Gemini 3.8 Live против Grok Voice Think Fast 2.0: разрыв в 0,3 пункта и счёт в 3,2 раза больше

Оба Gemini 3.8 Live и Grok Voice Think Fast 2.0 рассуждают, пока говорят — а точнее, оба делают это в конфигурации, которая действительно борется за вершину таблицы лидеров, что для Gemini 3.8 Live означает вариант Extended Thinking, а не стандартный уровень. Оба были описаны своими создателями как первые в Speech to Speech Index от Artificial Analysis. Только одно из этих утверждений сейчас можно увидеть на публичном табло, и разрыв между двумя лидерами составляет 0,3 балла — едва больше, чем отрыв, отделяющий соседние модели в другом месте того же графика, а это, иначе говоря, означает, что это не настоящее различие.

Разница в стоимости между ними — не 0,3 пункта. Это коэффициент 3,2.

Эта асимметрия — вот в чём вся суть, и именно её нужно понять, прежде чем читать объявление любого из этих двух вендоров.

Два притязания на первое место

Когда xAI объявила о Grok Voice Think Fast 2.0 в конце июля 2026 года, приведённые показатели ставили его на 82,9% в Индексе качества речи-в-речь Artificial Analysis, впереди GPT-Realtime-2.1 с 79,1% и Gemini 3.1 Flash с 69,5%. Несколько независимых изданий повторили эту формулировку и описали модель как лучшую в мире по голосовым возможностям.

На табло, зафиксированном 16 сентября 2026 года, после запуска Google, та же модель отображается как Grok Voice Think Fast 2.0 High с 81,3. Не 82,9. И верхняя строка теперь Gemini 3.8 Live Extended Thinking с 82,6.

Совет в полном составе, по порядку:

• Gemini 3.8 Live Extended Thinking — 82.6

• GPT-Live-1 (бэкенд Astra, среднее усилие) — 81.5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (бэкенд Sol, низкие усилия) — 80.1

• Gemini 3.8 Live — 76,0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

В этом списке есть два урока, и ни один из них не о том, какая модель лучше. Первый: сообщённые вендором оценки индексов недолговечны: 82,9 от xAI не удержалась в публичной таблице, которая теперь показывает 81,3. Это не обвинение в нечестности — составные индексы пересматриваются, конфигурации различаются, а июльское число, измеренное на июльском наборе, не ошибочно, оно просто устарело. Но это означает, что единственный показатель, на который вам следует ориентироваться при планировании, — тот, который вы сами прочитали, с датой. Второй: 0,3 балла, отделяющие здесь первое место от третьего, не являются значимой разницей в качестве. Тот, кто выбирает между этими двумя моделями, опираясь на это число, выбирает по шуму.

Читайте компоненты, а не композит

Составные показатели скрывают разногласия. Индекс Speech to Speech — это взвешенное среднее речевого рассуждения, агентной производительности, предпочтений в арене и доли успешно выполненных задач, — и две модели в этом противостоянии не близки по двум из этих четырёх показателей.

Именно здесь заявление Google становится по-настоящему интересным, ведь весь посыл Grok сводился к агентной производительности:

• Агентная производительность (τ-Voice) — Google сообщает о 68,6% для Gemini 3.8 Live Extended Thinking. xAI сообщает о 56,5% для Grok Voice Think Fast 2.0, что примерно на 11 пунктов выше 45,7% у GPT-Realtime-2.1 и примерно на 19 пунктов выше 37,7% у Gemini 3.1 Flash на тот момент. Если показатели обоих производителей подтвердятся, Google стал лидером в категории, где ранее лидировал xAI, с преимуществом около 12 пунктов.

• Речевое рассуждение (Big Bench Audio) — Google сообщает 97,7% для модели Extended Thinking. xAI сообщает 97,2% для Grok. Практически на одном уровне.

• Успешность выполнения банковских задач — Google сообщает о 35,1 % в бенчмарке τ-Voice-banking от Sierra. xAI не опубликовала напрямую сопоставимый показатель.

• Динамика диалога (Full Duplex Bench) — Grok сообщает 95,1%, немного отставая от показателя GPT-Realtime-2.1 в 95,7% и значительно опережая Gemini 3.1 Flash с 74,3% на тот момент. Google не опубликовала ни одного показателя Full Duplex Bench для Gemini 3.8 Live Extended Thinking.

Примечание о честности здесь значит больше, чем обычно. Числа 68,6%, 35,1% и 97,7% — это собственные показатели Google, опубликованные в блоге Google, и никто за пределами Google их не воспроизвёл. Показатели 56,5%, 97,2% и 95,1% для Grok взяты из xAI или из Artificial Analysis и, в случае с позицией в индексе, доступны для публичной проверки. Единственные цифры в этом сравнении, которые можно проверить независимо, — это две оценки по индексу: 82,6 и 81,3. Всё остальное — утверждение против утверждения, и эти утверждения делают стороны, заинтересованные в исходе.

Что можно с уверенностью сказать: Google заявляет о значительном преимуществе именно по тому параметру, которым xAI обосновывала повышение своей цены. Если это утверждение выдержит независимое тестирование, в этом противостоянии всё будет решено по возможностям. Если же нет, то разрыв в 0,3 пункта по индексу — это вся разница, и ценовой разрыв становится неоправданным.

Законопроект: $1,50 против $4,80 в час

Стоимость — это та часть данного сравнения, которая не зависит от чьей-либо методологии бенчмарка, поскольку это опубликованный тариф.

Grok Voice Think Fast 2.0 стоит $0,08 за минуту аудио, примерно $4,80 в час. Это было повышение на 60% по сравнению с $3,00 в час у Think Fast 1.0, а пользователи с псевдонимом grok-voice-latest были автоматически переведены 5 августа 2026 года — разработчикам, которые хотели остаться на старой модели, нужно было закрепить ID версии до этой даты или смириться с изменением.

Gemini 3.8 Live был анонсирован по цене $0,005 за минуту входного аудио и $0,018 за минуту выходного аудио. График стоимости часа входного аудио от Artificial Analysis оценивает его в $1,50 в час — это ровно в 3,2 раза дешевле, чем $4,80 у Grok. Для сравнения, на том же графике GPT-Realtime-2 High стоит $4,14, Qwen Audio 3.0 Realtime Plus — $4,42, а GPT-Realtime-2.1 High — $10,75.

Структура рынка в этом списке заслуживает отдельного предложения. Самая дешёвая позиция в таблице — это Gemini — Gemini 3.1 Flash Live по цене $1,42 в час, — а второй по дешевизне — Gemini 3.8 Live за $1,50. Google позиционирует свою новейшую голосовую модель как второй по дешевизне вариант в категории, ниже по цене, чем модели, с которыми она конкурирует по качеству.

Обратите внимание, что это означает для всех, кто перешёл на Grok в августе. Из-за повышения цены и запуска Google одна и та же рабочая нагрузка у одного из участников этого противостояния подорожала с $3,00 в час до $4,80 в час, а у другого стала доступна по $1,50 в час. Никаких изменений в моделях, которые могли бы это вызвать, не произошло. Решения о маршрутизации, принятые в июле, теперь обходятся более чем вдвое дороже, чем альтернатива, — а ведь именно такой ситуации маршрутизатор и призван избегать.

Где Grok по-прежнему лидирует

Две вещи, и одна из них не близка.

Задержка. Grok Voice Think Fast 2.0 сократил время до первого аудиосигнала с 1,25 секунды до 0,70 секунды, что является самым быстрым опубликованным показателем в этой категории. Google вообще не опубликовала никакого показателя задержки для Gemini 3.8 Live — только отзывы партнёров, описывающие «впечатляющую задержку». Во время телефонного разговора 0,70 секунды — это разница между разговором и задержкой, и это единственное измерение, в котором утверждение xAI одновременно конкретно и неоспоримо. Если ваш продукт — телефония, это может перевесить всё вышесказанное.

Надёжность транскрибирования. xAI оценила частоту ошибок в словах на тысячах коротких фраз в 24 языках и сообщает, что ошибок в 1,5–2,0 раза меньше, чем у специализированных моделей STT, включая Deepgram Nova 3 и ElevenLabs Scribe v2, в 1,4 раза меньше, чем у Think Fast 1.0, и примерно в 10 раз меньше ошибок в шумных условиях, связанных с фоновым шумом и телефонным сжатием. Эти данные заявлены производителем и не подтверждены независимо, и именно утверждение о шумной среде следует проверить в первую очередь, потому что оно наиболее конкретное и его легче всего опровергнуть.

Grok также обладает практическими возможностями для разработчиков, которые стоит отметить: совместимый с OpenAI Realtime WebSocket API, PCM16 с частотой 24 кГц и μ-law для телефонии, обнаружение голосовой активности на стороне сервера, эфемерные токены для браузерных приложений, пользовательское клонирование голоса примерно по минуте речи и объём токенов рассуждений примерно 0,4× от предыдущей версии.

Куда ведёт Gemini 3.8 Live Extended Thinking

Помимо места в индексе и заявленного разрыва в агентности, различия носят структурный характер:

• Зрение — Gemini 3.8 Live обрабатывает визуальные данные почти в реальном времени. Grok Voice Think Fast 2.0 не имеет сопоставимой привязки к визуальным данным.

• Языковое покрытие — 97 поддерживаемых языков с автоматическим переключением по ходу разговора против 25+ у Grok.

• Проговаривание рассуждений — вариант Extended Thinking «говорит» по ходу работы, используя такие сигналы, как «Позвольте-ка проверить…», и живую трансляцию прогресса — более понятное поведение для пользователя, ожидающего выполнения многоэтапной задачи.

• Водяные знаки — всё сгенерированное аудио содержит SynthID.

• Стоимость — в 3,2 раза дешевле за час входного аудио.

Противовесы реальны. Google не опубликовал ни показателей задержки, ни контекстного окна, ни цифр по отдельным компонентам, которые кто-либо за пределами компании воспроизвёл. Его доступность — это предварительная версия, а не общая доступность: разработчики получают его в Gemini API и Google AI Studio, предприятия — в закрытом превью в Gemini Enterprise, а потребители — через Gemini Live, Docs Live, Gmail Live и Keep Live. Модель Grok общедоступна сегодня, и её API документирован.

Слой, на котором сидят они оба

Одно структурное сходство легко упустить, и оно важнее любой из спецификаций. Обе модели делегируют. Параллельное рассуждение Grok почти всегда заканчивается вызовом инструмента или поиском, а фоновое выполнение инструментов Google явно устроено так, чтобы разговор продолжался, пока завершаются вызовы API. В основе обоих голосовых интерфейсов лежит обычная нагрузка текстовой модели — и именно здесь сосредоточена большая часть ваших совокупных затрат и почти вся ваша гибкость при переключении.

OrcaRouter обслуживает 190 моделей за одним ключом по прайс-листовой цене провайдера с нулевой наценкой, а значит, снижение цены от вендора действует на нашей стороне в тот же день, а не при следующем продлении. Это не мелочь в категории, где одна крупная модель повысила цену за минуту на 60% за несколько недель. Другое свойство, важное для голосовой связи, — автоматическое переключение при сбое: вызов, который обрывается из-за тайм-аута бэкенда, — это потерянный клиент, а возможность сменить цель делегирования на живом трафике без переписывания голосовой интеграции делает выбор фронтенда обратимым. Если быть точным насчёт охвата: эндпоинты Grok Voice Think Fast 2.0 и Gemini 3.8 Live не находятся на нашем роутере; они предоставляются через собственные API вендоров. Текстовые модели, которым они делегируют, как правило, есть.

Что бы это уладило

Это противостояние необычно легко разрешить, потому что решающие доказательства конкретны и пока не представлены. Три вещи решили бы дело:

• Независимый τ-Voice работает на Gemini 3.8 Live Extended Thinking.Google заявляет 68,6% против 56,5% у Grok. Это заявка на 12-пунктовый разрыв в категории, где Google исторически не был лидером, и это единственная цифра, которая сильнее всего меняет вердикт.

• Опубликованный показатель задержки.Пока Google не опубликует свой, 0,70 секунды Grok остаются неоспоримыми, и у покупателей в сфере телефонии есть только один оправданный выбор.

• Общая доступность и стабильное ценообразование. Цены на этапе предварительной версии меняются. Почасовая ставка в $1,50, которая при переходе в общую доступность удвоится, полностью изменит это сравнение.

Пока они не появятся, защитимая позиция уже, чем предполагает любой из анонсов. Grok Voice Think Fast 2.0 остаётся правильным выбором там, где задержка является ограничением, а рабочая нагрузка имеет телефонную форму. Gemini 3.8 Live Extended Thinking — правильный выбор там, где важны глубина рассуждений, зрение или языковой охват и вы можете мириться со статусом preview и неопубликованной задержкой. А 0,3 пункта между ними не должны ничего решать — решать должно 3,2×.