Gemini 3.8 Live vs Grok Voice Think Fast 2.0: A diferença de 0,3 ponto e a fatura 3,2×

Tanto Gemini 3.8 Live quanto Grok Voice Think Fast 2.0raciocinam enquanto falam — ou melhor, ambos o fazem na configuração que realmente está a competir pelo topo da tabela de classificação, o que, no caso do Gemini 3.8 Live, significa a variante Extended Thinking e não o nível padrão. Ambos foram descritos pelos seus criadores como os primeiros no Speech to Speech Index da Artificial Analysis. Apenas uma dessas alegações é atualmente visível no quadro público, e a diferença entre os dois líderes é de 0,3 pontos — pouco maior do que a margem que separa modelos adjacentes noutras partes do mesmo gráfico, o que é outra forma de dizer que não é uma diferença real.

A diferença de custo entre eles não é de 0,3 pontos. É um fator de 3,2.

Essa assimetria é a história toda, e é o que é preciso entender antes de ler o anúncio de qualquer um dos fornecedores.

Duas reivindicações de primeiro lugar

Quando a xAI anunciou o Grok Voice Think Fast 2.0 no final de julho de 2026, os números divulgados o colocavam em 82,9% no Índice de Qualidade Fala-para-Fala da Artificial Analysis, à frente do GPT-Realtime-2.1, com 79,1%, e do Gemini 3.1 Flash, com 69,5%. Vários veículos independentes repetiram esse enquadramento e descreveram o modelo como o primeiro colocado mundial em voz.

No ranking capturado em 16 de setembro de 2026, após o lançamento do Google, o mesmo modelo aparece como Grok Voice Think Fast 2.0 High com 81,3. Não 82,9. E a linha superior agora é Gemini 3.8 Live Extended Thinking com 82,6.

O conselho completo, em ordem:

• Gemini 3.8 Live Extended Thinking — 82,6

• GPT-Live-1 (backend Astra, esforço médio) — 81,5

• Grok Voice Think Fast 2.0 High — 81,3

• GPT-Live-1 (backend Sol, esforço baixo) — 80.1

• Gemini 3.8 Live — 76,0

• GPT-Realtime-2.1 Alto — 73.9

• Gemini 3.1 Flash Live High — 71,5

Há duas lições nessa lista, e nenhuma delas é sobre qual modelo é melhor. A primeira é que pontuações de índices informadas por fornecedores não são duradouras: os 82,9 da xAI não se sustentaram no placar público, que agora mostra 81,3. Isto não é uma acusação de desonestidade — índices compostos são revisados, configurações variam, e um número de julho medido em relação ao cenário de julho não está errado, apenas está desatualizado. Mas isso significa que o único número no qual você deve basear seu planejamento é aquele que você mesmo leu, com data. A segunda é que os 0,3 ponto que separam o primeiro do terceiro lugar aqui não são uma diferença de qualidade significativa. Qualquer pessoa que escolha entre esses dois modelos com base nesse número está escolhendo com base em ruído.

Leia os componentes, não o composto.

Métricas compostas escondem argumentos. O Speech to Speech Index é uma média ponderada de raciocínio de fala, desempenho agêntico, preferência da arena e taxa de sucesso em tarefas — e os dois modelos neste confronto não estão nem perto em duas dessas quatro.

É aqui que a alegação do Google se torna genuinamente interessante, porque todo o argumento de venda do Grok era o desempenho agêntico:

• Desempenho agêntico (τ-Voice) — O Google informa 68,6% para o Gemini 3.8 Live Extended Thinking. A xAI informa 56,5% para o Grok Voice Think Fast 2.0, cerca de 11 pontos à frente dos 45,7% do GPT-Realtime-2.1 e cerca de 19 à frente dos 37,7% do Gemini 3.1 Flash na época. Se os números de ambos os fornecedores se mantiverem, o Google assumiu a categoria em que a xAI liderava por cerca de 12 pontos.

• Raciocínio de fala (Big Bench Audio) — O Google relata 97,7% para o modelo Extended Thinking. A xAI relata 97,2% para o Grok. Efetivamente no mesmo nível.

• Sucesso em tarefas em fluxos de trabalho bancários — o Google relata 35,1% no benchmark τ-Voice-banking da Sierra. A xAI não publicou um valor diretamente comparável.

• Dinâmica conversacional (Full Duplex Bench) — O Grok reporta 95,1%, um pouco atrás dos 95,7% do GPT-Realtime-2.1 e bem à frente dos 74,3% do Gemini 3.1 Flash na época. O Google não publicou nenhum número do Full Duplex Bench para o Gemini 3.8 Live Extended Thinking.

A nota de honestidade importa aqui mais do que o habitual. Os 68,6%, 35,1% e 97,7% são números do próprio Google, publicados no blog do Google, e ninguém fora do Google os reproduziu. Os 56,5%, 97,2% e 95,1% do Grok vêm da xAI ou da Artificial Analysis e, no caso da posição no índice, são verificáveis publicamente. Os únicos números nesta comparação que podem ser lidos de forma independente são as duas pontuações do índice: 82,6 e 81,3. Todo o resto é afirmação contra afirmação, e as afirmações são feitas por partes com interesse no resultado.

O que pode ser dito com segurança: o Google está alegando uma grande vantagem na dimensão específica que a xAI usou para justificar seu aumento de preço. Se essa alegação sobreviver a testes independentes, este confronto estará encerrado no quesito capacidade. Se não sobreviver, a diferença de 0,3 ponto no índice é toda a diferença, e a diferença de preço se torna indefensável.

A conta: US$ 1,50 versus US$ 4,80 por hora

O custo é a parte desta comparação que não depende da metodologia de benchmark de quem quer que seja, porque é uma tarifa publicada.

O preço do Grok Voice Think Fast 2.0 é $0,08 por minuto de áudio, aproximadamente $4,80 por hora. Isso representou um aumento de 60% em relação aos $3,00 por hora do Think Fast 1.0, e os usuários no grok-voice-latest alias foram migrados automaticamente em 5 de agosto de 2026 — os desenvolvedores que queriam permanecer no modelo antigo precisaram fixar o ID versionado antes dessa data ou absorver a mudança.

O Gemini 3.8 Live foi anunciado a $0,005 por minuto de áudio de entrada e $0,018 por minuto de áudio de saída. O gráfico de custo por hora de áudio de entrada da Artificial Analysis o coloca em $1,50 por hora — o que é exatamente 3,2 vezes mais barato que os $4,80 do Grok. Para contexto, o mesmo gráfico mostra o GPT-Realtime-2 High a $4,14, o Qwen Audio 3.0 Realtime Plus a $4,42 e o GPT-Realtime-2.1 High a $10,75.

O formato do mercado nessa lista merece uma frase. A entrada mais barata do quadro é um Gemini — Gemini 3.1 Flash Live a US$ 1,42 por hora — e a segunda mais barata é o Gemini 3.8 Live a US$ 1,50. O Google posicionou seu modelo de voz mais recente como a segunda opção mais barata da categoria, abaixo de modelos com os quais compete em qualidade.

Observe o que isso significa para quem migrou para o Grok em agosto. Entre o aumento de preço e o lançamento do Google, a mesma carga de trabalho passou de US$ 3,00 por hora para US$ 4,80 por hora de um lado dessa disputa e ficou disponível a US$ 1,50 por hora do outro. Nada nos modelos mudou para causar isso. Decisões de roteamento tomadas em julho agora estão custando mais que o dobro do que custa a alternativa, que é exatamente a situação que um roteador existe para evitar.

Onde o Grok ainda lidera

Duas coisas, e uma delas não está nem perto.

Latência. O Grok Voice Think Fast 2.0 reduziu o tempo até o primeiro áudio de 1,25 segundo para 0,70 segundo, que é o número publicado mais rápido da categoria. O Google não publicou nenhum número de latência para o Gemini 3.8 Live — apenas depoimentos de parceiros descrevendo "latência impressionante". Numa chamada telefônica, 0,70 segundo é a diferença entre uma conversa e um atraso, e é a única dimensão em que a afirmação da xAI é ao mesmo tempo específica e incontestada. Se o seu produto é de telefonia, isso pode superar tudo o que foi dito acima.

Robustez de transcrição. A xAI avaliou a taxa de erro de palavras em milhares de frases curtas em 24 idiomas e relata erro 1,5–2,0× menor do que modelos de STT dedicados, incluindo Deepgram Nova 3 e ElevenLabs Scribe v2, 1,4× menor do que o Think Fast 1.0, e aproximadamente 10× menos erro em ambientes ruidosos envolvendo ruído de fundo e compressão de telefonia. Esses dados são informados pelo fornecedor e não verificados de forma independente, e a alegação sobre ambiente ruidoso é a que deve ser testada primeiro, porque é a mais específica e a mais fácil de falsificar.

Grok também tem recursos práticos para desenvolvedores que vale a pena notar: uma API WebSocket compatível com OpenAI Realtime, PCM16 a 24 kHz com μ-law para telefonia, detecção de atividade de voz do lado do servidor, tokens efêmeros para aplicativos de navegador, clonagem de voz personalizada a partir de cerca de um minuto de fala, e volume de tokens de raciocínio cerca de 0,4× o da versão anterior.

Aonde o Gemini 3.8 Live Extended Thinking nos leva

Além da colocação no índice e da alegada lacuna agêntica, os diferenciadores são estruturais:

• Visão — Gemini 3.8 Live processa entrada visual quase em tempo real. Grok Voice Think Fast 2.0 não tem ancoragem visual comparável.

• Cobertura de idiomas — 97 idiomas suportados com troca automática no meio da conversa, em comparação com os 25+ do Grok.

• Raciocínio narrado — a variante Extended Thinking fala enquanto trabalha, usando expressões como "Deixe-me verificar isso…" e narração de progresso ao vivo, o que é um comportamento mais legível para um usuário que aguarda uma tarefa de várias etapas.

• Marca d'água — todo áudio gerado carrega o SynthID.

• Custo — 3,2× mais barato por hora de áudio de entrada.

Os contrapesos são reais. O Google não publicou nenhum número de latência, nenhuma janela de contexto e nenhum número por componente que alguém fora da empresa tenha reproduzido. Sua disponibilidade é uma prévia, não disponibilidade geral: desenvolvedores a obtêm na API Gemini e no Google AI Studio, empresas em prévia privada no Gemini Enterprise, e consumidores por meio do Gemini Live, Docs Live, Gmail Live e Keep Live. O modelo do Grok está em disponibilidade geral hoje e sua API está documentada.

A camada sobre a qual ambos se assentam

Uma semelhança estrutural é fácil de passar despercebida e importa mais do que qualquer uma das duas fichas técnicas. Ambos os modelos delegam. O raciocínio paralelo do Grok quase sempre termina em uma chamada de ferramenta ou uma consulta, e a execução de ferramentas em segundo plano do Google foi explicitamente projetada para que a conversa continue enquanto as chamadas de API são concluídas. Por baixo dos dois front-ends de voz há uma carga de trabalho comum de modelo de texto — e é aí que residem a maior parte do seu custo total e quase toda a sua flexibilidade de troca.

O OrcaRouter executa 190 modelos por trás de uma única chave, ao preço de tabela do provedor e sem qualquer margem, o que significa que um corte de preço de um fornecedor entra em vigor do nosso lado no mesmo dia, em vez de na próxima renovação. Isso não é pouca coisa numa categoria em que um grande modelo aumentou a sua tarifa por minuto em 60% em poucas semanas. A outra propriedade que importa para voz é o failover automático: uma chamada que cai porque um backend excedeu o tempo limite é um cliente perdido, e a capacidade de trocar o alvo de delegação em tráfego ativo sem reescrever a integração de voz é o que torna reversível a escolha do front-end. Para ser preciso quanto ao âmbito — os endpoints Grok Voice Think Fast 2.0 e Gemini 3.8 Live não estão no nosso router; esses vêm das APIs dos próprios fornecedores. Os modelos de texto para os quais delegam, em geral, estão.

O que resolveria isso

Este confronto é incomumente fácil de resolver, porque a evidência decisiva é específica e está pendente. Três coisas bastariam:

• O τ-Voice Independente é executado no Gemini 3.8 Live Extended Thinking. O Google afirma 68,6% contra os 56,5% do Grok. Trata-se de uma alegação de 12 pontos numa categoria em que o Google historicamente não liderou, e é o número isolado que mais altera o veredito.

• Um valor de latência publicado. Até que o Google publique um, os 0,70 segundos do Grok permanecem sem oposição, e os compradores de telefonia têm apenas uma escolha defensável.

• Disponibilidade geral e preços estáveis.Os preços de pré-visualização mudam. Uma tarifa horária de US$ 1,50 que dobra na disponibilidade geral reescreveria esta comparação por completo.

Até que isso chegue ao mercado, a posição defensável é mais estreita do que qualquer um dos anúncios sugere. O Grok Voice Think Fast 2.0 continua sendo a escolha certa quando a latência é o fator limitante e a carga de trabalho tem perfil de telefonia. O Gemini 3.8 Live Extended Thinking é a escolha certa quando profundidade de raciocínio, visão ou amplitude de idiomas importam e você pode tolerar o status de preview e a latência não publicada. E os 0,3 pontos entre eles não deveriam decidir nada — o 3,2× deveria.