Um cartão de título gerado para Realtime 1 vs Gemini 3.8 Live, contrastando um Elo de arena de 1074 e uma taxa de sucesso em tarefas de 93,2% com uma pontuação de conclusão de tarefas agênticas de 30,1%, além de um logotipo OrcaRouter.
Guides & Insights

Realtime 1 vs Gemini 3.8 Live: O vencedor da Arena é aquele que não consegue concluir a tarefa

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

G​emini 3.8 Live tem o melhor Elo de arena entre todos os modelos de voz no quadro de fala para fala do Artificial Analysis — 1074, à frente dos 1037 do GPT-Live-1 e bem à frente dos 990 do Eleven Realtime Max. Também tem a maior taxa de sucesso em tarefas desse conjunto de comparação, 93,2%. E pontua 30,1% na conclusão de tarefas agênticas, que é o número mais fraco dos quatro. Esses três números descrevem o mesmo modelo, e entender por que eles coexistem é a questão central quando você o coloca ao lado de MAI Realtime 1, o novo modelo de fala para fala da Microsoft anunciado em 17 de novembro de 2026, que é voltado exatamente para aquilo em que o G​emini 3.8 Live é pior.

Um desses modelos é um conversador. O outro está sendo vendido como um operador. Nenhum dos dois publicou o suficiente para provar qual é qual na sua carga de trabalho, mas eles falham em direções opostas, e isso é mais útil do que um placar em que tudo fica próximo.

Duas apostas diferentes sobre para que serve um modelo de voz

O enquadramento do G​oogle para o G​emini 3.8 Live é restrito e confiante: ele é o modelo padrão da Live API para "a maioria das experiências de agentes de voz de baixa latência sem atrasos de raciocínio", com um irmão — G​emini 3.8 Live Extended Thinking — para casos que exigem "raciocínio em segundo plano mais elevado" durante a interação. Essa separação mostra para o que o G​oogle considera que o modelo base não serve. O raciocínio de verdade está no irmão.

O enquadramento da Microsoft para o MAI Realtime 1 é a imagem espelhada. É “fala para fala com fluxo conversacional natural e direcionamento preciso”, e a arquitetura é explicitamente de duas camadas: um sistema rápido mantém o diálogo em tempo real, e tarefas mais difíceis são “encaminhadas para um mecanismo de raciocínio mais forte sem pausas incômodas”. A Microsoft não está vendendo um conversador melhor. Está vendendo um despachante que fala bem o suficiente para manter a linha viva enquanto outra coisa faz o trabalho.

• Gemini 3.8 Live — um único modelo, deliberadamente rápido, com raciocínio disponível como um irmão separado e mais pesado que você escolhe por implantação.

• MAI Realtime 1 — um produto com dois motores por trás, com escalonamento por turno em vez de por implantação.

• A diferença prática — G​oogle pede que você escolha uma configuração no momento da integração. A Microsoft pede que você confie em um roteador dentro do modelo e pague pelo seu nível de raciocínio por token.

O que os números independentes dizem sobre o Gemini 3.8 Live

Este é o lado do confronto com medições reais, e elas são boas:

• Índice de fala para fala — 74,5, contra 82,6 da variante Extended Thinking. O índice o penaliza pela coluna agêntica, não pela conversa.

• Raciocínio de fala (Big Bench Audio) — 91,7%. Forte, e 97,7% no Extended Thinking.

• Dinâmica conversacional — 96,1%. É daqui que vem o Elo da arena: ela lida com o ritmo humano de uma chamada quase tão bem quanto qualquer coisa medida.

• Arena Elo — 1074, o mais alto do conjunto de comparação. Preferência humana, com efeito, e não está nem perto do fim dessa lista.

• Taxa de sucesso da tarefa — 93,2%, também a mais alta do conjunto.

• Conclusão de tarefas agênticas (τ-Voice) — 30,1%. O valor atípico, e o motivo pelo qual o índice composto fica abaixo da versão com pensamento estendido.

• Tempo até o primeiro áudio — 1,18 segundo. Não é o mais rápido — o Eleven Realtime Max faz em 0,57 —, mas é rápido o suficiente para que a alegação de "sem atrasos de raciocínio" seja crível.

• Custo combinado — cerca de $0.84 por hora na normalização da Artificial Analysis. A tabela de preços do próprio Google registra $0.005 por minuto de entrada de áudio e $0.018 por minuto de saída de áudio, o que, em uma chamada bidirecional contínua, fica mais próximo de $1.38 por hora; a diferença é uma convenção de medição, não uma contradição, e nenhum dos valores deve ser citado como se fosse o outro.

Compare o número agêntico com o número de sucesso na tarefa e algo importante aparece. Uma taxa de sucesso de 93,2% nas tarefas ao lado de 30,1% de conclusão agêntica significa que o modelo é muito bom nas tarefas que o harness considera conversacionais e ruim naquelas que exigem que ele planeje em várias etapas e use ferramentas. Esses são instrumentos diferentes, e a discrepância é o achado. O G​emini 3.8 Live manterá uma conversa melhor do que o MAI Realtime 1 provavelmente manterá. Se ele agendará a consulta ao final dessa conversa é uma questão separada e, com base na única evidência pública disponível, ele é a metade mais fraca.

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.

O que os números da Microsoft dizem, que é um único número

O MAI Realtime 1 não tem pontuações independentes. A Artificial Analysis não inclui o modelo em 18 de novembro. O que a própria Microsoft publica é um único valor de precisão na página do modelo — 98,8% no Big Bench Audio, ali rotulado como precisão em questões de raciocínio falado desse benchmark — além de um cartão de tempo até o primeiro áudio P50 e uma legenda “Latência P50 no BigBench Audio”. Nenhum valor de τ-Voice, nenhuma lista de idiomas suportados, nenhuma distribuição por trás do percentil, nenhuma nota de metodologia ao lado do número de precisão. Compare isso com os 91,7% do G​emini 3.8 Live no mesmo benchmark, conforme medido pela Artificial Analysis, e você está comparando a avaliação do próprio fornecedor com a de um terceiro: os dois números não são o mesmo tipo de objeto, e tratar 98,8% como uma vantagem de sete pontos seria exatamente a maquiagem que este artigo tenta evitar. A alegação mais ampla da empresa é que o modelo está na fronteira de Pareto de desempenho-preço para Big Bench Audio e τ-Voice, e que supera o G​PT Realtime 2.1 em qualidade, velocidade e preço — uma comparação com o modelo de voz de raciocínio por token da O​penAI, não com o G​emini 3.8 Live.

Portanto, qualquer comparação direta entre esses dois modelos hoje é uma comparação entre um perfil medido por terceiros e o número de destaque divulgado pelo próprio fornecedor. Isso não é motivo para evitar o confronto. É motivo para ser exato quanto ao que cada lado realmente se comprometeu.

O que a Microsoft se comprometeu a fazer, concretamente: US$ 0,01 por minuto de áudio, raciocínio a US$ 1,00 por milhão de tokens de entrada e US$ 5,00 por milhão de tokens de saída, uma interface compatível com a API Realtime da OpenAI, uma prévia do Foundry com acesso limitado que não é cobrada até a prévia pública, uma demonstração não comercial de dois minutos no MAI Labs restrita a adultos, 98,8% relatados pelo fornecedor no Big Bench Audio com um número de latência P50 e nenhuma distribuição por trás dele, implantações nomeadas chegando ao Dynamics 365 Contact Center e às simulações de treinamento de enfermeiros do Dragon Copilot, e testes iniciais na Agoda e na Reservations.ai.

O que não foi assumido como compromisso: idiomas, τ-Voice, residência de dados, retenção ou uma data de 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'.

A comparação de custos, feita como deve ser

Só na linha de voz, a diferença não é sutil. Um minuto de áudio do Gemini 3.8 Live, entrada e saída combinadas, custa US$ 0,023 na tabela da Google. Um minuto do MAI Realtime 1 custa US$ 0,01 antes do raciocínio. Cerca de 2,3x e, ao contrário da comparação com a ElevenLabs, não há taxa de conformidade nem taxa de plataforma do lado da Google que amplie essa diferença.

Mas a diferença de custo interessante não é a tarifa. É onde a conta do raciocínio recai. A resposta do G​emini 3.8 Live a um turno difícil é um modelo diferente que você implanta — G​emini 3.8 Live Extended Thinking, a US$ 3,50 por hora na base do Artificial Analysis e 82,6 no índice. Essa é uma decisão de implantação, com preço por hora de áudio, independentemente de algum turno específico ter precisado disso. A resposta do MAI Realtime 1 é uma escalada por turno com preço por token, o que é mais barato quando poucos turnos são difíceis e mais caro quando a maioria é.

• Principalmente turnos fáceis, com escaladas ocasionais — o modelo por token do MAI Realtime 1 vence, e por uma grande margem.

• Sobretudo turnos difíceis — o preço fixo de US$ 3,50 por hora do G​emini 3.8 Live Extended Thinking é o instrumento mais previsível, e a previsibilidade tem o seu valor quando se está a prever o orçamento de um centro de contactos.

• Tráfego misto, sem uma divisão clara — você está escolhendo entre uma estimativa por hora que consegue defender e uma estimativa por token que precisa medir. Essas são conversas de aquisição diferentes.

Vale a pena notar que o nível gratuito do G​oogle cobre o G​emini 3.8 Live sem qualquer custo para entrada e saída, sujeito a limites de taxa. Para um protótipo, isso é uma vantagem real em relação a um formulário de inscrição e uma lista de espera.

Linguagens, que decidem mais confrontos do que os benchmarks

O Gemini 3.8 Live herda o comportamento multilíngue da Live API, e a documentação do Google trata o diálogo em idiomas diferentes do inglês como uso comum. O material de lançamento do MAI Realtime 1 não lista um único idioma compatível. A linhagem de voz da Microsoft passa pelo Dragon, que é um produto de ditado clínico com forte implantação em inglês, e o anúncio do Transcribe 2 fala em reduzir pela metade as taxas de erro multilíngues — mas esse é o modelo de transcrição, não o de tempo real, e não é uma lista de idiomas.

Se o seu agente atende a um único mercado de língua inglesa, isto é uma nota de rodapé. Se atende a três, o MAI Realtime 1 ainda não é um candidato que você possa avaliar, porque a prévia não lhe dirá o que ele faz nos idiomas de que você precisa.

Como fazer a comparação antes que qualquer um dos fornecedores resolva isso

Ambos os modelos falam a OpenAI Realtime API — a Live API do Google por meio de sua própria interface; a da Microsoft, explicitamente por design. O lado do Gemini é intimamente relacionado, mas não idêntico em semântica de sessão, então preveja um adaptador em vez de uma troca de URL base; o lado do MAI Realtime 1 está mais próximo de uma substituição direta, segundo a própria descrição da Microsoft.

A avaliação que decide este confronto não é uma execução de benchmark. É uma execução de conclusão de tarefas: dê a cada modelo as mesmas vinte solicitações reais que exigem uma chamada de ferramenta e uma segunda etapa, e conte quantas são concluídas. O índice de 30,1% de capacidade agêntica do Gemini 3.8 Live define sua expectativa inicial — ele deve concluir cerca de seis. Se o MAI Realtime 1 chegar perto disso, a vantagem de preço não lhe rende nada nesta carga de trabalho. Se chegar perto dos 87% que o Eleven Realtime Max alcança no mesmo ambiente de avaliação, o design de dois níveis da Microsoft está fazendo o que promete e o confronto está encerrado.

Essa avaliação exige que a camada de raciocínio por trás do modelo de voz seja instrumentada, porque, do lado da Microsoft, é aí que o segundo passo realmente acontece. O OrcaRouter é o ponto onde essa camada se conecta: 200+ modelos atrás de uma única chave, pelo preço de tabela do fornecedor e com 0% de markup, failover automático para que uma chamada de raciocínio que trava não vire quatro segundos de silêncio numa chamada ao vivo, e uma DSL de roteamento que permite que o caminho de escalonamento seja uma regra em vez de código que você mantém no manipulador de voz. O próprio MAI Realtime 1 não está no nosso catálogo — ele é acessível pelo MAI Labs e pela pré-visualização de acesso limitado do Foundry —, então o que roteamos é tudo aquilo para o que ele delega, além dos irmãos do G​emini 3.8 Live se você for pelo caminho da G​oogle.

O que a prévia faz com o cronograma de aquisições

Coloque as duas rotas de disponibilidade lado a lado e a assimetria deixa de ser uma questão dos modelos e passa a ser uma questão de quanto tempo leva para se saber qualquer coisa. O G​emini 3.8 Live está em disponibilidade geral na Live API do G​oogle hoje, com um nível gratuito que cobre entrada e saída sob um limite de taxa, o que significa que um pico de dois dias pode gerar um número de conclusão de tarefas antes do fim da semana. O MAI Realtime 1 é um formulário de inscrição, uma lista de espera, uma demonstração não comercial de dois minutos restrita a adultos e uma versão prévia que, segundo a Microsoft, não será cobrada até o início da prévia pública.

Esses são tipos diferentes de atrito e favorecem equipes diferentes. Se você precisa de uma resposta agora e a resposta precisa ser defensável para quem assina a fatura, o G​emini 3.8 Live oferece um perfil medido com um harness público por trás e uma tarifa publicada sobre a qual você pode argumentar. Se você tem capacidade de engenharia sobrando e sem prazo neste trimestre, a prévia da Microsoft é o experimento útil mais barato da categoria — um centavo por minuto que não custa nada hoje, contra um modelo que nenhum terceiro mediu, em uma interface que você provavelmente já fala.

• Faça o protótipo esta semana, decida no próximo trimestre — qualquer uma das opções funciona, e os planos gratuitos de ambos os lados fazem com que o experimento seja quase gratuito.

• Protótipo esta semana, lançamento no próximo mês — Gemini 3.8 Live, porque o MAI Realtime 1 não tem data de GA e nenhuma forma de prever uma.

• Os dados não podem sair do seu tenant nem da sua região — nenhum dos dois é a resposta nos termos publicados; o Google tem controles regionais na Live API, a Microsoft não disse nada sobre residência para o 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.'

Para quem é esta divisão

Escolha o G​emini 3.8 Live se o produto for uma conversa. Se o valor estiver em como o agente soa, como lida com interrupções, quão rápido responde e quão bem funciona em seis idiomas, ele tem o melhor perfil medido entre tudo em sua faixa de preço e um nível gratuito para comprová-lo. A pontuação agêntica de 30,1% só importa se suas chamadas precisarem terminar em uma ação concluída, e não em uma interação bem conduzida.

Leve o MAI Realtime 1 a sério se o produto for uma transação — uma reserva, um sinistro, uma consulta que abrange sistemas — e se puder conviver com apenas inglês até que a Microsoft publique algo em contrário. A um centavo por minuto, com uma prévia não faturada, é a forma mais barata de descobrir se um roteador do lado do fornecedor supera o seu do lado da aplicação. O risco não é o dinheiro. É que você estaria lançando com base em um modelo cujo único número de precisão publicado são os seus próprios 98,8%, sem uma nova execução por trás, sem pontuação τ-Voice, sem lista de idiomas e sem distribuição de latência — e a única parte que pode fechar essa lacuna neste mês é você, com sua própria instrumentação.

O que nenhum dos dois lados fez foi publicar o número que resolveria a questão: que fração das conversas reais precisa do segundo mecanismo. A resposta da G​oogle é vender um segundo modelo e deixar você decidir por implantação. A da Microsoft é decidir por turno e cobrar por isso. Ambos são projetos honestos. Apenas um deles é mensurável hoje, e não é o mais barato.