GPT-Live-1.1 vs Gemini 3.8 Live: seis novos idiomas contra noventa e sete, e por que essa diferença não é toda a história

Conte os idiomas e a disputa parece decidida antes mesmo de começar. Gemini 3.8 Live, anunciado pelo Google DeepMind em 15 de setembro de 2026, oferece 97 idiomas com troca automática no meio da conversa desde o lançamento. GPT-Live-1.1, lançado pela OpenAI em 15 de outubro de 2026, adiciona treze novas opções de voz — duas para cada um de francês, alemão, hindi, japonês, coreano e espanhol mexicano, além de uma voz em inglês chamada Bubbie. Seis novos idiomas contra noventa e sete é uma proporção sobre a qual ninguém precisa pensar.

É também uma comparação entre uma semana de trabalho e um ano de cobertura, e é por isso que o número que encerra a discussão não é o número que deveria decidir a questão. Os dois lançamentos medem coisas diferentes: o número do Google descreve quanto do mundo a sessão consegue comportar; o da OpenAI descreve quais sotaques estavam audivelmente errados antes e não estão agora. Para um comprador, a pergunta útil não é qual contagem é maior. É qual dos dois você consegue realmente chamar, e o que acontece com o resto da sua stack quando o faz.

A disponibilidade é onde a comparação falha

Comece por aí, porque é o ponto em que estes dois modelos deixam de ser alternativas.

GPT-Live-1.1 é um lançamento para consumidores. Chegou ao ChatGPT Voice em 15 de outubro de 2026, ao lado de um segundo modelo, GPT-Live-1.1 Quip, que sucede o GPT-Live-1 mini e se torna o padrão para contas abaixo do Plus. O anúncio da OpenAI é explícito de que a API é um evento posterior — "em breve na API" — e a documentação concorda: a página de modelos ainda lista gpt-live-1 e gpt-live-transcribe e nada mais recente, e gpt-live-1.1 retorna um 404 como página de modelo. Não há ID de modelo, nem limite de taxa, nem preço para o GPT-Live-1.1 em nenhum lugar acessível a um desenvolvedor.

O Gemini 3.8 Live é o caso oposto. É um modelo de API com uma tarifa publicada — $0,005 por minuto de entrada de áudio e $0,018 por minuto de saída de áudio — e pode ser chamado desde o dia em que foi anunciado, com a variante Extended Thinking distribuída pelo Gemini Live, Docs, Gmail e Keep para assinantes de IA. A disponibilidade empresarial do Google ainda é uma prévia privada, sem compromisso de disponibilidade geral, o que já é uma restrição real por si só, mas é um tipo diferente de restrição de não ter nenhum endpoint.

Então, um deles é algo que você pode comprar, e o outro é algo que você pode usar. Essa assimetria tem mais peso do que qualquer benchmark abaixo dela, e é o que a maioria das comparações feitas na semana de lançamento desses dois modelos deixa de fora.

O que 97 contra seis realmente mede

A lacuna é real. Se as pessoas que ligam para você falam polonês ou tailandês, o Gemini 3.8 Live é o único dos dois que consegue atender a chamada, e nada mais neste artigo importa.

O que o número não mede é a qualidade dentro da sobreposição, e é na sobreposição que está quase toda a demanda.

• O que 97 compra — cobertura de cauda longa e a capacidade de mudar de idioma no meio da frase sem perder a sessão. Para uma linha de suporte que abrange uma dúzia de mercados europeus, essa única funcionalidade é o produto.

• O que seis trazem — profundidade nos mercados onde a geração anterior era audivelmente errada. A alegação da OpenAI é sobre naturalidade de sotaque, não sobre compreensão, e as seis línguas escolhidas estão entre os maiores mercados de voz não ingleses, em vez de uma amostra aleatória. As notas de versão também descrevem uma gama mais ampla de frases curtas para sinalizar que o modelo está pesquisando, que é o que os usuários ouvem como "verificando…".

• O que nenhum dos dois números lhe diz — como qualquer uma delas soa. Não existe um benchmark de sotaque público e reproduzível, nem uma pontuação independente de qualidade de fala para qualquer um dos modelos em qualquer um dos conjuntos de idiomas. Ambos os números são contagens de fornecedores de opções de localidade suportadas, e ambos os fornecedores os publicam sem qualquer método associado.

A consequência prática é que o número de idiomas é um filtro de triagem, não uma decisão. Se as pessoas que lhe ligam falam uma das sete línguas acima, o número é irrelevante e a qualidade do sotaque passa a ser um teste de audição que você mesmo realiza. Se não falam, a decisão já foi tomada em seu lugar.

O conselho independente, e o problema da variante

Onde existe medição independente, ela existe para a geração anterior do lado da OpenAI. No Artificial Analysis Speech to Speech Index, leia do quadro como ele estava em 16 de outubro de 2026:

• Grok Voice 3.0 — 86,9

• GPT-Live-1 (backend Astra, esforço médio) — 83,2

• Gemini 3.8 Live Extended Thinking (High) — 82,6

• Grok Voice 2.0 — 81,3

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

• Gemini 3.8 Live — 76,0

• GPT-Realtime-2.1 High — 75,2

• Grok Voice 1.0 — 73,7

• GPT-Realtime-2 (High) — 73.6

• Gemini 3.1 Flash Live High — 72,0

Duas coisas decorrem dessa ordenação. Primeiro, o modelo citado em segundo lugar no título deste artigo aparece em sexto, enquanto uma variante do outro fica em terceiro — o 82,6 que é citado pertence ao Gemini 3.8 Live Extended Thinking, uma configuração diferente com uma implantação mais restrita. Segundo, não há nenhuma linha do GPT-Live-1.1 em lugar algum do quadro, então o sucessor está sendo representado aqui pelo número que seu antecessor obteve.

Se lido em relação à configuração padrão — o 76,0 do Gemini 3.8 Live contra o 83,2 do GPT-Live-1 —, a família OpenAI lidera por 7,2 pontos com base nas evidências do antecessor. Se lido em relação à variante Extended Thinking, é uma diferença de 0,6 ponto no sentido oposto, o que está dentro da variação que se espera de um ranking que é reexecutado à medida que modelos são adicionados. Nenhuma das leituras é uma medição do GPT-Live-1.1, e vale ser direto sobre isso: as próprias evidências do sucessor são uma declaração de ficha de sistema de que ele tem desempenho em paridade com o GPT-Live-1 em prompts de produção, o que é uma alegação sobre não regredir, não uma pontuação.

Onde a arquitetura ainda os separa

A diferença do full-duplex não desapareceu. Ela apenas deixou de ser decisiva.

O GPT-Live-1.1 herda a estrutura do GPT-Live-1: áudio de entrada e áudio de saída processados continuamente dentro de um único modelo, sem a cadeia fala para texto → modelo de linguagem → texto para fala, backchannels como "mhmm" produzidos nativamente, e interrupção tratada ao decidir várias vezes por segundo se continua a falar ou se dá a vez. Isso continua sendo o ponto em que os sistemas baseados em turnos erram, e o Gemini 3.8 Live ainda é baseado em turnos.

O que o Gemini 3.8 Live faz, em vez disso, é manter a sessão produtiva enquanto um turno está em andamento: processamento de entrada visual quase em tempo real, execução em segundo plano de ferramentas e APIs que confirma uma solicitação e mantém a conversa viva enquanto a chamada é concluída, e uma variante Extended Thinking que narra seu progresso em voz alta. A resposta do Google para o problema do silêncio é preencher o silêncio com trabalho, em vez de remover o limite do turno. Ambas as abordagens impedem que o interlocutor desligue; elas falham de maneiras diferentes, e modelos baseados em turnos ainda podem avaliar mal uma pausa.

A entrada visual é o custo concreto dessa troca. Câmera e compartilhamento de tela fazem parte dos recursos do Gemini 3.8 Live desde o lançamento, e a própria documentação da OpenAI para a família Live lista a entrada de imagem e vídeo como explicitamente não suportada — uma limitação que se estende ao GPT-Live-1.1, já que as páginas de ajuda ao consumidor da nova versão repetem que o Live não oferece suporte a vídeo nem a compartilhamento de tela. Se o seu agente precisa olhar para algo, isso decide a comparação antes que qualquer benchmark o faça.

A comparação de custos, com o asterisco anexado

Nas tarifas publicadas de front-end, o Google é mais barato por uma margem ampla. O Gemini 3.8 Live cobra US$ 0,018 por minuto de saída de áudio, contra US$ 0,05 por minuto de voz do GPT-Live-1, e esse US$ 0,05 é o único valor por minuto que a OpenAI publicou para a família Live — ele pertence ao modelo mais antigo, e nenhuma tarifa foi anunciada para o GPT-Live-1.1 porque não existe endpoint ao qual associá-la.

O asterisco é que nenhum dos números é a conta. Os $0.05 do GPT-Live-1 cobrem apenas o front-end de voz. O raciocínio acontece em um modelo de texto delegado, e a documentação do Live da OpenAI afirma claramente que as chamadas de Responses no backend são cobradas pelo preço normal do modelo configurado — então cinco centavos por minuto de tempo de voz se tornam três dólares por hora de tempo de voz antes mesmo que um único token de raciocínio seja contado. O Gemini 3.8 Live tem o mesmo formato: a execução de ferramentas em segundo plano é trabalho de modelo de texto, cobrado a tarifas de modelo de texto que o Google não publicou para este produto.

É por isso que qualquer valor de custo por hora que você veja para qualquer um dos modelos é um número parcial vestindo as roupas de um total. Uma hora de tempo de voz do GPT-Live-1 custa US$ 3,00 de front-end antes mesmo que o backend seja medido, e o valor total depende inteiramente de para qual modelo você delega e com que frequência ele é chamado. Para o Gemini 3.8 Live, o front-end é mais barato por minuto e o backend não é divulgado. Comparar as duas tarifas de destaque revela apenas a metade barata de cada fatura.

A camada para a qual ambos entregam o trabalho

Ambos os sistemas delegam, e é esse fato que torna esta comparação menos uma decisão de lock-in do que a quantidade de idiomas sugere. O GPT-Live-1.1 encaminha, por concepção, consultas difíceis para um modelo de texto de back-end; a execução de ferramentas em segundo plano do Gemini 3.8 Live se resolve em chamadas comuns ao modelo. Nos dois casos, a camada de voz é uma interface fina sobre um modelo de raciocínio que o fornecedor trata como configurado separadamente e com medição separada. A variação de custos está aí, as diferenças de qualidade entre configurações aparecem aí, e a troca é barata aí porque não afeta a integração de voz.

Essa é a metade de uma pilha de voz em que um roteador ganha seu lugar, então vale a pena ser preciso sobre a fronteira. No OrcaRouter, a camada de raciocínio é mais de 200 modelos por trás de uma única chave pelo preço de tabela do provedor, sem acréscimo, o que significa que um corte de preço upstream chega ao nosso lado no mesmo dia, em vez de na próxima renovação de contrato — uma propriedade que importa mais do que o normal em uma estrutura de cobrança de dois medidores, em que o back-end é o medidor que se move. A DSL de roteamento permite nomear explicitamente o alvo da delegação e trocá-lo em tráfego ao vivo, e o failover automático mantém uma sessão ativa quando um back-end apresenta erro ou sofre timeout no meio da chamada, que é um modo de falha que a voz tem e o texto não. Um esclarecimento, porque seria fácil sugerir o contrário: não hospedamos os endpoints de voz do GPT-Live-1.1 ou do Gemini 3.8 Live. Eles vêm das próprias plataformas dos fornecedores e, no caso do GPT-Live-1.1, não há endpoint público para hospedar. Os modelos de texto aos quais esses sistemas delegam trabalho geralmente estão no roteador.

Como escolher

Escolha Gemini 3.8 Live se precisar entregar agora, se os seus idiomas forem além dos sete citados acima, ou se o modelo precisar enxergar algo. Aceite que você está comprando a configuração padrão que pontua 76,0 no índice composto, que o 82,6 geralmente citado pertence à variante Extended Thinking, que o acesso empresarial é uma prévia privada e que o custo total por hora também não é divulgado no seu lado da fatura.

Escolha o GPT-Live-1.1 se a qualidade da conversa for o produto e os seus idiomas estiverem dentro do conjunto dele — e se você puder esperar. A alternância de turnos full-duplex ainda é a referência de naturalidade, a atualização de versão é uma melhoria real em relação ao GPT-Live-1, e o trabalho com sotaques é voltado exatamente para os idiomas que eram os piores antes. Além disso, hoje, não é algo que você possa chamar a partir do código.

Escolha o GPT-Live-1 se você precisa de voz da OpenAI e precisa dela este mês, porque é o único membro dessa família com um ID de modelo, um endpoint documentado e um preço publicado.

A data a acompanhar é aquela em que gpt-live-1.1 recebe uma página de modelo. É nesse momento que isto deixa de ser uma comparação entre um produto já disponível e um anúncio, e que a alegação sobre os sotaques, o número de idiomas e o preço se tornam todos testáveis na mesma tarde.

Também é em comparações como esta que os modos de falha aparecem: os incidentes de IA documentados e as falhas de agentes por trás de modelos nesta classe são coletados no OrcaRouter AI Incident Archive, onde cada entrada carrega suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.