GPT-Live-1 vs Gemini 3.8 TTS: Um mantém uma conversa, o outro lê um roteiro — e apenas um deles é barato

Coloque G​PT-Live-1 e Gemini 3.8 Flash TTS lado a lado num medidor por minuto e a resposta parece óbvia. O narrador do G​oogle cobra cerca de 1,35 centavos por minuto de fala gerada à taxa de 2026. O modelo conversacional da O​penAI cobra 5 centavos por minuto de linha aberta — e continua cobrando enquanto o backend pensa, enquanto o usuário pausa, e enquanto nada está sendo dito. Uma diferença de cerca de vinte e sete vezes, antes que alguém tenha perguntado se os dois estão fazendo o mesmo trabalho.

Eles não são, e de um jeito que é mais interessante do que o habitual aceno vago de "categorias diferentes". Gemini 3.8 Flash TTS não consegue ouvir. G​PT-Live-1 não pode ser processado em lote. E a nomenclatura torna isso pior do que precisa ser, porque a frase G​emini 3.8 TTS — o rótulo que metade da internet está usando — não corresponde a nenhum modelo que você possa chamar.

Primeiro, o problema do nome, porque é ele que decide o preço que você cita.

Não existe um modelo chamado Gemini 3.8 TTS. A própria documentação do Google usa a expressão como termo guarda-chuva para dois endpoints chamáveis, e os preços são suficientemente diferentes para que citar o errado seja um erro real:

• gemini-3.8-flash-tts — o nível completo, mais de 130 idiomas, US$ 0,50 por milhão de tokens de texto de entrada e US$ 9,00 por milhão de tokens de áudio de saída, passando para US$ 1,00 e US$ 18,00 em 1º de janeiro de 2027.

• gemini-3.8-flash-lite-tts — 101 idiomas, mesma tarifa de entrada, US$ 6,00 por milhão de tokens de áudio gerados, subindo para US$ 12,00.

• Ambos têm tarifas Batch e Flex pela metade do preço Standard (US$ 0,25 de entrada, US$ 4,50 ou US$ 3,00 de saída) e tarifas Priority a 1,8× (US$ 0,90 de entrada, US$ 16,20 ou US$ 10,80 de saída).

O áudio é cobrado a 25 tokens por segundo, e é daí que vem o valor por minuto: 25 tokens × 60 segundos = 1.500 tokens de áudio por minuto, então US$ 9,00 por milhão equivale a cerca de US$ 0,0135 por minuto. O Flash-Lite fica perto de US$ 0,009.

A situação do modelo está genuinamente indefinida e vale a pena dizer em voz alta, porque as próprias interfaces do G​oogle divergem. O changelog da API G​emini considera ambos os modelos como disponíveis para uso geral. A lista de modelos da API os rotula como "New Stable". A documentação de conversão de texto em fala do G​oogle Cloud os descreve como disponíveis em Prévia (Preview) somente por meio da API G​emini Enterprise. O post de anúncio no blog, publicado em 23 de setembro de 2026, não usa nenhuma das duas palavras. Qualquer pessoa que escreva uma nota de aquisição neste mês deve tratar o rótulo GA como uma alegação do changelog, e não como um fato consolidado.

O que cada modelo realmente faz quando você o chama

O Gemini 3.8 Flash TTS recebe texto e retorna áudio. Ele não tem entrada de áudio, não tem turno a assumir, não tem noção de ser interrompido e não tem transcrição a devolver, porque nunca ouviu nada. O endpoint unário retorna WAV em 24 kHz mono; o streaming retorna PCM de 16 bits sem cabeçalho, com mulaw e alaw aceitos e uma taxa de amostragem configurável. As indicações de cena em linha são escritas no roteiro como eventos entre colchetes angulares — <laugh>, <sigh>, <breath>, <short pause> — e o texto de entrada é, fora isso, tratado como uma transcrição literal, não como instruções. A Live API não oferece suporte algum a esses modelos.

GPT-Live-1 faz o trabalho oposto. É full duplex: processa áudio de entrada enquanto produz áudio de saída, decide várias vezes por segundo se o usuário terminou de falar e retorna transcrições de reconhecimento de fala como parte da sessão. Suas entradas são áudio e texto; suas saídas são áudio e texto; imagens e vídeo não são compatíveis. Ele faz streaming e oferece suporte a chamadas de função, mas não a saídas estruturadas, e a data de corte do conhecimento é 31 de julho de 2025. Apenas um endpoint o atende — v1/live/sessions — e Chat Completions, Responses, Realtime e Batch estão todos fora.

Esse último detalhe é o que encerra a comparação para muitas cargas de trabalho. Se o seu produto renderiza um script, o G​PT-Live-1 não é a opção barata nem a correta. Se o seu produto atende um telefone, o Gemini 3.8 Flash TTS é um terço de um pipeline que ainda precisa de um modelo ASR e de um modelo de linguagem acoplados em cada lado — e o ponto central do G​PT-Live-1 é que a emenda entre essas três partes é onde as conversas se quebram.

Os números, e a quem pertencem

Na Provider Voice Arena da Artificial Analysis — um ranking Elo de votação cega sobre as vozes nativas de cada fornecedor — os novos modelos do Google ficam em posição intermediária, e não no topo:

• Gemini 3.8 Flash TTS — Elo 1.275 na 5ª posição, com um intervalo de 95% de aproximadamente 1.260 a 1.290 em 2.783 amostras, listado a US$ 16,5 por milhão de caracteres.

• Gemini 3.8 Flash-Lite TTS — Elo 1.248 na posição 8, intervalo de aproximadamente 1.234 a 1.262, US$ 11,0 por milhão de caracteres.

• Acima de ambos — Eleven v4 Turbo com 1.330, Eleven v4 com 1.329, Q​wen-Audio-3.1-TTS-Plus com 1.296 e Cartesia Sonic 3.6 com 1.285.

A própria alegação do Google é mais forte do que esse ranking, e é uma alegação de fornecedor: a publicação de 23 de setembro diz que os modelos ficaram em primeiro lugar no Voice Design Benchmark da Hume AI, com 71,4, e lideraram a modelagem de sotaques da Hume, com 60,8, além das posições de topo em preferência cega em japonês, português brasileiro, vietnamita, árabe padrão moderno, espanhol mexicano e hindi. Essas são colocações relatadas pelo Google em uma avaliação de terceiros, não uma reprodução.

Passando para o lado conversacional, os números do G​PT-Live-1 vêm de um quadro completamente diferente. O índice speech-to-speech da Artificial Analysis — uma média ponderada de raciocínio de fala, desempenho agêntico, preferência em arena e sucesso em tarefas — agora lista o G​PT-Live-1 sob configurações de backend nomeadas, em vez de como uma única linha: G​PT-Live-1 (Astra, medium) e G​PT-Live-1 (Sol, low) ficam no topo desse índice, com o G​rok Voice 3.0 liderando o campo. Esse é um lembrete útil de que, nesta arquitetura, o modelo de voz é apenas metade da linha; o backend delegado move a pontuação.

Um número que importa e não existe em lugar nenhum: o Google não publica nenhuma métrica oficial de latência para nenhum dos dois modelos de TTS. Todo número de tempo até o primeiro áudio em circulação é de terceiros — o p50 de um agregador fica em torno de 3,47 segundos para o Flash TTS e 2,66 para o Flash-Lite — e nada disso é diretamente comparável à cadência conversacional do GPT-Live-1, porque medem coisas diferentes.

O design de voz é onde os dois convergem, e onde voltam a divergir

Ambos os fornecedores agora permitem que você descreva uma voz em palavras. Isso é novidade em 2026 e é o ponto em que os dois produtos mais se aproximam de se sobrepor.

O caminho do Google passa pela API G​emini: uma persona de voz baseada em prompt, salva de forma persistente como um voice_ ID, replicação de voz a partir de uma amostra de cerca de 30 segundos com verificação de consentimento, marca d'água SynthID e credenciais C2PA anexadas, e um limite de 200 vozes personalizadas com estado por projeto, com retenção de um ano desde o último uso. A descrição escrita abrange função, sotaque e características vocais.

O caminho da OpenAI, lançado em 16 de outubro de 2026 para todos os clientes da API, é um POST para /v1/audio/voices com type: "prompt", um nome, a descrição e "model": "auto". A criação é gratuita; usar a voz é cobrado pelas tarifas normais de sessão. Ele retorna apenas metadados — sem áudio, sem pré-visualização. As qualidades que você pode controlar são sotaque, idade, apresentação, tom, timbre, textura, volume, velocidade da fala e distinção, todas expressas em linguagem comum, sem parâmetros numéricos.

Duas diferenças decidem qual você pode realmente usar:

• As vozes geradas por prompt no G​PT-Live funcionam apenas com o G​PT-Live. Elas são explicitamente incompatíveis com as APIs Text to Speech, Realtime e Chat Completions. As vozes personalizadas do G​oogle, por outro lado, são vozes para um mecanismo de renderização, e é isso que as torna reutilizáveis em um catálogo.

• O limite por organização do lado da OpenAI é de 100 vozes geradas por prompt, e também se aplica às vozes geradas em nome dos seus clientes. O teto do Google é de 200 por projeto. Se você é uma plataforma que gera uma voz por cliente, ambos os números são o limite real do seu produto, não uma nota de rodapé.

Há também uma diferença no que você recebe de volta. Uma voz do G​oogle chega com proveniência de SynthID e C2PA anexada. Uma voz gerada por prompt da O​penAI chega como um ID, um carimbo de data/hora de criação e seu próprio texto de prompt — e a documentação afirma categoricamente que não há garantia de que vozes geradas sejam únicas. Mantenha a descrição sob controle de versão; é o único registro do que você pediu.

Onde a diferença de preço deixa de ser 27×

A comparação por minuto é a que costuma ser citada e é a que engana, porque o medidor do G​PT-Live-1 não está medindo o mesmo recurso. Três coisas alteram a proporção real:

• O tempo ocioso é faturável. Uma sessão de voz é cobrada por segundo enquanto estiver aberta, inclusive enquanto o modelo de backend está trabalhando e enquanto o usuário está em silêncio. O medidor do Google só avança quando áudio é gerado. Uma chamada de suporte em que o usuário fala por quatro minutos e seu backend pensa por dois totaliza seis minutos faturáveis no Live e menos no renderizador — antes de você contar as etapas de ASR e de modelo de linguagem que o renderizador ainda precisa.

• O comprimento da saída é controlável de um lado. Um trabalho de renderização é uma grandeza conhecida: você pode precificar um artigo de 900 palavras antes de gerá-lo, e as tarifas do Batch o reduzem pela metade de novo. Uma conversa não é.

• O backend é uma conta à parte. O raciocínio delegado e o uso de ferramentas no G​PT-Live-1 são cobrados às tarifas normais do modelo, além dos US$ 0,05 por minuto, e a própria orientação de custos da O​penAI enquadra a alavanca como fazer o usuário terminar mais cedo — por exemplo, rodar um backend mais rápido com chamadas de ferramentas em paralelo para que a conversa termine um minuto antes, economizando US$ 0,05. A tarifa de voz é fixa; o que se ajusta é a duração da sessão.

Esse último ponto é onde uma camada de roteamento deixa de ser apenas um item desejável. A delegação de cliente permite que você aponte uma sessão do GPT-Live para seu próprio agente ou serviço, o que significa que o backend delegado pode ser qualquer modelo — e a versão útil de "qualquer modelo" é um endpoint e uma chave em vez de um contrato por provedor. O OrcaRouter disponibiliza mais de 200 modelos pelo preço de tabela do provedor, sem markup, então um corte de preço do fornecedor no lado do backend chega até você no dia em que acontece, e o failover automático cobre uma indisponibilidade do provedor sem que o chamador perceba. Se você está construindo o caminho delegado, a escolha do backend é onde seu custo realmente está; os US$ 0,05 por minuto são uma constante.

Para ser preciso quanto ao limite: o OrcaRouter não hospeda o G​PT-Live-1 nem os modelos G​emini 3.8 TTS. O que ele roteia é o lado de raciocínio de uma sessão Live delegada.

Qual escolher

Se você estiver renderizando — artigos, documentação, narração de vídeo, prompts de IVR escritos com antecedência — o Gemini 3.8 Flash TTS é a ferramenta correta e o G​PT-Live-1 é cerca de 27 vezes mais caro do que deveria por minuto de áudio e estruturalmente incapaz de dar conta do trabalho em lote. Escolha o Flash-Lite se 101 idiomas cobrirem suas necessidades, escolha as tarifas Batch ou Flex se a latência não for a restrição, e já modele desde o início a duplicação de preço de janeiro de 2027, porque o G​oogle a publicou na mesma tabela em vez de escondê-la.

Se você está tendo uma conversa, a comparação de TTS é um erro de categoria e a pergunta honesta é outra: o backend delegado produz uma resposta rápido o suficiente para que a sessão permaneça curta. Esse é o número que determina sua fatura, e é aquele que ninguém coloca em um slide de lançamento.

E se você está apenas tentando descobrir quanto custa o "G​emini 3.8 TTS" — a resposta é US$ 9,00 por milhão de tokens de áudio, em um dos dois modelos a que esse nome se refere, até o final de 2026.

Nada disso é hipotético: as falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz as suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.