GPT-Live-1 vs Gemini 3.8 TTS：一方は会話を成立させ、一方は台本を読み上げる——そして、安いのはどちらか一方だけ

並べてみましょう：G​PT-Live-1とGemini 3.8 Flash TTSを1分単位の料金メーターに置くと、答えは明らかだ。G​oogleのナレーターは約1分あたり1.35セントの生成音声を2026年時点の料金で請求する。O​penAIの対話モデルは1分あたり5セントの通話回線を請求し、バックエンドが考えている間も、ユーザーが間を置いている間も、何も話されていない間も請求し続ける。両者が同じ仕事をしているかどうかを誰かが問う前に、およそ27倍の差である。

そうではない。しかも、その違い方は、よくある「カテゴリーが違う」というごまかしよりも興味深い。Gemini 3.8 Flash TTS は聞こえない。G​PT-Live-1 はバッチ処理できない。しかも、その命名は事態を必要以上に悪くしている。なぜなら、そのフレーズ、すなわち G​emini 3.8 TTS——インターネットの半分が使っているラベル——は、呼び出せるどのモデルにも対応していないからだ。

まずは名前の問題です。それがあなたの提示する価格を決めるからです。

Gemini 3.8 TTS というモデルは存在しません。Google 自身のドキュメントでは、このフレーズは 2 つの呼び出し可能なエンドポイントを総称する表現として使われており、間違った方を引用することが実際のエラーとなるほど、両者の価格は異なっています：

• gemini-3.8-flash-tts — フルティア、130以上の言語に対応、テキスト入力は100万トークンあたり$0.50、音声出力は100万トークンあたり$9.00、2027年1月1日には$1.00と$18.00に値上げ。

• gemini-3.8-flash-lite-tts — 101言語対応、入力レートは同一、音声出力トークン100万あたり$6.00、後に$12.00へ値上げ。

• どちらも、Batch と Flex の料金は Standard 価格の半額（入力 $0.25、出力 $4.50 または $3.00）で、Priority の料金は 1.8 倍（入力 $0.90、出力 $16.20 または $10.80）です。

Audioは1秒あたり25トークンで課金され、これが1分あたりの数値の根拠です：25トークン × 60秒 = 1分あたり1,500オーディオトークンなので、100万あたり$9.00は1分あたり約$0.0135になります。Flash-Liteは$0.009近くになります。

モデルのステータスは本当に未確定で、明言する価値がある。なぜなら Google 自身の各サーフェスで見解が一致していないからだ。Gemini API の変更履歴は両モデルを一般提供としている。API のモデル一覧では両モデルに「New Stable」というラベルを付けている。Google Cloud のテキスト読み上げドキュメントでは、Gemini Enterprise API 経由でのみプレビューで利用可能と説明している。2026年9月23日に公開された発表ブログ記事では、どちらの表現も使われていない。今月調達メモを書く人は、GA というラベルを確定した事実ではなく、変更履歴の主張として扱うべきだ。

各モデルが呼び出されたときに実際に何をするのか

Gemini 3.8 Flash TTSはテキストを受け取り、音声を返します。音声入力も、取るべきターンも、中断されるという概念も、返すべき文字起こしもありません。なぜなら、何も聞いていないからです。単項エンドポイントは24 kHzモノラルのWAVを返し、ストリーミングはヘッダーなしの16ビットPCMを返します。mulawとalawを受け入れ、サンプルレートは設定可能です。インラインの舞台指示は山括弧のイベントとしてスクリプトに記述されます — <laugh>、 <sigh>、 <breath>、 <short pause> — そして、入力テキストはそれ以外は指示としてではなく、逐語的な文字起こしとして扱われます。Live APIはこれらのモデルをまったくサポートしていません。

GPT-Live-1は逆の役割を担う。全二重方式であり、音声を出力しながら受信音声を処理し、ユーザーが話し終えたかどうかを1秒に数回判定し、セッションの一部として音声認識の書き起こしを返す。入力は音声とテキスト、出力も音声とテキストで、画像と動画には対応していない。ストリーミングと関数呼び出しには対応するが、構造化出力には対応せず、知識のカットオフは2025年7月31日である。これを提供するエンドポイントは1つだけだ — v1/live/sessions — そしてChat Completions、Responses、Realtime、Batchはいずれも対象外である。

多くのワークロードにとって、比較に終止符を打つのはその最後の細部だ。あなたの製品がスクリプトをレンダリングするなら、G​PT-Live-1 は安価な選択肢でも正しい選択肢でもない。あなたの製品が電話に応答するなら、Gemini 3.8 Flash TTS は、両側に ASR モデルと言語モデルを後付けする必要があるパイプラインの3分の1にすぎない — そして G​PT-Live-1 の狙いそのものは、それら3つの部分の間の継ぎ目こそが会話の壊れる場所だという点にある。

数字、そしてそれが誰のものか

Artificial AnalysisのProvider Voice Arena — 各ベンダー自身のネイティブ音声を対象としたブラインド投票によるEloボード — では、Googleの新しいモデルはトップではなく中位に位置する：

• Gemini 3.8 Flash TTS — Elo 1,275、ランク5。2,783サンプルにわたる95%区間はおよそ1,260～1,290、100万文字あたり$16.5で掲載。

• Gemini 3.8 Flash-Lite TTS — Elo 1,248、8位、区間はおよそ1,234～1,262、100万文字あたり$11.0。

• その両方を上回るのは — Eleven v4 Turbo が 1,330、Eleven v4 が 1,329、Qwen-Audio-3.1-TTS-Plus が 1,296、Cartesia Sonic 3.6 が 1,285。

Google自身の主張はそのボードよりも強く、しかもベンダーによる主張だ。9月23日の投稿によれば、モデルはHume AIのVoice Design Benchmarkで71.4で1位となり、Humeのアクセントモデリングでは60.8で首位に立ち、さらに日本語、ブラジルポルトガル語、ベトナム語、現代標準アラビア語、メキシコスペイン語、ヒンディー語でブラインド選好の最上位に位置したという。これらは他社の評価においてGoogleが報告した順位であり、再現ではない。

会話側に目を向けると、GPT-Live-1の数値はまったく別のボードから来ている。Artificial Analysisの音声対音声インデックス——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——では、GPT-Live-1は単一の行としてではなく、名前付きバックエンド構成ごとに掲載されるようになった。GPT-Live-1（Astra、medium）とGPT-Live-1（Sol、low）がそのインデックスの上位に位置し、Grok Voice 3.0が分野をリードしている。これは、このアーキテクチャでは音声モデルが行の半分にすぎず、委譲されたバックエンドがスコアを動かすという有用なリマインダーである。

重要なのに、どこにも存在しない数字が一つある。GoogleはどちらのTTSモデルについても公式のレイテンシ数値を公表していない。出回っている初回音声までの時間の数値はすべてサードパーティによるもので——あるアグリゲーターのp50はFlash TTSで約3.47秒、Flash-Liteで2.66秒——そしてそれらはいずれもGPT-Live-1の会話のテンポと直接比較できるものではない。測っているものが違うからだ。

音声デザインは、その2つが収束し、そして再び分岐する場所である

両ベンダーは今や、声を言葉で説明できるようにした。これは2026年の新機能であり、両製品が最も重複に近づく点だ。

Googleの道筋はGemini APIを通る。プロンプトベースの音声ペルソナは永続的にvoice_ IDとして保存され、約30秒のサンプルからの音声複製には同意確認が付き、SynthIDウォーターマークとC2PAクレデンシャルが添付され、プロジェクトごとにステートフルなカスタムボイスは200件まで、最終使用から1年間保持される。書面による説明は役割、アクセント、声の特性を網羅する。

2026年10月16日にすべてのAPI顧客向けに公開されたOpenAIの方法は、/v1/audio/voicesへのPOSTで、type: "prompt"、名前、説明、そして"model": "auto"を伴います。作成は無料で、音声の使用には通常のセッション料金が課金されます。返されるのはメタデータのみで、音声もプレビューもありません。調整できる特性は、アクセント、年齢、話し方、ピッチ、音色、質感、ラウドネス、話速、際立ちで、いずれも数値パラメータを使わず通常の言葉で表現されます。

実際にどちらを使えるかは、2つの違いで決まります：

• G​PT-Live 上のプロンプト生成音声は、G​PT-Live と組み合わせた場合にのみ動作します。これらは Text to Speech、Realtime、Chat Completions の各 API とは明示的に互換性がありません。対照的に、G​oogle のカスタム音声はレンダリングエンジン向けの音声であり、そのためカタログ全体で再利用できます。

• O​penAI側の組織上限は、プロンプトで生成される音声100個で、これはあなたの顧客に代わって生成される音声にも適用されます。G​oogleの上限はプロジェクトあたり200個です。顧客ごとに音声を発行するプラットフォームであれば、どちらの数字も脚注ではなく、実際の製品上限です。

返ってくるものにも違いがある。Google の音声には SynthID と C2PA の来歴情報が付いて届く。OpenAI のプロンプト生成音声は、ID、作成タイムスタンプ、そしてあなた自身のプロンプトテキストとして届く——しかもドキュメントには、生成された音声が一意であることは保証されないと明言されている。説明はバージョン管理下に置くこと。それが、あなたが何を求めたかを記録する唯一のものだ。

価格差が27倍でなくなるのはどこか

分単位の比較は引用されるものだが、それこそが誤解を招く。なぜなら、G​PT-Live-1 のメーターは同じリソースを測っているわけではないからだ。実際の比率を左右する要因は三つある：

• アイドル時間も課金対象です。音声セッションは、開いている間ずっと秒単位で課金されます。バックエンドのモデルが処理している間も、ユーザーが沈黙している間も含まれます。Google のメーターは、音声が生成されたときにだけ進みます。ユーザーが4分話し、あなたのバックエンドが2分考えるサポート通話は、Live では6分の課金対象となり、レンダラーではそれより少なくなります — しかもこれは、レンダラーがなお必要とする ASR と言語モデルのレッグを数える前の話です。

• 出力長は片側では制御できる。レンダリングジョブは既知の量だ。900語の記事を生成する前に価格を見積もれるし、Batch料金ならそれがさらに半減する。会話はそうではない。

• バックエンドは別請求だ。G​PT-Live-1 における委任された推論とツール利用には、1分あたり$0.05に加えて通常のモデル料金が課金され、O​penAI自身のコストガイダンスは、このレバーをユーザーをより早く終わらせることだと位置づけている——たとえば、並列ツール呼び出しを伴うより高速なバックエンドを動かして会話を1分早く終わらせ、$0.05を節約する、という具合だ。音声料金は固定であり、調整できるのはセッションの長さだ。

その最後の点こそ、ルーティングレイヤーが「あれば便利」では済まなくなる理由です。クライアント委任を使えば、G​PT-Live セッションを自社のエージェントやサービスに向けられます。つまり委任先のバックエンドはどのモデルでもよいということであり、その「どのモデルでも」の実用的な形はプロバイダーごとに契約するのではなく、1つのエンドポイントと1つのキーです。OrcaRouter は200以上のモデルをプロバイダーの定価のまま、マークアップなしで提供するので、バックエンド側のベンダー値下げは実施されたその日にあなたのもとへ届き、自動フェイルオーバーがプロバイダーの障害をカバーし、呼び出し側はそれに気づくこともありません。委任パスを構築するなら、コストが実際に宿るのはバックエンドの選択です。1分あたり$0.05は定数です。

境界について正確に言うと、OrcaRouter は G​PT-Live-1 や G​emini 3.8 TTS モデルをホストしていません。ルーティングするのは、委任された Live セッションの推論側です。

どちらを選ぶべきか

レンダリングする場合——記事、ドキュメント、ビデオナレーション、あらかじめ書き起こしたIVRプロンプト——Gemini 3.8 Flash TTSが適切なツールであり、GPT-Live-1は音声1分あたりおよそ27倍も高コストで、バッチ処理では構造的にその仕事をこなせません。101言語で足りるならFlash-Liteを選び、レイテンシが制約にならないならBatchまたはFlexの料金を選び、2027年1月の価格倍増を最初から織り込んでおいてください。Googleはそれを埋もれさせることなく、同じ表に公表しているのですから。

会話をしているのであれば、TTSの比較はカテゴリー錯誤であり、正直に問うべきことは違う。委任されたバックエンドは、セッションが短く保たれるほど速く答えを返すか。それこそがあなたの請求額を決める数字であり、ローンチ用スライドに誰も載せない数字だ。

そして、もし「Gemini 3.8 TTS」の費用がいくらかを単純に知りたいだけなら、答えは100万オーディオトークンあたり9.00ドルで、それはその名前が指す2つのモデルのうちの1つにおいて、2026年末までのものです。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。