Grok Voice 3.0 vs Gemini 3.8 Live: a Google vende dois modelos de voz e apenas um deles está nesta disputa

A resposta do Google ao Grok Voice 3.0 custa US$ 0,84 por hora. Esse é o valor por hora de áudio de entrada da Artificial Analysis para o Gemini 3.8 Live em sua configuração padrão, e é 5,7 vezes mais barato do que os US$ 4,80 por hora que o Grok Voice 3.0 cobra. Também é o modelo errado para comparar. O Gemini 3.8 Live que realmente mede forças com o novo carro-chefe da SpaceXAI — o que tem 82,6 no Speech to Speech Index contra 86,9 do Grok — é a variante Extended Thinking, e custa US$ 3,50 por hora. A diferença real entre esses dois modelos é de 1,37×, não 5,7×, e escolher a linha errada da tabela de preços é o erro mais caro possível nesta disputa.

É a primeira vez que a categoria tem uma verdadeira fronteira de preço-qualidade, em vez de um líder e uma alternativa mais barata. O Grok Voice 3.0 chegou a 14 de outubro de 2026, a 0,08 dólares por minuto, a mesma tarifa do Grok Voice 2.0, com 86,9 no índice e tempo até o primeiro áudio inferior a um segundo. O Gemini 3.8 Live chegou a 15 de setembro de 2026 em duas configurações que se comportam como dois produtos diferentes, uma das quais é líder em custos e a outra é um sistema de raciocínio que, por acaso, fala.

Os dois modelos do Google não são níveis um do outro.

O próprio enquadramento do Google os separa por função, e não por tamanho. O modelo padrão é descrito como feito para escala e eficiência de custo, com diálogo fluido e ancoragem visual. A variante Extended Thinking é descrita como feita para tarefas de alta complexidade, com raciocínio em várias etapas que narra seu progresso em voz alta enquanto trabalha.

A lacuna medida entre eles não é um gradiente de qualidade. É uma ruptura de categoria:

• Conclusão de tarefas agênticas, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6% vs Gemini 3.8 Live 30,1%. Mesmo fornecedor, mesmo lançamento, mesma família subjacente, 38,5 pontos de diferença.

• Índice Speech to Speech — 82,6 para o Extended Thinking com esforço de raciocínio alto vs. 76,0 para o modelo padrão.

• Custo por hora de áudio de entrada — US$ 3,50 vs US$ 0,84.

• Tempo até o primeiro áudio — 1,35 segundos para o Extended Thinking vs 1,18 segundos para o modelo padrão, ambos medidos pela Artificial Analysis.

Portanto, quando um documento de aquisição pergunta se o Gemini 3.8 Live é mais barato do que o Grok Voice 3.0, não há uma única resposta. Em comparação com o modelo padrão, a xAI custa quase seis vezes mais e está 10,9 pontos de índice à frente. Em comparação com o Extended Thinking, a xAI é 37% mais cara em áudio e está 4,3 pontos à frente. São decisões diferentes sob o mesmo nome de modelo.

Frente a frente, com o Gemini certo

Deixe a variante padrão de lado por um momento e compare os dois modelos que estão de fato competindo pelo topo do ranking. Cada número abaixo é dos testes próprios da Artificial Analysis de 13 de outubro de 2026 para o Grok Voice 3.0 e do ranking de setembro para o Gemini 3.8 Live Extended Thinking at High effort.

• Índice de Fala para Fala — Grok Voice 3.0 86,9 vs Gemini 3.8 Live Extended Thinking 82,6. Uma diferença de 4,3 pontos que é real, mas não decisiva.

• Desempenho agêntico, τ-Voice — Grok Voice 3.0 71,6% vs Gemini 3.8 Live Extended Thinking 68,6%. Três pontos, e a coisa mais próxima de um empate no placar.

• Raciocínio de fala no Big Bench Audio — Grok Voice 3.0 98,5% vs. os 97,7% relatados pelo Google. Ambos efetivamente no teto; essa dimensão deixou de discriminar.

• Preferência na Speech Agent Arena — Grok Voice 3.0 com Elo 1070, a mais alta do ranking. O modelo do Google não domina a arena.

• Preço por minuto de áudio — Grok Voice 3.0 $0.08 de entrada e saída; Gemini 3.8 Live $0.005 por minuto de entrada de áudio e $0.018 por minuto de saída de áudio.

• Tempo até o primeiro áudio — Grok Voice 3.0 0,81 segundos; Gemini 3.8 Live Extended Thinking 1,35 segundos e o modelo padrão 1,18 segundos na medição da Artificial Analysis. Os próprios materiais do Google não publicam nenhum dado de latência.

• Custo por tarefa concluída, Big Bench Audio — Grok Voice 3.0 US$ 0,025 por tarefa. Nenhuma das variantes do Google tem um valor publicado.

• Disponibilidade — Grok Voice 3.0 tem preço definido e já está ativo, com aviso de descontinuação do seu antecessor; Gemini 3.8 Live é uma prévia sem data de disponibilidade geral, sem número de uptime publicado e sem tarifa que o Google tenha prometido manter.

• Cobertura de idiomas — o Gemini 3.8 Live alterna entre 97 idiomas compatíveis no meio da conversa; a camada de conversão de fala em texto da xAI documenta mais de 38 idiomas.

• Entrada visual — Gemini 3.8 Live processa entrada visual quase em tempo real; Grok Voice 3.0 não tem ancoragem visual comparável.

A única dimensão em que o silêncio do Google é a notícia

Observe a assimetria nessa lista. O Grok Voice 3.0 começa a falar em 0,81 segundo. O Gemini 3.8 Live Extended Thinking começa em 1,35 e o modelo padrão em 1,18, ambos segundo a medição da Artificial Analysis — o que faz o Gemini sem raciocínio demorar mais para iniciar um turno do que o com raciocínio, uma anomalia que quase certamente é efeito de a variante de raciocínio narrar o próprio progresso em voz alta enquanto trabalha, e não de um caminho genuinamente mais rápido.

O próprio material de lançamento do Google não publica nenhum número de latência para nenhum dos dois modelos, apenas uma linguagem de parceiros sobre latência impressionante. Isso importa porque o tempo até o primeiro áudio é a dimensão em que produtos de voz têm sucesso ou fracassam aos olhos das pessoas que os usam, e é a dimensão para a qual o Google escolheu não apresentar um número. Se o seu produto é telefonia, onde 0,81 segundos é a diferença entre uma conversa e um atraso, a medição de um concorrente sobre o seu fornecedor não é a mesma coisa que o compromisso do seu fornecedor. Teste antes de se comprometer, e fique atento ao anúncio de disponibilidade geral para ver se algum número aparece junto com ele.

A fundamentação visual funciona ao contrário e é inequivocamente do Google. Um modelo que consegue processar vídeo quase em tempo real consegue resolver as coisas que o áudio não consegue: a que "isto" se refere, se a pessoa que pergunta está olhando para a coisa sobre a qual pergunta, se o ruído na linha é uma máquina que pode ser vista. O Grok Voice 3.0 é um modelo de áudio com ferramentas. Isso é uma fronteira de capacidade genuína, não uma diferença de configuração, e nenhuma quantidade de pontuação de índice a fecha.

O que a diferença de preço realmente compra

Faça as contas com uma carga de trabalho real. Dez mil minutos de voz por dia, trinta dias por mês, trezentos mil minutos.

• Grok Voice 3.0 — US$ 0,08 por minuto, ou seja, US$ 24.000 por mês.

• Gemini 3.8 Live Extended Thinking — com preço a partir de US$ 3,50 por hora de áudio de entrada, cerca de US$ 17.500 por mês para o mesmo volume, com uma tabela de preços pública que cobra entrada e saída separadamente.

• Gemini 3.8 Live standard — aproximadamente US$ 4.200 por mês, em um modelo que conclui 30,1% dos cenários τ-Voice.

Essa linha do meio é a decisão inteira. Por cerca de US$ 6.500 por mês a menos do que o carro-chefe da xAI, o Google vende um modelo 4,3 pontos de índice atrás dele em status de prévia — próximo o bastante para que qualquer equipe cujo agente esteja fazendo trabalho genuíno de várias etapas deveria rodar os dois contra suas próprias gravações, em vez de ler um ranking. A linha de baixo é uma armadilha, a menos que sua interface de voz seja conversacional e a conclusão da tarefa aconteça em outro lugar da pilha, o que, para uma grande parcela dos produtos de voz implantados, é o caso.

Há mais uma métrica que vale a pena levar para essa planilha, porque ela inverte parcialmente o quadro. A medição por tarefa da Artificial Analysis no Big Bench Audio coloca o Grok Voice 3.0 a US$ 0,025 para concluir uma tarefa, contra US$ 0,030 do GPT Live 1 em sua configuração Astra medium. O custo por tarefa concluída, não o custo por hora, é o número que sobrevive a uma reunião de orçamento — um modelo mais barato que precisa de uma segunda tentativa não é mais barato. Nenhum dos fornecedores publica esse número para o par Gemini, o que é outra lacuna onde a opção mais barata não foi medida no eixo que importa.

Onde um roteador ajuda e onde não ajuda

Seja preciso sobre isso, porque a resposta reflexa está errada. O OrcaRouter não atende a nenhum dos dois endpoints em tempo real. O Grok Voice 3.0 vem da própria API da xAI, e o Gemini 3.8 Live, da API do Google, e nenhum roteador pode se interpor num WebSocket de áudio duplex pertencente a um único fornecedor. Se alguém lhe disser que a plataforma dele permite fazer failover entre esses dois durante uma chamada, está descrevendo algo que não existe.

O que é roteável é tudo o que os rodeia. Uma implementação de voz é um modelo de voz mais uma pilha de texto — o classificador que atribui um código de disposição após a chamada, o sumarizador que escreve a nota no CRM, a recuperação que responde à pergunta que o modelo de voz teve de transferir, o modelo que lê a transcrição para conformidade. Essa camada é inferência comum medida por pedido, é onde se acumula uma parte significativa do custo por chamada, e é a camada que operamos: mais de 200 modelos de linguagem por trás de uma única chave ao preço de tabela do fornecedor, sem qualquer margem, failover automático quando um fornecedor degrada, e uma DSL de encaminhamento que lhe permite compor vários modelos numa só chamada em vez de escolher um antecipadamente. Como o preço de tabela é repassado sem alterações, um corte de preço de um fornecedor em qualquer um desses modelos fica ativo do nosso lado no mesmo dia. O minuto de áudio que paga ao Google ou à xAI é o mesmo minuto de qualquer forma; o raciocínio por trás dele é a parte que pode escolher.

A regra de decisão

Três respostas, e elas decorrem dos componentes, e não do índice.

Escolha o Grok Voice 3.0 se sua carga de trabalho for agêntica, sensível à latência e entrar em produção neste trimestre. Ele lidera o composto, lidera a arena, detém o menor tempo publicado de início até a fala entre os modelos de fronteira, e tem preço e suporte com um caminho de descontinuação, em vez de um aviso de prévia.

Escolha o Gemini 3.8 Live Extended Thinking se você precisar de fundamentação visual, se precisar de 97 idiomas em vez de 38, ou se estiver consumindo minutos de voz suficientes para que uma diferença de US$ 1,30 por hora importe mais do que 4,3 pontos de índice — e aceite que você está construindo sobre uma prévia sem compromisso de tempo de atividade.

Escolha o Gemini 3.8 Live padrão apenas se você tiver medido seu próprio tráfego e confirmado que a parte de várias etapas das suas chamadas já é tratada fora do modelo de voz. No papel, é a opção mais barata da categoria por uma ampla margem. No eixo τ-Voice, ele falha em cerca de sete de cada dez cenários, e nada no índice indica isso até você olhar.

O que mudaria esta página: uma data de disponibilidade geral e um número de latência do Google, que, juntos, fariam da opção mais barata a mais segura; ou uma mexida no preço por parte da xAI, que é a única alavanca que a sua concorrente não consegue igualar, dado que a tarifa do modelo principal se manteve constante ao longo de uma geração completa de modelos.

É também em comparações como esta que os modos de falha aparecem: os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe são reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz as suas próprias fontes, severidade, grau de confiança e sinalizador de disputa.