Gemini 3.8 Live vs Grok Voice Think Fast 2.0: różnica 0,3 punktu i rachunek 3,2×

Zarówno Gemini 3.8 Live, jak i Grok Voice Think Fast 2.0rozumują, gdy mówią — a raczej oba robią to w konfiguracji, która faktycznie rywalizuje o szczyt rankingu, co w przypadku Gemini 3.8 Live oznacza wariant Extended Thinking, a nie standardowy poziom. Obaj zostali opisani przez swoich twórców jako pierwsi w indeksie Speech to Speech firmy Artificial Analysis. Tylko jedno z tych twierdzeń można obecnie odczytać na publicznej tablicy, a różnica między dwoma liderami wynosi 0,3 punktu — zaledwie nieco większa niż margines dzielący sąsiednie modele w innym miejscu tego samego wykresu, co jest innym sposobem powiedzenia, że nie jest to prawdziwa różnica.

Różnica kosztów między nimi nie wynosi 0,3 punktu. Jest 3,2 razy większa.

Ta asymetria to cała historia i to jest to, co trzeba zrozumieć przed przeczytaniem ogłoszenia któregokolwiek z dostawców.

Dwa roszczenia do pierwszego miejsca

Gdy xAI ogłosiło Grok Voice Think Fast 2.0 pod koniec lipca 2026 roku, podane dane sytuowały go na poziomie 82,9%w indeksie Artificial Analysis Speech-to-Speech Quality Index, przed GPT-Realtime-2.1 z 79,1% i Gemini 3.1 Flash z 69,5%. Kilka niezależnych serwisów powtórzyło tę narrację i opisało model jako najlepszy na świecie pod względem głosu.

Na tablicy wyników z 16 września 2026 r., po premierze Google'a, ten sam model pojawia się jako Grok Voice Think Fast 2.0 High z wynikiem 81,3. Nie 82,9. A w górnym wierszu jest teraz Gemini 3.8 Live Extended Thinking z wynikiem 82,6.

Zarząd w pełnym składzie, w kolejności:

• Gemini 3.8 Myślenie rozszerzone na żywo — 82.6

• GPT-Live-1 (backend Astra, średni wysiłek) — 81,5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (backend Sol, niski wysiłek) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

Na tej liście znajdują się dwie lekcje i żadna z nich nie dotyczy tego, który model jest lepszy. Pierwsza to fakt, że wyniki indeksów podawane przez dostawców nie są trwałe: 82,9 od xAI nie utrzymało się na publicznej tablicy wyników, która obecnie pokazuje 81,3. To nie jest oskarżenie o nieuczciwość — indeksy złożone są korygowane, konfiguracje się różnią, a lipcowa liczba mierzona względem lipcowej stawki nie jest błędna, jest po prostu stara. Ale oznacza to, że jedyną wartością, względem której powinieneś planować, jest ta, którą sam odczytasz, z datą. Druga to fakt, że 0,3 punktu dzielące tutaj pierwsze miejsce od trzeciego nie stanowi istotnej różnicy w jakości. Ktokolwiek wybiera między tymi dwoma modelami w oparciu o tę liczbę, wybiera na podstawie szumu.

Czytaj komponenty, a nie kompozyt.

Wskaźniki złożone ukrywają argumenty. Speech to Speech Index to średnia ważona rozumowania głosowego, skuteczności agentowej, preferencji areny i wskaźnika sukcesu w zadaniach — a dwa modele w tym starciu nie są blisko w przypadku dwóch z tych czterech.

To tutaj twierdzenie Google staje się naprawdę interesujące, ponieważ cały przekaz Groka dotyczył wydajności agentowej:

• Wydajność agentowa (τ-Voice) — Google podaje 68.6% dla Gemini 3.8 Live Extended Thinking. xAI podaje 56.5% dla Grok Voice Think Fast 2.0, czyli około 11 punktów więcej niż 45.7% GPT-Realtime-2.1 i około 19 punktów więcej niż 37.7% Gemini 3.1 Flash w tym czasie. Jeśli oba wyniki producentów się utrzymają, Google objęło prowadzenie w kategorii, w której xAI miało około 12 punktów przewagi.

• Rozumowanie mowy (Big Bench Audio) — Google podaje 97,7% dla modelu Extended Thinking. xAI podaje 97,2% w przypadku Grok. W praktyce na tym samym poziomie.

• Skuteczność realizacji zadań w procesach bankowych — Google podaje 35,1%w benchmarku τ-Voice-banking firmy Sierra. xAI nie opublikowało bezpośrednio porównywalnego wyniku.

• Dynamika konwersacyjna (Full Duplex Bench) — Grok podaje 95,1%, nieco poniżej 95,7% GPT-Realtime-2.1 i znacznie powyżej 74,3% Gemini 3.1 Flash w tym czasie. Google nie opublikował żadnych danych Full Duplex Bench dla Gemini 3.8 Live Extended Thinking.

Ta uwaga o uczciwości ma tutaj większe znaczenie niż zwykle. Wartości 68,6%, 35,1% i 97,7% to własne liczby Google, opublikowane na blogu Google, i nikt spoza Google ich nie odtworzył. Wartości 56,5%, 97,2% i 95,1% dla Groka pochodzą od xAI lub z Artificial Analysis i – w przypadku umiejscowienia w indeksie – można sprawdzić publicznie. Jedyne liczby w tym porównaniu, które można niezależnie odczytać, to dwa wyniki indeksu: 82,6 i 81,3. Wszystko inne to twierdzenie przeciw twierdzeniu, a twierdzenia te formułują strony mające interes w wyniku.

Co można bezpiecznie powiedzieć: Google twierdzi, że ma dużą przewagę w konkretnym wymiarze, którego xAI użyło do uzasadnienia podwyżki ceny. Jeśli to twierdzenie przetrwa niezależne testy, to starcie jest rozstrzygnięte pod względem możliwości. Jeśli nie, różnica 0,3 punktu w indeksie to cała różnica, a różnica w cenie staje się nie do obrony.

Rachunek: 1,50 USD kontra 4,80 USD za godzinę

Koszt to ta część tego porównania, która nie zależy od niczyjej metodologii benchmarku, ponieważ jest to publikowana stawka.

Grok Voice Think Fast 2.0 kosztuje 0,08 USD za minutę audio, czyli około 4,80 USD za godzinę. Był to wzrost o 60% w porównaniu z 3,00 USD za godzinę w Think Fast 1.0, a użytkownicy korzystający z aliasu grok-voice-latest zostali automatycznie przeniesieni 5 sierpnia 2026 r. — deweloperzy, którzy chcieli pozostać przy starym modelu, musieli przed tą datą przypiąć wersjonowany identyfikator albo zaakceptować tę zmianę.

Gemini 3.8 Live został ogłoszony w cenie $0,005 za minutę dźwięku wejściowego i $0,018 za minutę dźwięku wyjściowego. Wykres kosztu za godzinę audio wejściowego firmy Artificial Analysis wycenia go na $1,50 za godzinę — co jest dokładnie 3,2 razy tańsze niż $4,80 w przypadku Groka. Dla porównania ten sam wykres pokazuje GPT-Realtime-2 High za $4,14, Qwen Audio 3.0 Realtime Plus za $4,42 i GPT-Realtime-2.1 High za $10,75.

Kształt rynku w tym zestawieniu zasługuje na jedno zdanie. Najtańsza pozycja na liście to Gemini — Gemini 3.1 Flash Live za 1,42 USD za godzinę — a druga najtańsza to Gemini 3.8 Live za 1,50 USD. Google pozycjonuje swój najnowszy model głosowy jako drugą najtańszą opcję w kategorii, poniżej modeli, z którymi konkuruje pod względem jakości.

Zauważ, co to oznacza dla każdego, kto w sierpniu przeszedł na Groka. Między podwyżką ceny a premierą Google’a to samo obciążenie pracą wzrosło z 3,00 USD za godzinę do 4,80 USD za godzinę po jednej stronie tego starcia, a po drugiej stało się dostępne za 1,50 USD za godzinę. Nic w modelach się nie zmieniło, co by to powodowało. Decyzje dotyczące routingu podjęte w lipcu kosztują teraz ponad dwa razy więcej niż koszt alternatywy, co jest dokładnie tą sytuacją, której router ma unikać.

W czym Grok wciąż przoduje

Dwie rzeczy, a jedna z nich nie jest blisko.

Opóźnienie. Grok Voice Think Fast 2.0 skrócił czas do pierwszego dźwięku z 1,25 sekundy do 0,70 sekundy, co jest najszybszym publikowanym wynikiem w tej kategorii. Google nie opublikowało w ogóle żadnej wartości opóźnienia dla Gemini 3.8 Live — tylko opinie partnerów opisujące „imponujące opóźnienie”. W trakcie rozmowy telefonicznej 0,70 sekundy to różnica między rozmową a opóźnieniem, i to jedyny wymiar, w którym twierdzenie xAI jest zarówno konkretne, jak i niepodważone. Jeśli Twój produkt to telefonia, może to przeważyć nad wszystkim powyżej.

Odporność transkrypcji. xAI oceniło współczynnik błędów słów na tysiącach krótkich fraz w 24 językach i podaje, że błąd jest 1,5–2,0× niższy niż w dedykowanych modelach STT, w tym Deepgram Nova 3 i ElevenLabs Scribe v2, 1,4× niższy niż w Think Fast 1.0 oraz około 10× niższy w hałaśliwych warunkach obejmujących szum tła i kompresję telefoniczną. Są to dane raportowane przez dostawcę i niezweryfikowane niezależnie, a twierdzenie dotyczące hałaśliwego środowiska jest tym, które należy przetestować w pierwszej kolejności, ponieważ jest najbardziej konkretne i najłatwiej je obalić.

Grok ma też praktyczne możliwości dla deweloperów, warte odnotowania: API WebSocket zgodne z OpenAI Realtime, PCM16 przy 24 kHz z μ-law dla telefonii, wykrywanie aktywności głosowej po stronie serwera, tokeny efemeryczne dla aplikacji przeglądarkowych, klonowanie własnego głosu na podstawie około minuty mowy oraz objętość tokenów rozumowania na poziomie około 0,4× tej z poprzedniej wersji.

Dokąd prowadzi Gemini 3.8 Live Extended Thinking

Poza umiejscowieniem w indeksie i deklarowaną luką agentową wyróżniki mają charakter strukturalny:

• Wizja — Gemini 3.8 Live przetwarza dane wizualne niemal w czasie rzeczywistym. Grok Voice Think Fast 2.0 nie ma porównywalnego ugruntowania wizualnego.

• Obsługa języków — 97 obsługiwanych języków z automatycznym przełączaniem w trakcie rozmowy, w porównaniu z ponad 25 oferowanymi przez Grok.

• Rozumowanie z narracją — wariant Extended Thinking mówi na głos podczas pracy, używając sygnałów takich jak „Pozwól, że to sprawdzę…” oraz bieżącej narracji postępu, co jest bardziej czytelnym zachowaniem dla użytkownika czekającego na wieloetapowe zadanie.

• Znakowanie wodne — każde wygenerowane audio zawiera SynthID.

• Koszt — 3,2× taniej za godzinę wejściowego audio.

Przeciwwagi są realne. Google nie opublikował żadnych danych o opóźnieniach, rozmiarze okna kontekstowego ani liczb dotyczących poszczególnych komponentów, które ktokolwiek spoza firmy zdołał odtworzyć. Jego dostępność to wersja zapoznawcza, a nie ogólna dostępność: deweloperzy otrzymują go w Gemini API i Google AI Studio, przedsiębiorstwa – w prywatnej wersji zapoznawczej w Gemini Enterprise, a konsumenci – poprzez Gemini Live, Docs Live, Gmail Live i Keep Live. Model Groka jest dziś ogólnie dostępny, a jego API jest udokumentowane.

Warstwa, na której oba się znajdują

Jedno podobieństwo strukturalne łatwo przeoczyć, a ma większe znaczenie niż którakolwiek z tych specyfikacji. Oba modele delegują zadania. Równoległe rozumowanie Groka niemal zawsze kończy się wywołaniem narzędzia lub wyszukaniem, a wykonywanie narzędzi w tle w Google zostało wprost zaprojektowane tak, aby rozmowa trwała, gdy kończą się wywołania API. Pod oboma interfejsami głosowymi kryje się zwyczajne obciążenie modelu tekstowego — i to tam tkwi większość całkowitego kosztu oraz niemal cała elastyczność w zakresie przełączania.

OrcaRouter uruchamia 190 modeli za jednym kluczem w cenie katalogowej dostawcy bez marży, co oznacza, że obniżka ceny dostawcy obowiązuje u nas tego samego dnia, a nie dopiero przy kolejnym odnowieniu. To nie jest drobiazg w kategorii, w której jeden duży model podniósł stawkę za minutę o 60% w ciągu kilku tygodni. Druga właściwość istotna dla głosu to automatyczne przełączanie awaryjne: połączenie, które ginie, ponieważ backend przekroczył limit czasu, oznacza utraconego klienta, a możliwość podmiany celu delegowania na ruchu na żywo bez przepisywania integracji głosowej sprawia, że wybór front-endu jest odwracalny. Mówiąc precyzyjnie o zakresie — endpointy Grok Voice Think Fast 2.0 i Gemini 3.8 Live nie znajdują się w naszym routerze; pochodzą z własnych API dostawców. Modele tekstowe, do których delegują, zasadniczo w nim są.

Co by to rozstrzygnęło

To starcie jest wyjątkowo łatwe do rozstrzygnięcia, ponieważ decydujący dowód jest konkretny i wciąż oczekiwany. Trzy rzeczy by to załatwiły:

• Niezależny τ-Voice działa na Gemini 3.8 Live Extended Thinking. Google twierdzi, że osiąga 68,6% wobec 56,5% Groka. To deklaracja przewagi 12 punktów w kategorii, w której Google historycznie nie przodował, i to właśnie ta jedna liczba w największym stopniu zmienia werdykt.

• Opublikowany wynik opóźnienia. Dopóki Google nie opublikuje swojego, 0,70 sekundy Groka pozostaje bez konkurencji, a nabywcy w branży telekomunikacyjnej mają tylko jeden wybór, którego mogą bronić.

• Ogólna dostępność i stabilne ceny.Ceny w wersji zapoznawczej ulegają zmianom. Stawka godzinowa 1,50 USD, która podwaja się przy ogólnej dostępności, całkowicie zmieniłaby to porównanie.

Zanim one się pojawią, stanowisko, które da się obronić, jest węższe, niż sugeruje którakolwiek z tych zapowiedzi. Grok Voice Think Fast 2.0 pozostaje właściwym wyborem tam, gdzie ograniczeniem jest opóźnienie, a obciążenie ma charakter telefoniczny. Gemini 3.8 Live Extended Thinking jest właściwym wyborem tam, gdzie liczą się głębokość rozumowania, możliwości wizyjne lub zakres językowy, a można tolerować status wersji zapoznawczej i niepublikowane opóźnienia. A 0,3 punktu między nimi nie powinno niczego rozstrzygać — powinno 3,2×.