Wygenerowana karta tytułowa dla Realtime 1 vs Gemini 3.8 Live, zestawiająca 1074 Elo areny i 93,2% skuteczności zadań z 30,1% wynikiem ukończenia zadań agentowych, a do tego logo OrcaRouter.
Guides & Insights

Realtime 1 kontra Gemini 3.8 Live: Zwycięzcą areny jest ten, kto nie potrafi dokończyć zadania

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Gemini 3.8 Live ma najlepszy wynik Elo w arenie spośród wszystkich modeli głosowych na tablicy rankingowej mowy na mowę Artificial Analysis — 1074, przed GPT-Live-1 z wynikiem 1037 i zdecydowanie powyżej Eleven Realtime Max z 990. Ma także najwyższy wskaźnik sukcesu zadań w tym zestawie porównawczym — 93,2%. A w zakresie ukończenia zadań agentowych uzyskuje 30,1%, co jest najsłabszym wynikiem z czterech. Te trzy liczby opisują ten sam model, a zrozumienie, dlaczego występują jednocześnie, jest całą kwestią, gdy zestawi się go z MAI Realtime 1, nowym modelem mowy na mowę Microsoftu ogłoszonym 17 listopada 2026 r., który jest skierowany dokładnie w to, w czym Gemini 3.8 Live wypada najgorzej.

Jeden z tych modeli jest rozmówcą. Drugi jest sprzedawany jako operator. Żaden z nich nie opublikował wystarczająco dużo, by udowodnić, który jest który na twoim obciążeniu, ale zawodzą w przeciwnych kierunkach, a to jest bardziej przydatne niż tablica wyników, na której wszystko jest wyrównane.

Dwa różne zakłady o to, do czego służy model głosowy

Ujęcie Gemini 3.8 Live przez Google jest wąskie i pełne pewności siebie: to domyślny model Live API dla „większości doświadczeń z agentami głosowymi o niskich opóźnieniach, bez opóźnień związanych z rozumowaniem”, a model siostrzany — Gemini 3.8 Live Extended Thinking — służy do przypadków wymagających „większego rozumowania w tle” podczas interakcji. Ten podział mówi, do czego — zdaniem Google — model bazowy nie służy. Prawdziwe myślenie tkwi w modelu siostrzanym.

Sposób, w jaki Microsoft przedstawia MAI Realtime 1, jest lustrzanym odbiciem. To „mowa do mowy z naturalnym przepływem rozmowy i precyzyjną sterowalnością”, a architektura jest wyraźnie dwupoziomowa: szybki system utrzymuje rozmowę w czasie rzeczywistym, a trudniejsze zadania są „kierowane do mocniejszego silnika rozumowania bez niezręcznych pauz”. Microsoft nie sprzedaje lepszego rozmówcy. Sprzedaje dyspozytora, który mówi wystarczająco dobrze, by utrzymać połączenie, podczas gdy coś innego wykonuje pracę.

• G​emini 3.8 Live — jeden model, celowo szybki, z rozumowaniem dostępnym jako osobny, cięższy brat, który wybierasz przy każdym wdrożeniu.

• MAI Realtime 1 — jeden produkt, za którym stoją dwa silniki, eskalujący z każdą turą, a nie z każdym wdrożeniem.

• Praktyczna różnica — Google każe wybrać ustawienie na etapie integracji. Microsoft każe zaufać routerowi wewnątrz modelu i płacić za jego poziom rozumowania za każdy token.

Co mówią niezależne liczby o G​emini 3.8 Live

To jest ta strona starcia, która ma rzeczywiste pomiary, i są one dobre:

• Indeks speech-to-speech — 74,5 w porównaniu z 82,6 dla wariantu Extended Thinking. Indeks karze go za kolumnę agentową, a nie za rozmowę.

• Rozumowanie głosowe (Big Bench Audio) — 91,7%. Mocny wynik, a 97,7% w przypadku Extended Thinking.

• Dynamika konwersacyjna — 96,1%. Stąd bierze się Elo areny: radzi sobie z ludzkim rytmem rozmowy telefonicznej mniej więcej tak dobrze, jak cokolwiek, co udało się zmierzyć.

• Arena Elo — 1074, najwyższy wynik w zestawie porównawczym. Preferencja ludzi w praktyce — i wcale nie jest blisko dołu tej listy.

• Wskaźnik powodzenia zadań — {{1}}93.2%{{/1}}, również najwyższy w zestawie.

• Ukończenie zadań agentowych (τ-Voice) — 30,1%. Wartość odstająca i powód, dla którego indeks złożony plasuje się poniżej wersji z rozszerzonym myśleniem.

• Czas do pierwszego dźwięku — 1,18 sekundy. Nie jest najszybszy — Eleven Realtime Max robi to w 0,57 — ale wystarczająco szybko, by twierdzenie o „braku opóźnień związanych z rozumowaniem” było wiarygodne.

• Koszt mieszany — około 0,84 USD za godzinę według normalizacji Artificial Analysis. Własny cennik G​oogle podaje 0,005 USD za minutę wejścia audio i 0,018 USD za minutę wyjścia audio, co w przypadku ciągłej rozmowy dwukierunkowej jest bliższe 1,38 USD za godzinę; różnica wynika z konwencji pomiaru, a nie sprzeczności, i żadnej z tych wartości nie należy podawać w miejsce drugiej.

Zestawienie wyniku agentowego z wynikiem sukcesu zadań ujawnia coś ważnego. Skuteczność zadań na poziomie 93,2% obok 30,1% ukończenia zadań agentowych oznacza, że model jest bardzo dobry w zadaniach, które harness uznaje za konwersacyjne, a słaby w tych, które wymagają planowania wieloetapowego i korzystania z narzędzi. To różne narzędzia pomiarowe, a sama rozbieżność jest odkryciem. G​emini 3.8 Live prawdopodobnie poprowadzi lepszą rozmowę niż MAI Realtime 1. Czy na końcu tej rozmowy zarezerwuje wizytę, to osobna kwestia, a według jedynych dostępnych publicznych dowodów wypada słabiej w tej drugiej części.

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

Co mówią liczby Microsoftu, czyli jedna liczba

MAI Realtime 1 nie ma niezależnych wyników. Artificial Analysis nie uwzględnia tego modelu na dzień 18 listopada. To, co publikuje sam Microsoft, to pojedyncza wartość dokładności na stronie modelu — 98,8% w Big Bench Audio, opisana tam jako dokładność w pytaniach wymagających rozumowania mówionego z tego benchmarku — plus karta P50 czasu do pierwszego dźwięku i podpis „P50 Latency on BigBench Audio”. Brak wartości τ-Voice, brak listy obsługiwanych języków, brak rozkładu stojącego za percentylem, brak noty metodologicznej obok liczby dokładności. Porównaj to z 91,7% Gemini 3.8 Live w tym samym benchmarku według pomiaru Artificial Analysis, a porównujesz ocenę samego dostawcy z oceną strony trzeciej: te dwie liczby nie są obiektami tego samego rodzaju, a traktowanie 98,8% jako siedmiopunktowej wygranej byłoby dokładnie tym praniem wyników, którego ten tekst stara się uniknąć. Szersze twierdzenie firmy jest takie, że model znajduje się na froncie Pareto wydajności względem ceny dla Big Bench Audio i τ-Voice oraz że przewyższa GPT Realtime 2.1 pod względem jakości, szybkości i ceny — to porównanie z modelem głosowym OpenAI do rozumowania rozliczanym za token, a nie z Gemini 3.8 Live.

Zatem każde bezpośrednie porównanie tych dwóch modeli dzisiaj to porównanie między profilem zmierzonym przez stronę trzecią a własnym wynikiem, który dostawca podaje jako główny. To nie jest powód, by rezygnować z tego starcia. To powód, by precyzyjnie określić, do czego każda ze stron faktycznie się zobowiązała.

Co Microsoft konkretnie zobowiązał się zapewnić: $0.01 za minutę audio, wnioskowanie po $1.00 za milion tokenów wejściowych i $5.00 za milion tokenów wyjściowych, interfejs zgodny z OpenAI Realtime API, wersję zapoznawczą Foundry o ograniczonym dostępie, bez naliczania opłat do czasu publicznej wersji zapoznawczej, dwuminutowe niekomercyjne demo w MAI Labs dostępne wyłącznie dla dorosłych, zgłoszony przez dostawcę wynik 98,8% w Big Bench Audio z podaną wartością opóźnienia P50 i bez przedstawionego rozkładu, zapowiedziane wdrożenia w Dynamics 365 Contact Center i symulacjach szkolenia pielęgniarek w Dragon Copilot oraz wczesne testy w Agoda i Reservations.ai.

Czego nie objęto zobowiązaniem: języków, τ-Voice, rezydencji danych, okresu przechowywania ani daty GA.

A screenshot of Microsoft's MAI Realtime 1 model page captured 18 November 2026, showing the 98.8% Big Bench Audio accuracy figure, a 'Start a conversation' button, $0.01 per audio minute pricing, $5 per 1M output tokens, and a P50 time-to-first-audio card labelled 'P50 Latency on BigBench Audio'.

Porównanie kosztów, zrobione jak należy

Już na samej linii głosowej różnica nie jest subtelna. Minuta audio G​emini 3.8 Live, z wejściem i wyjściem łącznie, kosztuje 0,023 USD w cenniku G​oogle. Minuta MAI Realtime 1 kosztuje 0,01 USD przed doliczeniem kosztów rozumowania. To około 2,3x, a w przeciwieństwie do porównania z ElevenLabs po stronie G​oogle nie ma opłaty za zgodność regulacyjną ani opłaty platformowej, która by tę różnicę powiększała.

Interesująca różnica kosztów nie tkwi jednak w stawce. Tkwi w tym, gdzie trafia rachunek za rozumowanie. Odpowiedzią G​emini 3.8 Live na trudną turę jest inny model, który wdrażasz — G​emini 3.8 Live Extended Thinking, w cenie 3,50 USD za godzinę według metodyki Artificial Analysis i z wynikiem 82,6 w indeksie. To decyzja wdrożeniowa, rozliczana za godzinę audio niezależnie od tego, czy dana tura tego wymagała. Odpowiedzią MAI Realtime 1 jest eskalacja za turę rozliczana za token, tańsza, gdy trudnych tur jest niewiele, a droższa, gdy większość z nich jest trudna.

• Przeważnie łatwe tury, sporadyczna eskalacja — model per-token MAI Realtime 1 wygrywa, i to z dużą przewagą.

• Głównie trudne tury rozmów — stała stawka 3,50 USD za godzinę w Gemini 3.8 Live Extended Thinking to bardziej przewidywalne narzędzie, a przewidywalność ma swoją wartość, gdy prognozujesz budżet centrum kontaktowego.

• {{1}}Ruch mieszany bez wyraźnego podziału{{/1}} — wybierasz między szacunkiem na godzinę, którego możesz bronić, a szacunkiem na token, który musisz zmierzyć. {{2}}To są różne rozmowy zakupowe.{{/2}}

Warto zauważyć, że darmowy plan G​oogle obejmuje G​emini 3.8 Live bez opłat za dane wejściowe i wyjściowe, z ograniczeniem liczby zapytań. Dla prototypu to realna przewaga nad formularzem rejestracyjnym i listą oczekujących.

Języki, które rozstrzygają więcej starć niż benchmarki.

Gemini 3.8 Live dziedziczy wielojęzyczne zachowanie Live API, a dokumentacja Google traktuje dialog w językach innych niż angielski jako zwykłe użycie. Materiały premierowe MAI Realtime 1 nie wymieniają ani jednego obsługiwanego języka. Linia rozwiązań głosowych Microsoftu prowadzi przez Dragon — kliniczny produkt do dyktowania z silną obecnością w anglojęzycznych wdrożeniach — a ogłoszenie Transcribe 2 mówi o zmniejszeniu o połowę wielojęzykowych wskaźników błędów, ale dotyczy to modelu transkrypcji, a nie modelu czasu rzeczywistego, i nie jest to lista języków.

Jeśli Twój agent obsługuje jeden rynek anglojęzyczny, to przypis. Jeśli obsługuje trzy, MAI Realtime 1 nie jest jeszcze kandydatem, którego możesz ocenić, ponieważ wersja zapoznawcza nie powie Ci, co robi w językach, których potrzebujesz.

Jak przeprowadzić porównanie, zanim którykolwiek z dostawców to rozstrzygnie

Oba modele obsługują OpenAI Realtime API — Google Live API przez własny interfejs, a po stronie Microsoftu wprost z założenia. Strona Gemini jest blisko powiązana, ale nie identyczna pod względem semantyki sesji, więc należy uwzględnić adapter, a nie zamianę base URL; strona MAI Realtime 1 jest bliższa rozwiązaniu typu drop-in według własnego opisu Microsoftu.

Ocena, która rozstrzyga to starcie, nie jest uruchomieniem benchmarku. To przebieg ukończenia zadania: daj każdemu modelowi te same dwadzieścia rzeczywistych żądań wymagających wywołania narzędzia i drugiego kroku, a następnie policz, ile z nich zostanie ukończonych. Wynik 30,1% Gemini 3.8 Live w zadaniach agentowych wyznacza twoje założenie wstępne — powinien ukończyć około sześciu. Jeśli MAI Realtime 1 zbliży się do tego wyniku, przewaga cenowa nic ci nie daje przy tym obciążeniu. Jeśli zbliży się do 87%, które Eleven Realtime Max osiąga w tym samym środowisku testowym, dwupoziomowa konstrukcja Microsoftu robi to, co deklaruje, i starcie jest rozstrzygnięte.

Ta ocena wymaga oprzyrządowania warstwy rozumowania stojącej za modelem głosowym, ponieważ po stronie Microsoftu to tam faktycznie zachodzi drugi krok. OrcaRouter to miejsce, w które ta warstwa się wpina: ponad 200 modeli za jednym kluczem w cenie katalogowej dostawcy z 0% marży, automatyczne przełączanie awaryjne, dzięki któremu wywołanie rozumowania, które utknie, nie zamienia się w cztery sekundy ciszy w trakcie aktywnej rozmowy, oraz DSL routingu, który pozwala, aby ścieżka eskalacji była regułą, a nie kodem, który utrzymujesz w obsłudze głosu. Sam MAI Realtime 1 nie znajduje się w naszym katalogu — można do niego dotrzeć przez MAI Labs i ograniczony dostęp w Foundry — więc routujemy wszystko, do czego przekazuje sterowanie, a także modele siostrzane G​emini 3.8 Live, jeśli pójdziesz drogą G​oogle.

Jaki wpływ ma podgląd na harmonogram zakupów

Postaw obie ścieżki dostępności obok siebie, a asymetria przestaje dotyczyć modeli, a zaczyna dotyczyć tego, jak długo trzeba czekać, by się czegokolwiek dowiedzieć. G​emini 3.8 Live jest dziś ogólnie dostępny w G​oogle Live API, z darmowym planem obejmującym dane wejściowe i wyjściowe w ramach limitu szybkości, co oznacza, że dwudniowy skok może dać wskaźnik ukończenia zadania przed końcem tygodnia. MAI Realtime 1 to formularz rejestracyjny, lista oczekujących, dwuminutowe niekomercyjne demo ograniczone do dorosłych oraz wersja zapoznawcza, o której Microsoft zapowiedział, że nie będzie pobierać opłat, dopóki nie rozpocznie się publiczna wersja zapoznawcza.

To różne rodzaje tarcia i sprzyjają różnym zespołom. Jeśli potrzebujesz odpowiedzi teraz, a odpowiedź musi być możliwa do obronienia przed osobą, która podpisuje fakturę, G​emini 3.8 Live daje ci zmierzony profil z publicznym zestawem testowym w tle i opublikowaną stawkę, o której możesz dyskutować. Jeśli masz wolne moce inżynierskie i żaden termin nie goni cię w tym kwartale, podgląd Microsoftu jest najtańszym użytecznym eksperymentem w tej kategorii — cent za minutę, który dziś nic nie kosztuje, w starciu z modelem, którego nie zmierzyła żadna strona trzecia, na interfejsie, którym prawdopodobnie już się posługujesz.

• Zrób prototyp w tym tygodniu, zdecyduj w przyszłym kwartale — oba warianty są w porządku, a darmowe plany po obu stronach sprawiają, że eksperyment jest niemal bezkosztowy.

• Zrób prototyp w tym tygodniu, wdróż w przyszłym miesiącu — G​emini 3.8 Live, ponieważ MAI Realtime 1 nie ma daty GA ani sposobu, by ją prognozować.

• Dane nie mogą opuścić Twojej dzierżawy ani Twojego regionu — żadna z tych odpowiedzi nie wynika z opublikowanych warunków; G​oogle ma mechanizmy kontroli regionalnej w Live API, a Microsoft nie wypowiedział się na temat rezydencji danych w przypadku Realtime 1.

A generated two-column scoreboard titled 'MAI Realtime 1 vs Gemini 3.8 Live — the scoreboard'. Left column MAI Realtime 1: arena Elo not scored, task success not published, agentic not published, reasoning 98.8% vendor, cost $0.01 plus tokens. Right column Gemini 3.8 Live: arena Elo 1074, task success 93.2%, agentic 30.1%, reasoning 91.7%, cost $0.84 per hour. Footer reads 'Gemini figures per Artificial Analysis; the 98.8% is Microsoft own, unaudited.'

Dla kogo to się dzieli

Wybierz Gemini 3.8 Live, jeśli produktem jest rozmowa. Jeśli wartość tkwi w tym, jak agent brzmi, jak radzi sobie z przerywaniem, jak szybko odpowiada i jak dobrze działa w sześciu językach, ma najlepszy zmierzony profil spośród wszystkiego w swojej półce cenowej oraz darmowy plan, na którym można to sprawdzić. Wynik agentowy na poziomie 30,1% ma znaczenie tylko wtedy, gdy Twoje połączenia muszą kończyć się wykonaną akcją, a nie dobrze poprowadzoną wymianą zdań.

Traktuj MAI Realtime 1 poważnie, jeśli produkt jest transakcją — rezerwacją, roszczeniem, wyszukaniem obejmującym wiele systemów — i jeśli możesz żyć z obsługą wyłącznie w języku angielskim, dopóki Microsoft nie opublikuje innych informacji. Za centa za minutę w ramach nierozliczanej wersji zapoznawczej to najtańszy sposób, aby sprawdzić, czy router po stronie dostawcy bije ten po stronie aplikacji. Ryzyko nie tkwi w pieniądzach. Polega ono na tym, że wdrażałbyś produkt w oparciu o model, którego jedyną opublikowaną wartością dokładności jest jego własne 98,8%, bez ponownego przebiegu, bez wyniku τ-Voice, bez listy języków i bez rozkładu opóźnień — a jedyną stroną, która może tę lukę zamknąć w tym miesiącu, jesteś Ty, z własną instrumentacją.

To, czego nie zrobiła żadna ze stron, to publikacja liczby, która by to rozstrzygnęła: jaka część rzeczywistych rozmów wymaga drugiego silnika. Odpowiedzią G​oogle'a jest sprzedanie ci drugiego modelu i pozostawienie decyzji na poziomie wdrożenia. Odpowiedzią Microsoftu jest decydowanie przy każdej turze i obciążanie cię za to. Oba rozwiązania są uczciwe. Tylko jedno z nich jest dziś mierzalne, i nie jest to to tańsze.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie