Grok Voice 3.0 対 Gemini 3.8 Live：Googleは2つの音声モデルを販売しているが、この戦いに参戦しているのはそのうち1つだけ

GoogleのGrok Voice 3.0に対する回答は、1時間あたり0.84ドル。これはGemini 3.8 Liveの標準構成についての Artificial Analysis による入力音声1時間あたりのコスト値であり、1時間4.80ドルというGrok Voice 3.0の請求額より5.7倍安い。また、比較対象として選ぶモデル自体も間違っている。SpaceXAI の新型フラッグシップと実際に互角に渡り合っている Gemini 3.8 Live、すなわち Speech to Speech Index で Grok の86.9に対して82.6を記録しているモデルは Extended Thinking バリアントであり、そのコストは1時間あたり3.50ドルだ。この2モデル間の本当の差は5.7倍ではなく1.37倍であり、料金表から間違った行を選ぶことが、この対決で犯しうる最も高くつくミスである。

このカテゴリーが、リーダーとより安価な代替品という関係ではなく、真の価格対品質フロンティアを持つのは今回が初めてだ。Grok Voice 3.0は、Grok Voice 2.0と同じ1分あたり0.08ドルで2026年10月14日に登場し、インデックスは86.9、最初の音声までの時間は1秒未満だった。Gemini 3.8 Liveは2026年9月15日に、まるで2つの異なる製品のように振る舞う2つの構成で登場した。一方はコストリーダーであり、もう一方はたまたま話す推論システムである。

その2つのGoogleモデルは、互いの上位版・下位版ではありません。

Google自身の位置づけでは、両者は規模ではなく役割によって区別されています。標準モデルは、流暢な対話と視覚的グラウンディングを備え、規模拡大とコスト効率のために設計されていると説明されています。Extended Thinking 版は、作業中に進行状況を声に出して語る多段階推論を伴う、高度に複雑なタスク向けに設計されていると説明されています。

両者の間で測定された差は、品質のグラデーションではない。それはカテゴリーの断絶である：

• エージェント型タスク完了、τ-Voice — Gemini 3.8 Live Extended Thinking は68.6% 対 Gemini 3.8 Live は30.1%。同じベンダー、同じリリース、同じ基盤ファミリーでありながら、38.5ポイントの差。

• Speech to Speech Index — High reasoning effort の Extended Thinking では 82.6、標準モデルでは 76.0。

• 入力音声1時間あたりのコスト — $3.50 対 $0.84

• 初回音声までの時間 — Extended Thinking は 1.35 秒、標準モデルは 1.18 秒（いずれも Artificial Analysis による測定）。

したがって、調達文書で Gemini 3.8 Live が Grok Voice 3.0 より安いかどうかを問うても、単一の答えはありません。標準モデルと比べると、xAI は価格がほぼ6倍で、インデックススコアでは10.9ポイント上回っています。Extended Thinking と比べると、xAI は音声で37%高く、4.3ポイント上回っています。これらは同じモデル名をまとった別々の意思決定です。

最適なGeminiと、真っ向勝負。

標準バリアントは一旦脇に置き、ボード首位を実際に争っている2つのモデルを比較しよう。以下の数値はすべて、Grok Voice 3.0については2026年10月13日付のArtificial Analysis独自のテストによるもので、Gemini 3.8 Live Extended ThinkingのHigh effortについては9月のボードによるものだ。

• 音声対音声インデックス — Grok Voice 3.0 86.9 対 Gemini 3.8 Live Extended Thinking 82.6。実在するが決定的ではない4.3ポイントの差。

• エージェント性能、τ-Voice — Grok Voice 3.0 71.6% 対 Gemini 3.8 Live Extended Thinking 68.6%。3ポイント差で、ボード上で最も引き分けに近い結果です。

• Big Bench Audio 音声推論 — Grok Voice 3.0 は98.5%、Googleの報告値は97.7%。どちらも実質的に上限に達しており、この次元ではもはや差がつかない。

• Speech Agent Arena の選好 — Grok Voice 3.0 が Elo 1070 で、リーダーボードで最高位。Google のモデルはアリーナを制していない。

• 音声1分あたりの料金 — Grok Voice 3.0 は入力・出力ともに $0.08、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。

• 初回音声までの時間 — Grok Voice 3.0 は0.81秒、Gemini 3.8 Live Extended Thinking は1.35秒、標準モデルは1.18秒（Artificial Analysis の計測による）。Google 自身の資料にはレイテンシの数値は一切公表されていない。

• 完了したタスクあたりのコスト、Big Bench Audio — Grok Voice 3.0 はタスクあたり $0.025。Google のどちらのバリアントも公表された数値はない。

• 提供状況 — Grok Voice 3.0 は価格が設定されて提供中で、前身には非推奨の通知が出ています。Gemini 3.8 Live はプレビュー版であり、一般提供日も、公表された稼働率も、Google が据え置くと約束した料金もありません。

• 言語カバレッジ — Gemini 3.8 Live は会話の途中で97の対応言語を切り替えます。xAI の音声テキスト変換ティアは38以上の言語を明記しています。

• 視覚入力 — 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 3.0には、それに匹敵する視覚的グラウンディングはありません。

Googleの沈黙が物語そのものとなる唯一の側面

あのリストの非対称性に注目してほしい。Grok Voice 3.0 は 0.81 秒で話し始める。Gemini 3.8 Live Extended Thinking は 1.35 秒、標準モデルは 1.18 秒で開始する（いずれも Artificial Analysis の測定による）。これにより、非推論の Gemini のほうが推論の Gemini よりもターンを開始するのが遅いということになる。これはほぼ確実に、推論バリアントが作業中に進行状況を声に出して語っていることの効果であり、本当に高速な経路によるものではないという奇妙な点だ。

Google自身の発表資料には、どちらのモデルについてもレイテンシーの数値は一切公表されておらず、パートナーによる「印象的なレイテンシー」といった言葉があるだけです。これが重要なのは、最初の音声が届くまでの時間こそ、音声プロダクトが利用者の目に成功するか失敗するかを分ける要素であり、Googleが数値を出さないことを選んだ要素だからです。もしあなたのプロダクトが電話であれば、0.81秒は会話と遅延の分かれ目です。競合他社があなたのベンダーを測定した結果は、あなたのベンダーの確約と同じではありません。導入前にテストし、一般提供の発表で、それと併せて数値が示されるかどうかを注視してください。

視覚的グラウンディングは逆方向に働き、紛れもなくGoogleのものである。ほぼリアルタイムの動画を処理できるモデルは、音声にはできないことを解決できる。「これ」が何を指すのか、質問している人が質問対象を見ているかどうか、回線上のノイズが目に見える機械なのかどうか。Grok Voice 3.0はツールを備えた音声モデルだ。それは設定の違いではなく真の能力の境界であり、どれだけインデックススコアを積んでもそれを埋めることはできない。

価格差で実際に得られるもの

実際のワークロードで計算してみましょう。1日1万分の音声、月30日で、30万分。

• Grok Voice 3.0 — 1分あたり0.08ドル、つまり月額24,000ドル。

• {{1}}Gemini 3.8 Live Extended Thinking{{/1}} — 入力音声1時間あたり{{2}}3.50ドル{{/2}}から、同じ量で月額およそ{{3}}17,500ドル{{/3}}、入力と出力を別々に課金する公開料金表付き。

• Gemini 3.8 Live standard — 月額約$4,200で、τ-Voiceシナリオの30.1%を完了するモデル。

その中段の行こそが判断のすべてだ。xAIのフラッグシップより月額およそ6,500ドル安く、Googleはプレビュー段階でインデックス4.3ポイント差のモデルを売っている。その差は、本格的なマルチステップ作業をエージェントにさせているチームなら、リーダーボードを読むのではなく自社の記録に対して両方を走らせるべきだと思えるほどに小さい。最下段の行は、あなたの音声インターフェースが会話型で、タスク完了がスタックの別の場所で行われるのでなければ罠だ。導入済みの音声製品の大部分では、まさにそうなっているのだが。

そのスプレッドシートに持ち込む価値のある指標がもう 1 つある。というのも、それは全体像を部分的に覆すからだ。Artificial Analysis による Big Bench Audio でのタスク単位の測定では、Grok Voice 3.0 がタスク完了に $0.025 かかるのに対し、Astra medium configuration における G​PT Live 1 は $0.030 だ。時間あたりのコストではなく、完了したタスクあたりのコストこそ、予算会議に耐える数字である——2 回目の試行を必要とする安価なモデルは、安価ではない。Gemini のペアについて、どちらのベンダーもその数値を公表していない。これは、より安価な選択肢が重要な軸で測定されていない、もう 1 つの空白である。

ルーターが役立つ場合とそうでない場合

この点は正確に述べてください。反射的に出る答えは間違っているからです。OrcaRouter はどちらのリアルタイムエンドポイントも提供していません。Grok Voice 3.0 は xAI 自身の API から、Gemini 3.8 Live は Google の API から提供されており、どのルーターも、1つのベンダーに属する双方向音声 WebSocket に割り込むことはできません。もし誰かが、自社プラットフォームで通話中にこの2つの間をフェイルオーバーできると言うなら、それは存在しないものを説明しているのです。

ルーティングできるのは、その周辺にあるものすべてだ。音声デプロイメントとは、音声モデル＋テキストスタック——通話後にディスポジションコードを割り当てる分類器、CRMノートを書き上げる要約器、音声モデルが引き継がざるを得なかった質問に答える検索、コンプライアンスのためにトランスクリプトを読むモデル——のことだ。このレイヤーはごく普通のリクエスト課金型推論であり、1通話あたりのコストの相当な割合がここで積み上がり、そして私たちが運用しているのもこのレイヤーだ：プロバイダー定価・マークアップゼロで、1つのキーの背後に200以上もの言語モデル、プロバイダーが劣化したときの自動フェイルオーバー、そして複数のモデルを1回の呼び出しに組み合わせられるルーティングDSL——事前に1つを選ぶのではなく。定価がそのまま素通しされるため、それらモデルのいずれかでベンダーが値下げすれば、同じ日にこちら側でも反映される。GoogleやxAIに支払う音声の1分は、どちらでも同じ1分だ。その背後にある推論こそ、あなたが選べる部分である。

決定規則

3つの答えであり、それらはインデックスではなくコンポーネントから導かれる。

ワークロードがエージェント的で、レイテンシに敏感で、今四半期に本番環境へ投入されるなら、Grok Voice 3.0 を選んでください。総合ベンチマークで首位、アリーナでも首位、フロンティアモデルの中で公表されている最速の発話開始時間（start-to-speak）を誇り、そしてプレビュー告知ではなく非推奨化の道筋を伴う価格設定とサポートが用意されています。

視覚的グラウンディングが必要な場合、38言語ではなく97言語が必要な場合、または1時間あたり1.30ドルの差が4.3インデックスポイントよりも重要になるほどの音声分数を運用している場合は、Gemini 3.8 Live Extended Thinkingを選び、稼働時間のコミットメントがないプレビュー上で構築していることを受け入れましょう。

標準の Gemini 3.8 Live を選ぶのは、自分のトラフィックを測定し、通話のマルチステップ部分がすでに音声モデルの外で処理されていると確認できた場合だけにしてください。カタログ上は、このカテゴリで他を大きく引き離した最安の選択肢です。τ-Voice 軸では、シナリオ10件のうちおよそ7件で失敗し、インデックスの中には、実際に確認するまでそのことを教えてくれるものは何もありません。

このページの評価を変えるものは何か。Googleからの一般提供開始日とレイテンシの数値——この二つが揃えば、安価な選択肢のほうが安全な選択肢になる。あるいはxAIの価格改定——フラッグシップの料金がモデル一世代を通じて変わらず据え置かれている今、これは競合他社には真似できない唯一の切り札である。

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障害は、OrcaRouter AIインシデントアーカイブ に集められており、各エントリーには独自の情報源、重大度、信頼度グレード、異議ありフラグが付されています。