.05はOpenAIがLiveファミリーについて公開した唯一の分単位の数字だ — それは旧モデルのもので、GPT-Live-1.1には料金が発表されていない。なぜなら、それに紐づけるエンドポイントが存在しないからだ。

アスタリスクが付くのは、どちらの数字も請求額ではないという点だ。GPT-Live-1の0.05ドルは音声フロントエンドのみをカバーしている。推論は委任されたテキストモデル上で行われ、OpenAIのLiveドキュメントは、バックエンドのResponses呼び出しは設定されたモデルの通常料金で課金されると明言している。つまり、推論トークンが1つカウントされる前に、1分5セントの音声時間は1時間3ドルの音声時間になる。Gemini 3.8 Liveも同じ構造だ。バックグラウンドのツール実行はテキストモデルの作業であり、Googleがこの製品について公表していないテキストモデルの料金で課金される。

だからこそ、どちらのモデルについて目にする1時間あたりのコスト数値も、総額の衣装をまとった部分的な数字にすぎません。GPT-Live-1の音声時間1時間は、バックエンドがまったく計測される前の時点でフロントエンド分が$3.00であり、総額は、どのモデルに委任するか、それがどれくらい頻繁に呼び出されるかに完全に左右されます。Gemini 3.8 Liveでは、フロントエンドは1分あたり安く、バックエンドは非開示です。2つの見出し料金を比較しても、それぞれの請求書の安い半分についてわかるだけです。

二人ともが作業を手渡すレイヤー

両システムとも委譲を行っており、その事実によって、この組み合わせは対応言語数の多さが示唆するほどロックインの強い選択ではなくなる。GPT-Live-1.1は設計上、難しいクエリをバックエンドのテキストモデルに渡す。Gemini 3.8 Liveのバックグラウンドでのツール実行は、通常のモデル呼び出しに帰着する。どちらの場合も、音声レイヤーは、ベンダーが個別に設定され個別に計量されるものとして扱う推論モデルの上に載る薄いフロントエンドにすぎない。コストのばらつきはそこにあり、構成間の品質差もそこに現れ、切り替えも音声統合に触れないためそこでは安く済む。

それは、ルーターがその存在意義を発揮する音声スタックの半分です。だからこそ、その境界については正確に述べておく価値があります。OrcaRouter では、推論レイヤーは 1つのキーで200以上のモデルを、プロバイダーの定価で、マークアップなしで利用できるようになっています。つまり、上流の値下げは次回の契約更新時ではなく当日に私たちの側へ届きます——これは、バックエンドが動くメーターとなる2メーター課金構造では、いつも以上に重要な特性です。ルーティング DSL では委譲先を明示的に指定し、ライブトラフィック上で切り替えられます。また、自動フェイルオーバーは、バックエンドが通話中にエラーを起こしたりタイムアウトしたりしてもセッションを維持します。これは音声にはあってテキストにはない障害モードです。誤解を招きやすいのでひとつ明確にしておくと、当社は GPT-Live-1.1 や Gemini 3.8 Live の音声エンドポイントをホストしていません。これらは各ベンダー自身のプラットフォームから提供されるもので、GPT-Live-1.1 の場合、ホストできる公開エンドポイントはありません。これらのシステムが作業を委ねるテキストモデルは、一般にルーター上にあります。

選び方

今すぐ出荷したい場合、Gemini 3.8 Liveを選んでください。また、対応言語が上記の7つを超える場合や、モデルが何かを実際に見る必要がある場合も同様です。複合インデックスで76.0を獲得する標準構成を購入することになる点、通常引用される82.6はExtended Thinkingバリアントのものである点、エンタープライズアクセスはプライベートプレビューである点、そして1時間あたりの総コストは請求書のあなた側でも非公開である点を受け入れてください。

会話の品質こそが製品で、あなたの言語がその対応セットに含まれていて、しかも待てるのなら、GPT-Live-1.1を選ぼう。全二重のターンテイキングは依然として自然さのベンチマークであり、今回のバージョンアップはGPT-Live-1からの実質的な改善であり、アクセントへの取り組みは以前に最も劣っていた言語をまさに狙っている。また現時点では、コードから呼び出せるものではない。

を選んでくださいGPT-Live-1。OpenAIの音声が必要で、今月中に必要なら、それはそのファミリーで唯一、モデルID、文書化されたエンドポイント、公開された料金を持つからです。

注目すべき日は、gpt-live-1.1のモデルページができる日だ。そのとき、これは出荷済み製品と発表の比較ではなくなり、アクセントに関する主張、対応言語数、価格がすべて同じ午後に検証可能になる。

このような比較は、失敗モードが表面化する場でもあります。このクラスのモデルの背後にある、記録されたAIインシデントやエージェントの障害は、OrcaRouter AI Incident Archiveにまとめられており、各エントリには独自の情報源、重大度、信頼度グレード、異議フラグが付いています。