Phonic 1 vs Gemini 3.8 Live: Jedna płytka, cztery liczby i pytanie, o którym Gemini mówisz

Pierwsza rzecz, którą trzeba rozstrzygnąć w porównaniu Phonic 1 z Gemini 3.8 Live, polega na tym, że „Gemini 3.8 Live” nie jest jednym modelem. Google udostępniło dwa modele 15 września 2026 r. — gemini-3.8-live, zoptymalizowany pod kątem kosztów i opóźnień, oraz gemini-3.8-live-extended-thinking, który rozumuje podczas mówienia i uruchamia narzędzia w tle — i zachowują się one jak różne produkty. W rankingu speech-to-speech Artificial Analysis model standardowy uzyskuje 74,5 punktu, a wariant extended-thinking — 82,6. Phonic 1, wydany pod koniec października 2026 r., uzyskuje 87,1. To, którego Gemini zestawisz z Phonic 1, zmienia przewagę z 12,6 punktu na 4,5 punktu, a także zmienia, o której połowie sporu rozmawiasz.

Zatem użyteczne pytanie nie brzmi „kto wygrywa”. Brzmi „którego z tych czterech zmierzonych elementów naprawdę potrzebujesz”, ponieważ indeks złożony kryje w sobie rozdzieloną decyzję. Phonic 1 wygrywa komponent, który decyduje o tym, czy rozmowa coś załatwia. Modele Google'a wygrywają komponenty, które decydują o tym, czy rozmowa sprawia dobre wrażenie i czy zostaje doprowadzona do końca, a Google pobiera za to mniej za godzinę. Czytelnik, który widzi tylko 87,1 w porównaniu z 82,6, wybierze niewłaściwy model do swojego zadania mniej więcej w połowie przypadków.

Dwa modele Gemini, a tylko jeden z nich znajduje się w zestawieniu przeciwko Phonic.

Gemini 3.8 Live zastąpił gemini-3.1-flash-live-preview i jest ogólnie dostępny przez Gemini API oraz AI Studio, natomiast Gemini Enterprise i Search Live wciąż znajdują się w prywatnej wersji zapoznawczej. Model standardowy jest zoptymalizowany dokładnie pod to, czego agent telefoniczny potrzebuje w skali: szybkości, niskiego kosztu i naturalności. Wariant z rozszerzonym rozumowaniem poświęca czas na rozumowanie przed udzieleniem odpowiedzi, co zapewnia większą dokładność przy trudnych wieloetapowych żądaniach, ale kosztuje opóźnienie. Są one osobno nazwane, osobno wyceniane na poziomie tokenów i osobno oceniane.

• Gemini 3.8 Live (standard) — wskaźnik mowa-do-mowy 74,5; rozumowanie 92; dynamika 96,1; zdolności agentowe 30,1; preferencja w arenie 1074; skuteczność w zadaniach 93,2%; czas do pierwszego dźwięku 1,18 s.

• Gemini 3.8 Live Extended Thinking (High) — indeks 82,6, rozumowanie 98, dynamika 91,9, agentowość 68,6, arena 966, skuteczność w zadaniach 89,1%, czas do pierwszego dźwięku 1,35 s.

• Phonic 1 (High) — indeks 87,1, rozumowanie 99, dynamika nie podana, agentic 79,9, arena 1,012, skuteczność wykonania zadania 92,3%, czas do pierwszego dźwięku 0,61 s.

Zauważ wewnętrzną sprzeczność w samej ofercie Google. Włączenie rozszerzonego myślenia podnosi indeks o 8,1 punktu, ale obniża preferencję w arenie o 108 Elo i skuteczność w zadaniach o 4,1 punktu. Intensywniejsze rozumowanie sprawia, że model wypada lepiej w wyniku złożonym, a gorzej w dwóch z czterech składników. To nie jest wadą modeli; to przypomnienie, że pojedyncza średnia ważona może przesunąć się w kierunku, na który żaden użytkownik by nie zagłosował.

Arytmetyka komponentów, linia po linii

Artificial Analysis buduje swój indeks mowa-mowa z czterech danych wejściowych — rozumowania mowy, wyników agentowych, preferencji w arenach i odsetka sukcesów zadań — i określa go jako średnią ważoną. Rozpatrz te cztery osobno, a starcie okaże się czymś znacznie bardziej szczegółowym niż 4,5-punktowa różnica.

• Rozumowanie głosowe — Phonic 1 99 vs Gemini 3.8 Live Extended Thinking 98 i standard 92. W praktyce remis na szczycie; ten komponent niczego nie rozstrzyga.

• Wydajność agentowa — Phonic 1: 79,9 wobec 68,6 w przypadku rozszerzonego myślenia i 30,1 w standardzie. To cały argument. Rozszerzone myślenie to jedyna konfiguracja Gemini, która tu konkuruje, a mimo to wciąż pozostaje w tyle o 11,3 punktu.

• Preferencja w Arena — Phonic 1 1,012 vs 966 z rozszerzonym myśleniem i 1,074 w trybie standardowym. Model standardowy pokonuje Phonic o 62 Elo; model myślący przegrywa o 46. Ludzcy słuchacze wolą tanie Gemini.

• Skuteczność realizacji zadań — Phonic 1: 92,3% vs 89,1% (extended thinking) i 93,2% (standard). Znów standardowy model wygrywa, nieznacznie, a model myślący przegrywa.

Ustaw te cztery w rzędzie, a opowieść jest spójna. Phonic 1 jest najzdolniejszym agentem i najmniej preferowanym głosem spośród trzech. Gemini 3.8 Live standard to najbardziej preferowany głos i najlepszy wykonawca zadań, a zarazem najgorszy agent. Gemini 3.8 Live Extended Thinking plasuje się między nimi i prawdopodobnie jest najgorszy z obu — za rozumowanie płaci opóźnieniem i preferencją, a mimo to wciąż nie dogania Phonic pod względem sprawczości.

Ile kosztuje minuta każdego z nich i dlaczego stawki podawane w nagłówkach wprowadzają w błąd

Według znormalizowanej miary Artificial Analysis kosztu za godzinę wejściowego audio Gemini jest tańszym modelem: 3,50 dolara za godzinę dla Gemini 3.8 Live Extended Thinking wobec 4,20 dolara dla Phonic 1. To liczba, którą przyznaje własny materiał premierowy Phonic — jego tabela porównawcza pokazuje, że Gemini jest tańszy — i warto powiedzieć to wprost, ponieważ nowicjusz pokonujący model Google pod względem wyniku agentowego i przegrywający z nim pod względem ceny to ciekawsza historia niż czyste zwycięstwo.

Opublikowane przez Google stawki za tokeny wynoszą 3 USD za milion tokenów wejściowych audio i 12 USD za milion tokenów wyjściowych audio, co przy typowych gęstościach daje około 0,005 USD za minutę dla wejścia i 0,018 USD za minutę dla wyjścia. Rozliczenia Phonic to jedna stała stawka 0,07 USD za minutę rozmowy, 0,065 USD w planie Pro z minimalną opłatą miesięczną 200 USD, a dostawca wyraźnie zaznacza, że nie ma przenoszenia opłat za LLM ani opłat za token.

• Koszt za godzinę wejściową — Gemini 3.8 Live Extended Thinking 3,50 USD vs Phonic 1 4,20 USD, według normalizacji Artificial Analysis.

• Struktura rozliczeń — Gemini rozlicza osobno audio wejściowe i audio wyjściowe według stawek za tokeny; Phonic rozlicza jedną stawkę za minutę rozmowy obejmującą warstwę modelu.

• Gdzie te kształty się różnią — rozmowa, w której agent dużo mówi i mało słucha, kosztuje więcej na liczniku wyjściowym Gemini i tyle samo przy stałej stawce Phonic; rozmowa, w której agent głównie słucha, kosztuje mniej w Gemini i tyle samo w Phonic.

• Warstwa bezpłatna — Gemini oferuje darmowe tokeny zarówno na wejściu, jak i na wyjściu, z niepublikowanymi limitami warstwy bezpłatnej dla modeli Live; Phonic nie oferuje warstwy bezpłatnej, ale prowadził promocję kredytową o wartości 250 USD dla osób rejestrujących się przed 30 listopada 2026 r.

To jest dokładnie ten rodzaj decyzji, do którego stworzono router, z jednym uczciwym zastrzeżeniem: żaden z tych dwóch modeli konwersacyjnych nie znajduje się w katalogu OrcaRouter, więc nie można ich tutaj porównać ani przełączyć w razie awarii. W katalogu jest natomiast tekstowy odpowiednik — Gemini 3.8 Flash, dostępny dziś w routingu obok ponad 200 innych modeli na jednym kluczu w cenie listowej, bez narzutu. Jeśli Twój agent głosowy przekazuje rozumowanie modelowi tekstowemu, zamiast wykonywać je samodzielnie, to właśnie ten odcinek możesz objąć routingiem, porównać ceny i przełączyć w razie awarii, i zazwyczaj to ten odcinek dominuje w rachunku.

Opóźnienie, sesje i limity, których nikt nie czyta

Phonic 1 reaguje w 0,61 s na pierwsze audio. Gemini 3.8 Live zajmuje 1,18 s, a wariant z rozszerzonym myśleniem — 1,35 s. Na własnym wykresie szybkości indeksu plasuje to Phonic w tym samym przedziale co Grok Voice 3.0 z 0,81 s, przy czym obie konfiguracje Gemini są około jednej trzeciej sekundy z tyłu — różnica między rozmówcą, który czeka, a rozmówcą, który zauważa, że czeka.

Google opublikował sztywne limity sesji, które w przypadku niektórych produktów mają większe znaczenie niż różnica w opóźnieniach: sesje Gemini 3.8 Live są ograniczone do piętnastu minut interakcji wyłącznie w audio lub do dwóch minut, gdy w strumieniu pojawi się wideo. W przypadku rozmowy z pomocą techniczną to wystarcza. W przypadku zaplanowanej rozmowy wstępnej, sesji coachingowej lub długotrwale działającego asystenta głosowego piętnastominutowy pułap jest ograniczeniem projektowym, z którym trzeba się liczyć, a którego Phonic nie podaje. Materiały publiczne Phonic wymieniają także ponad 50 języków wobec 97 języków Google, co jest odwrotnością typowego deficytu nowego gracza.

• Kontekst i dane wyjściowe — Gemini 3.8 Live oferuje kontekst 131K i maksymalnie 65 536 tokenów wyjściowych; Phonic nie publikuje danych dotyczących rozmiaru kontekstu.

• Multimodalność — Gemini 3.8 Live przyjmuje dane wejściowe wizualne z szybkością do około jednej klatki na sekundę i oferuje 30 nazwanych głosów; Phonic 1 jest natywny dla audio i nie ma podanego wejścia wizualnego.

• Pochodzenie — Google stosuje znakowanie wodne SynthID do generowanego dźwięku; Phonic nie składa równoważnego oświadczenia.

• Zgodność — Phonic deklaruje SOC 2 Type II, dostępność HIPAA BAA oraz zerowe przechowywanie danych, a także wdrożenia w chmurze, single-tenant, VPC i self-host; Gemini 3.8 Live to API hostowane przez Google.

Jaką decyzję każdy czytelnik faktycznie podejmuje

Jeśli Twój agent rezerwuje, weryfikuje, dokonuje zwrotów lub eskaluje — jeśli sukces rozmowy to zmieniony wiersz w bazie danych — to wynik agentowy 79,9% Phonic 1 jest wart wyższej stawki godzinowej i nieudowodnionej historii. Przewaga 11,3 punktu nad najlepszą konfiguracją Gemini to największa rzeczywista luka w tym starciu i to właśnie ona objawia się jako różnica we wskaźniku ukończeń, a nie jako różnica preferencji.

Jeśli Twojemu agentowi zależy głównie na prowadzeniu dobrej rozmowy, udzielaniu trafnych odpowiedzi i tym, by nie brzmiał jak robot, standardowy Gemini 3.8 Live jest lepszym wyborem w trzech z czterech komponentów oraz pod względem kosztów. Wygrywa bezpośrednio w skuteczności realizacji zadań, wygrywa bezpośrednio w preferencji areny przeciwko Phonic i kosztuje o 17% mniej za godzinę wejściową. Czego jednak nie potrafi, to działanie — 30,1% w trybie agentowym oznacza model, który potrafi rozmawiać o Twoim systemie rezerwacji, ale nie umie go użyć.

A jeśli jesteście zespołem, który domyślnie sięgnąłby po rozszerzone myślenie, bo „myślenie” brzmi jak większy model: liczby mówią, żeby tego nie robić. Gemini 3.8 Live Extended Thinking kosztuje latencję, preferencję w Arena i skuteczność realizacji zadań w porównaniu z własnym tańszym rodzeństwem, a zapewnia 38,5 punktu wydajności agentowej — wciąż mniej niż Phonic i mniej, niż potrzeba, by uzasadnić wywołanie, które musi sfinalizować transakcję.

To, co sprawia, że temu starciu warto się przyjrzeć zamiast je tylko pobieżnie przejrzeć, polega na tym, że zwycięzca zmienia się w zależności od tego, której z czterech liczb nadasz wagę. Phonic 1 zwycięża w wyniku złożonym, ponieważ sprawczość stanowi jedną trzecią tej historii i prowadzi w niej zdecydowanie. Google zwycięża w preferencji, ukończeniu zadań i koszcie — i dokonuje tego modelem, którego uruchomienie kosztuje o połowę mniej. Wskaźnik to rzetelne podsumowanie i kiepska instrukcja obsługi. Przeczytaj komponenty, a następnie wybierz ten, który możesz zmierzyć we własnym ruchu w ciągu dwóch tygodni.