GPT-Live-1.1 vs Gemini 3.8 Live: Sześć nowych języków kontra dziewięćdziesiąt siedem — i dlaczego ta różnica nie mówi całej historii

Policz języki, a walka wydaje się rozstrzygnięta, zanim się zacznie. Gemini 3.8 Live, ogłoszony przez Google DeepMind 15 września 2026 roku, obsługuje 97 języków z automatycznym przełączaniem w trakcie rozmowy od momentu premiery. GPT-Live-1.1, wprowadzony przez OpenAI 15 października 2026 roku, dodaje trzynaście nowych opcji głosowych — po dwie dla francuskiego, niemieckiego, hindi, japońskiego, koreańskiego i meksykańskiego hiszpańskiego, plus angielski głos o nazwie Bubbie. Sześć nowych języków przeciw dziewięćdziesięciu siedmiu to stosunek, nad którym nikt nie musi się zastanawiać.

Jest to również porównanie jednego tygodnia pracy z rokiem pokrycia, dlatego liczba, która kończy spór, nie jest liczbą, która powinna go rozstrzygać. Te dwa wydania mierzą różne rzeczy: liczba Google opisuje, jak dużą część świata sesja może pomieścić, a liczba OpenAI opisuje, które akcenty były wcześniej słyszalnie błędne, a teraz nie są. Dla kupującego użyteczne pytanie nie brzmi: która liczba jest większa. Chodzi o to, którą z tych dwóch możesz faktycznie wywołać i co dzieje się z resztą twojego stacku, gdy to zrobisz.

Dostępność to punkt, w którym porównanie się załamuje

Zacznij od tego, ponieważ to jest punkt, w którym te dwa modele przestają być alternatywami.

GPT-Live-1.1 to wdrożenie konsumenckie. Pojawił się w ChatGPT Voice 15 października 2026 r., obok drugiego modelu, GPT-Live-1.1 Quip, który zastępuje GPT-Live-1 mini i staje się domyślnym dla kont poniżej Plus. Ogłoszenie OpenAI wyraźnie mówi, że API to późniejsze wydarzenie — „wkrótce w API” — i dokumentacja to potwierdza: strona z modelami wciąż wymienia gpt-live-1 i gpt-live-transcribe, i nic nowszego, a gpt-live-1.1 zwraca 404 jako strona modelu. Nigdzie, gdzie deweloper może dotrzeć, nie ma identyfikatora modelu, limitu żądań ani ceny dla GPT-Live-1.1.

Gemini 3.8 Live to odwrotny przypadek. To model API z opublikowaną stawką — 0,005 USD za minutę wejścia audio i 0,018 USD za minutę wyjścia audio — i można go wywoływać od dnia zapowiedzi, a wariant Extended Thinking jest dystrybuowany przez Gemini Live, Docs, Gmail i Keep dla subskrybentów AI. Dostępność Google dla przedsiębiorstw to wciąż prywatna wersja zapoznawcza bez zobowiązania do ogólnej dostępności, co samo w sobie jest prawdziwym ograniczeniem, ale to inny rodzaj ograniczenia niż brak jakiegokolwiek endpointu.

Tak więc jedno z nich to coś, co można kupić, a drugie to coś, z czego można korzystać. Ta asymetria ma większe znaczenie niż jakikolwiek benchmark poniżej, i to właśnie ją pomija większość porównań tych dwóch modeli w tygodniu premiery.

Co tak naprawdę mierzy 97 przeciwko sześciu

Ta luka jest realna. Jeśli twoi rozmówcy mówią po polsku lub tajsku, Gemini 3.8 Live jest jedynym z tych dwóch, który może odebrać połączenie, a nic innego w tym artykule nie ma znaczenia.

To, czego ta liczba nie mierzy, to jakość w obrębie nakładania się, a właśnie w obszarze nakładania się skupia się niemal cały popyt.

• Co daje 97 — pokrycie długiego ogona i możliwość zmiany języka w połowie zdania bez przerywania sesji. W przypadku linii wsparcia obejmującej kilkanaście europejskich rynków ta jedna funkcja jest produktem.

• Co daje sześć języków — głębia na rynkach, na których poprzednia generacja była słyszalnie niepoprawna. Twierdzenie OpenAI dotyczy naturalności akcentu, a nie rozumienia, a sześć wybranych języków to jedne z największych rynków głosowych poza angielskim, a nie losowa próbka. W informacjach o wydaniu opisano także szerszy zakres krótkich zwrotów sygnalizujących, że model szuka, czyli to, co użytkownicy słyszą jako „sprawdzam…”.

• Czego nie mówi ci żadna z tych liczb — jak to wszystko brzmi. Nie istnieje żaden publiczny, powtarzalny benchmark akcentu ani niezależna ocena jakości mowy dla żadnego z modeli w żadnym z zestawów językowych. Obie wartości to podane przez dostawców liczby obsługiwanych ustawień regionalnych, a obaj dostawcy publikują je bez dołączonej metody.

Praktyczna konsekwencja jest taka, że liczba języków to filtr wstępny, a nie decyzja. Jeśli Twoi rozmówcy mówią jednym z siedmiu języków powyżej, liczba nie ma znaczenia, a jakość akcentu staje się testem słuchowym, który przeprowadzasz samodzielnie. Jeśli nie, decyzja została już podjęta za Ciebie.

Niezależna rada i problem wariantu

Tam, gdzie istnieją niezależne pomiary, istnieją one dla poprzedniej generacji po stronie OpenAI. W Artificial Analysis Speech to Speech Index, odczytanym z tablicy wyników w stanie na dzień 16 października 2026 r.:

• Grok Voice 3.0 — 86.9

• GPT-Live-1 (backend Astra, średni wysiłek) — 83.2

• Gemini 3.8 Live Extended Thinking (Wysoki) — 82.6

• Grok Voice 2.0 — 81.3

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

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 75,2

• Grok Voice 1.0 — 73.7

• GPT-Realtime-2 (Wysoki) — 73.6

• Gemini 3.1 Flash Live High — 72.0

Z tego uporządkowania wynikają dwie rzeczy. Po pierwsze, model wymieniony jako drugi w tytule tego artykułu zajmuje szóste miejsce, podczas gdy wariant tego drugiego zajmuje trzecie — cytowane 82,6 należy do Gemini 3.8 Live Extended Thinking, innej konfiguracji o węższym zakresie wdrożenia. Po drugie, na tablicy nigdzie nie ma wiersza GPT-Live-1.1, więc następca jest tu reprezentowany przez liczbę, którą uzyskał jego poprzednik.

Odczytane względem standardowej konfiguracji — 76,0 dla Gemini 3.8 Live przeciwko 83,2 dla GPT-Live-1 — rodzina OpenAI prowadzi o 7,2 punktu na podstawie dowodów dla poprzednika. Odczytane względem wariantu Extended Thinking to różnica 0,6 punktu w przeciwnym kierunku, mieszcząca się w wahaniach, jakich można oczekiwać od rankingu, który jest uruchamiany ponownie w miarę dodawania modeli. Żaden z tych odczytów nie jest pomiarem GPT-Live-1.1 i warto powiedzieć to wprost: dowody samego następcy to stwierdzenie z karty systemowej, że osiąga parytet z GPT-Live-1 na promptach produkcyjnych, co jest twierdzeniem o braku regresji, a nie wynikiem.

Gdzie architektura wciąż je rozdziela

Różnica full-duplex nie zniknęła. Po prostu przestała być rozstrzygająca.

GPT-Live-1.1 dziedziczy strukturę GPT-Live-1: audio wejściowe i wyjściowe przetwarzane w sposób ciągły wewnątrz jednego modelu, bez łańcucha: rozpoznawanie mowy → model językowy → synteza mowy, potakiwania typu „mhmm” generowane natywnie, a przerwania obsługiwane przez podejmowanie kilka razy na sekundę decyzji, czy mówić dalej, czy oddać głos. To wciąż pozostaje tym, co systemy oparte na turach robią źle, a Gemini 3.8 Live nadal opiera się na turach.

To, co zamiast tego robi Gemini 3.8 Live, to utrzymywanie produktywności sesji, gdy tura jest w toku: przetwarzanie danych wejściowych wizualnych niemal w czasie rzeczywistym, wykonywanie narzędzi i API w tle, które potwierdza żądanie i podtrzymuje rozmowę, dopóki wywołanie się nie zakończy, oraz wariant Extended Thinking, który na głos relacjonuje swoje postępy. Odpowiedzią Google na problem ciszy jest wypełnienie ciszy pracą, a nie usunięcie granicy tury. Oba podejścia powstrzymują dzwoniącego przed rozłączeniem się; zawodzą w różny sposób, a modele oparte na turach wciąż mogą błędnie ocenić pauzę.

Wejście wizualne to konkretny koszt tego kompromisu. Udostępnianie kamery i ekranu stanowi część zestawu funkcji Gemini 3.8 Live od samej premiery, a własna dokumentacja OpenAI dla rodziny Live wymienia wejście obrazu i wideo jako wyraźnie nieobsługiwane — ograniczenie, które przekłada się również na GPT-Live-1.1, ponieważ konsumenckie strony pomocy dla nowej wersji powtarzają, że Live nie obsługuje wideo ani udostępniania ekranu. Jeśli Twój agent musi na coś spojrzeć, to rozstrzyga o porównaniu, zanim zrobi to jakikolwiek benchmark.

Porównanie kosztów, z dołączoną gwiazdką

Według opublikowanych stawek front-endowych Google jest znacznie tańszy. Gemini 3.8 Live rozlicza 0,018 USD za minutę dźwięku wyjściowego, podczas gdy GPT-Live-1 kosztuje 0,05 USD za minutę głosu, a te 0,05 USD to jedyna stawka minutowa, jaką OpenAI opublikowało dla rodziny Live — należy ona do starszego modelu, a dla GPT-Live-1.1 nie ogłoszono żadnej stawki, ponieważ nie istnieje endpoint, do którego można by ją przypisać.

Gwiazdka oznacza, że żadna z tych liczb nie jest rachunkiem. 0,05 USD w GPT-Live-1 obejmuje wyłącznie interfejs głosowy. Rozumowanie odbywa się na delegowanym modelu tekstowym, a dokumentacja OpenAI Live wprost stwierdza, że wywołania Responses po stronie backendu są rozliczane zgodnie ze zwykłymi stawkami skonfigurowanego modelu — zatem pięć centów za minutę czasu głosowego zamienia się w trzy dolary za godzinę czasu głosowego, zanim zostanie policzony choćby jeden token rozumowania. Gemini 3.8 Live ma identyczny schemat: wykonywanie narzędzi w tle to praca modelu tekstowego, rozliczana według stawek modelu tekstowego, których Google nie opublikował dla tego produktu.

Dlatego każda liczba kosztu za godzinę, jaką zobaczysz dla któregokolwiek z tych modeli, jest liczbą częściową w przebraniu sumy. Godzina czasu głosowego GPT-Live-1 to 3,00 USD kosztu front-endu, zanim backend w ogóle zostanie rozliczony, a kwota całkowita zależy wyłącznie od tego, do którego modelu delegujesz zadania i jak często jest wywoływany. W przypadku Gemini 3.8 Live koszt front-endu na minutę jest niższy, a backend nie został ujawniony. Porównanie obu głównych stawek mówi ci o taniej połowie każdej faktury.

Warstwa, do której oboje przekazują pracę.

Oba systemy delegują zadania i to właśnie ten fakt sprawia, że to starcie jest mniej decyzją o przywiązaniu do dostawcy, niż sugerowałaby liczba języków. GPT-Live-1.1 z założenia przekazuje trudne zapytania do backendowego modelu tekstowego; wykonywanie narzędzi w tle przez Gemini 3.8 Live sprowadza się do zwykłych wywołań modelu. W obu przypadkach warstwa głosowa to cienki front end nad modelem rozumującym, który dostawca traktuje jako osobno konfigurowany i osobno rozliczany. Tam tkwi zmienność kosztów, tam ujawniają się różnice jakościowe między konfiguracjami, a przełączanie jest tam tanie, ponieważ nie dotyka integracji głosowej.

To ta połowa stosu głosowego, w której router zasługuje na swoje miejsce, więc warto być precyzyjnym co do granicy. W OrcaRouter warstwa rozumowania to ponad 200 modeli dostępnych za jednym kluczem w cenie katalogowej dostawcy, bez marży, co oznacza, że obniżka ceny po stronie dostawcy dociera na naszą stronę tego samego dnia, a nie przy kolejnym odnowieniu umowy — właściwość, która ma większe znaczenie niż zwykle w strukturze rozliczeniowej opartej na dwóch licznikach, gdzie to backend jest licznikiem, który się zmienia. DSL routingu pozwala jawnie wskazać cel delegowania i podmienić go w ruchu na żywo, a automatyczne przełączanie awaryjne utrzymuje sesję przy życiu, gdy backend zgłosi błąd lub przekroczy limit czasu w trakcie połączenia — to tryb awarii, który występuje w głosie, a nie występuje w tekście. Jedno wyjaśnienie, bo łatwo byłoby zasugerować inaczej: nie hostujemy punktów końcowych głosowych GPT-Live-1.1 ani Gemini 3.8 Live. Te pochodzą z własnych platform dostawców, a w przypadku GPT-Live-1.1 nie ma publicznego punktu końcowego, który można by hostować. Modele tekstowe, którym te systemy przekazują zadania, na ogół znajdują się na routerze.

Jak wybrać

Wybierz Gemini 3.8 Live, jeśli musisz wdrożyć teraz, jeśli Twoje języki wykraczają poza siedem wymienionych powyżej albo jeśli model musi coś zobaczyć. Zaakceptuj, że kupujesz standardową konfigurację, która uzyskuje 76,0 w indeksie złożonym, że 82,6 zwykle podawane należy do wariantu Extended Thinking, że dostęp dla przedsiębiorstw jest prywatną wersją zapoznawczą i że całkowity koszt za godzinę nie jest ujawniony również po Twojej stronie faktury.

Wybierz GPT-Live-1.1, jeśli jakość rozmowy jest produktem, a Twoje języki mieszczą się w jego zestawie — i jeśli możesz poczekać. Naprzemienność mówienia w trybie pełnego dupleksu wciąż jest punktem odniesienia pod względem naturalności, podniesienie wersji to realna poprawa względem GPT-Live-1, a prace nad akcentem dotyczą dokładnie tych języków, które wcześniej wypadały najgorzej. Dziś również nie jest to coś, co można wywołać z kodu.

Wybierz GPT-Live-1, jeśli potrzebujesz głosu od OpenAI i potrzebujesz go w tym miesiącu, ponieważ jest to jedyny członek tej rodziny z identyfikatorem modelu, udokumentowanym punktem końcowym i opublikowaną stawką.

Data, na którą warto patrzeć, to ta, w której gpt-live-1.1 otrzyma stronę modelu. Wtedy to przestaje być porównaniem produktu już dostępnego z zapowiedzią, a twierdzenie o akcencie, liczba języków i cena stają się możliwe do sprawdzenia w to samo popołudnie.

Takie porównania jak to są również miejscem, w którym ujawniają się tryby awarii: udokumentowane incydenty AI i awarie agentów stojące za modelami w tej klasie są gromadzone w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, wagę, ocenę pewności i znacznik sporności.