{{1}}Grok Voice 3.0 kontra Gemini 3.8 Live: Google sprzedaje dwa modele głosowe i tylko jeden z nich bierze udział w tych zmaganiach{{/1}}

Odpowiedź Google'a na Grok Voice 3.0 kosztuje 0,84 USD za godzinę. To wartość kosztu za godzinę wejściowego audio według Artificial Analysis dla Gemini 3.8 Live w standardowej konfiguracji i jest 5,7 razy tańszy niż opłata 4,80 USD za godzinę, którą Grok Voice 3.0 pobiera. To także niewłaściwy model do porównania. Gemini 3.8 Live, który naprawdę mierzy się jak równy z równym z nowym flagowcem SpaceXAI — ten z wynikiem 82,6 w Speech to Speech Index wobec 86,9 Groka — to wariant Extended Thinking, a kosztuje 3,50 USD za godzinę. Prawdziwa różnica między tymi dwoma modelami wynosi 1,37×, a nie 5,7×, a wybranie niewłaściwego wiersza z tabeli cen to najdroższy błąd, jaki można popełnić w tym starciu.

Po raz pierwszy w tej kategorii pojawiła się prawdziwa granica ceny i jakości, a nie lider i tańsza alternatywa. Grok Voice 3.0 zadebiutował 14 października 2026 r. w cenie 0,08 USD za minutę — takiej samej jak Grok Voice 2.0 — z wynikiem 86,9 w indeksie i czasem do pierwszego dźwięku poniżej sekundy. Gemini 3.8 Live pojawił się 15 września 2026 r. w dwóch konfiguracjach, które zachowują się jak dwa różne produkty: jedna jest liderem kosztowym, a druga systemem rozumowania, który przypadkiem mówi.

Te dwa modele Google nie są dla siebie poziomami.

Własne ujęcie Google rozdziela je według zadania, a nie rozmiaru. Standardowy model jest opisywany jako stworzony do skalowania i efektywności kosztowej, z płynnym dialogiem i ugruntowaniem wizualnym. Wariant Extended Thinking jest opisywany jako stworzony do zadań o wysokiej złożoności, z wieloetapowym rozumowaniem, które podczas pracy na głos relacjonuje swoje postępy.

Zmierzona różnica między nimi nie jest gradientem jakości. To skok kategorii:

• Ukończenie zadań agentowych, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6% vs Gemini 3.8 Live 30,1%. Ten sam dostawca, to samo wydanie, ta sama rodzina bazowa, różnica 38,5 punktu.

• Speech to Speech Index — 82,6 dla Extended Thinking przy wysokim wysiłku rozumowania vs 76,0 dla modelu standardowego.

• Koszt za godzinę wejściowego audio — 3,50 USD vs 0,84 USD

• Czas do pierwszego dźwięku — 1,35 sekundy dla Extended Thinking vs 1,18 sekundy dla modelu standardowego; oba pomiary wykonane przez Artificial Analysis.

Więc gdy dokument zaopatrzeniowy pyta, czy Gemini 3.8 Live jest tańszy niż Grok Voice 3.0, nie ma jednej odpowiedzi. W porównaniu ze standardowym modelem xAI jest prawie sześciokrotnie droższy i wyprzedza o 10,9 punktu indeksowego. W porównaniu z Extended Thinking xAI jest o 37% droższy w przypadku audio i wyprzedza o 4,3 punktu. To różne decyzje noszące tę samą nazwę modelu.

Twarzą w twarz, z właściwym Gemini

Odłóż na chwilę standardowy wariant na bok i porównaj dwa modele, które faktycznie rywalizują o szczyt tabeli. Każda liczba poniżej pochodzi z własnych testów Artificial Analysis z 13 października 2026 r. dla Grok Voice 3.0 oraz z wrześniowego rankingu dla Gemini 3.8 Live Extended Thinking przy ustawieniu High effort.

• Indeks mowy na mowę — Grok Voice 3.0 86,9 vs Gemini 3.8 Live Extended Thinking 82,6. 4,3-punktowa różnica, która jest realna, ale nie rozstrzygająca.

• Wydajność agentowa, τ-Voice — Grok Voice 3.0 71,6% vs Gemini 3.8 Live Extended Thinking 68,6%. Trzy punkty i najbliższa remisowi pozycja w zestawieniu.

• Rozumowanie mowy Big Bench Audio — Grok Voice 3.0 98,5% vs zaraportowane przez Google 97,7%. Oba w praktyce na pułapie; ten wymiar przestał różnicować.

• Preferencja w Speech Agent Arena — Grok Voice 3.0 z Elo 1070, najwyższym na tablicy. Model Google'a nie utrzymuje się w arenie.

• Cena za minutę dźwięku — Grok Voice 3.0 0,08 USD za wejście i wyjście; Gemini 3.8 Live 0,005 USD za minutę wejścia audio i 0,018 USD za minutę wyjścia audio.

• Czas do pierwszego dźwięku — Grok Voice 3.0: 0,81 sekundy; Gemini 3.8 Live Extended Thinking: 1,35 sekundy, a standardowy model: 1,18 sekundy według pomiaru Artificial Analysis. Materiały samego Google nie podają żadnej wartości opóźnienia.

• Koszt na ukończone zadanie, Big Bench Audio — Grok Voice 3.0: 0,025 USD za zadanie. Żaden z wariantów Google nie ma opublikowanej wartości.

• Dostępność — Grok Voice 3.0 ma ustaloną cenę i jest już dostępny, a jego poprzednik otrzymał informację o wycofaniu; Gemini 3.8 Live to wersja zapoznawcza bez daty ogólnej dostępności, bez publikowanego wskaźnika czasu działania i bez stawki, której utrzymanie Google obiecał.

• Pokrycie językowe — Gemini 3.8 Live przełącza się między 97 obsługiwanymi językami w trakcie rozmowy; warstwa zamiany mowy na tekst xAI wymienia ponad 38 języków.

• Wejście wizualne — Gemini 3.8 Live przetwarza wizualne dane wejściowe w czasie niemal rzeczywistym; Grok Voice 3.0 nie ma porównywalnego ugruntowania wizualnego.

Jedyny wymiar, w którym milczenie Google’a jest tematem

Zauważ asymetrię na tej liście. Grok Voice 3.0 zaczyna mówić po 0,81 sekundy. Gemini 3.8 Live Extended Thinking zaczyna po 1,35, a standardowy model po 1,18 — oba według pomiaru Artificial Analysis — co sprawia, że Gemini bez trybu rozumowania wolniej rozpoczyna turę niż ten z trybem rozumowania; osobliwość, która jest niemal na pewno skutkiem tego, że wariant rozumujący relacjonuje na głos swoje postępy podczas pracy, a nie skutkiem rzeczywiście szybszej ścieżki.

Materiały premierowe samego Google nie podają żadnej wartości opóźnienia dla żadnego z tych dwóch modeli — jedynie partnerskie sformułowania o imponującym opóźnieniu. Ma to znaczenie, ponieważ czas do pierwszego dźwięku to wymiar, w którym produkty głosowe odnoszą sukces albo ponoszą porażkę w oczach osób, które ich używają, i to wymiar, dla którego Google zdecydowało się nie podawać liczby. Jeśli Twoim produktem jest telefonia, w której 0,81 sekundy to różnica między rozmową a opóźnieniem, pomiar konkurenta dotyczący Twojego dostawcy to nie to samo co zobowiązanie Twojego dostawcy. Przetestuj, zanim podejmiesz zobowiązanie, i obserwuj ogłoszenie o ogólnej dostępności, aby sprawdzić, czy pojawi się przy nim liczba.

Ugruntowanie wizualne działa w drugą stronę i jednoznacznie należy do Google. Model, który potrafi przetwarzać wideo niemal w czasie rzeczywistym, może rozstrzygnąć to, czego nie potrafi audio: do czego odnosi się „to”, czy osoba pytająca patrzy na rzecz, o którą pyta, czy szum w linii to maszyna, którą można zobaczyć. Grok Voice 3.0 to model audio z narzędziami. To prawdziwa granica możliwości, a nie różnica w konfiguracji, i żaden wynik indeksu jej nie zniweluje.

Co tak naprawdę kupuje różnica cen

Przeprowadź obliczenia dla rzeczywistego obciążenia. Dziesięć tysięcy minut głosu dziennie, trzydzieści dni w miesiącu, trzysta tysięcy minut.

• Grok Voice 3.0 — 0,08 USD za minutę, czyli 24 000 USD miesięcznie.

• Gemini 3.8 Live Extended Thinking — cena od 3,50 USD za godzinę wejściowego dźwięku, około 17 500 USD miesięcznie przy tej samej ilości, z publicznym cennikiem, który nalicza osobno opłaty za wejście i wyjście.

• Gemini 3.8 Live standard — około 4200 USD miesięcznie, w przypadku modelu, który ukończa 30,1% scenariuszy τ-Voice.

Ten środkowy wiersz to cała decyzja. Za około 6 500 dolarów miesięcznie mniej niż flagowy model xAI, Google sprzedaje model, który w statusie preview jest o 4,3 punktu indeksu za nim — tak blisko, że każdy zespół, którego agent wykonuje prawdziwą wieloetapową pracę, powinien uruchamiać oba na własnych nagraniach, zamiast czytać ranking. Dolny wiersz to pułapka, chyba że twój interfejs głosowy jest konwersacyjny, a realizacja zadań odbywa się gdzie indziej w stosie — co w przypadku dużej części wdrożonych produktów głosowych ma miejsce.

Jest jeszcze jeden wskaźnik, który warto przenieść do tego arkusza, ponieważ częściowo odwraca obraz. Pomiar Artificial Analysis na zadanie w Big Bench Audio plasuje Grok Voice 3.0 na 0,025 USD za ukończenie zadania w porównaniu z 0,030 USD dla G​PT Live 1 w konfiguracji Astra medium. Koszt ukończonego zadania, a nie koszt za godzinę, to liczba, która przetrwa kontakt ze spotkaniem budżetowym — tańszy model, który wymaga drugiej próby, nie jest tańszy. Żaden z dostawców nie publikuje tej liczby dla pary Gemini, co jest kolejną luką, w której tańsza opcja nie została zmierzona na osi, która ma znaczenie.

Gdzie router pomaga, a gdzie nie

Bądź tu precyzyjny, bo odruchowa odpowiedź jest błędna. OrcaRouter nie obsługuje żadnego z dwóch rzeczywistych punktów końcowych. Grok Voice 3.0 pochodzi z własnego API xAI, a Gemini 3.8 Live z API Google, i żaden router nie może wstawić się w dupleksowy WebSocket audio należący do jednego dostawcy. Jeśli ktoś mówi ci, że jego platforma pozwala przełączyć się awaryjnie między tymi dwoma w trakcie połączenia, opisuje coś, co nie istnieje.

Routowalne jest wszystko wokół nich. Wdrożenie głosowe to model głosowy plus stos tekstowy — klasyfikator, który po zakończeniu rozmowy przypisuje kod rozstrzygnięcia, sumaryzator, który pisze notatkę w CRM, mechanizm wyszukiwania, który odpowiada na pytanie, jakie model głosowy musiał przekazać dalej, model czytający transkrypcję pod kątem zgodności z przepisami. Ta warstwa to zwykłe wnioskowanie rozliczane za żądania, to tam kumuluje się znacząca część kosztu pojedynczej rozmowy i to jest warstwa, którą obsługujemy: ponad 200 modeli językowych za jednym kluczem w cenie katalogowej dostawcy, bez marży, automatyczne przełączanie awaryjne, gdy dostawca zaczyna zawodzić, oraz DSL routingu, który pozwala złożyć kilka modeli w jedno wywołanie zamiast wybierać jeden z góry. Ponieważ cena katalogowa jest przekazywana bez zmian, obniżka ceny przez dostawcę któregokolwiek z tych modeli obowiązuje u nas tego samego dnia. Minuta audio, za którą płacisz Google'owi lub xAI, to ta sama minuta w obu przypadkach; to, co za nią stoi pod względem rozumowania, jest tą częścią, którą możesz wybrać.

Reguła decyzyjna

Trzy odpowiedzi, i wynikają one ze składników, a nie z indeksu.

Wybierz Grok Voice 3.0, jeśli Twoje obciążenie ma charakter agentowy, jest wrażliwe na opóźnienia i w tym kwartale trafia do produkcji. Jest liderem zestawienia zbiorczego, liderem areny, ma najszybszy publikowany czas od startu do rozpoczęcia mówienia wśród modeli czołowych, a jego cena i wsparcie obejmują ścieżkę wycofania, a nie informację o wersji zapoznawczej.

Wybierz Gemini 3.8 Live Extended Thinking, jeśli potrzebujesz ugruntowania wizualnego, jeśli potrzebujesz 97 języków zamiast 38 albo jeśli wykorzystujesz tak wiele minut głosowych, że różnica 1,30 USD za godzinę ma większe znaczenie niż 4,3 punktu indeksu — i zaakceptuj, że budujesz na wersji zapoznawczej bez zobowiązania dotyczącego dostępności.

Wybierz standardowy Gemini 3.8 Live tylko wtedy, gdy zmierzyłeś już własny ruch i potwierdziłeś, że wieloetapowa część Twoich połączeń jest już obsługiwana poza modelem głosowym. Na papierze jest to najtańsza opcja w tej kategorii, i to z dużą przewagą. Na osi τ-Voice nie zdaje około siedmiu na dziesięć scenariuszy, a nic w indeksie nie mówi o tym, dopóki nie spojrzysz.

Co zmieniłoby tę stronę: data ogólnej dostępności i wskaźnik opóźnienia od Google, które razem uczyniłyby tańszą opcję bezpieczniejszą; albo ruch cenowy ze strony xAI, będący jedyną dźwignią, której nie może dorównać jej konkurent, zważywszy że stawka za model flagowy utrzymuje się obecnie na stałym poziomie przez pełną generację modelu.

Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.