GPT-Live-1.1 против Gemini 3.8 Live: шесть новых языков против девяноста семи, и почему этот разрыв — не вся история

Посчитайте языки — и борьба выглядит законченной ещё до начала. Gemini 3.8 Live, анонсированный Google DeepMind 15 сентября 2026 года, с момента запуска поддерживает 97 языков с автоматическим переключением в середине разговора. GPT-Live-1.1, выпущенный OpenAI 15 октября 2026 года, добавляет тринадцать новых голосовых вариантов — по два для французского, немецкого, хинди, японского, корейского и мексиканского испанского, а также английский голос под названием Bubbie. Шесть новых языков против девяноста семи — это соотношение, о котором никому не нужно задумываться.

Это также сравнение одной недели работы и одного года покрытия — вот почему число, которым заканчивается спор, не должно быть числом, которое его решает. Два релиза измеряют разные вещи: показатель Google описывает, какую часть мира может вместить сеанс, а показатель OpenAI — какие акценты раньше звучали неправильно на слух, а теперь — нет. Для покупателя полезный вопрос не в том, какой показатель больше. Он в том, какой из этих двух вы действительно можете вызвать, и что произойдёт с остальной частью вашего стека, когда вы это сделаете.

Доступность — вот где сравнение даёт сбой

Начните с этого, потому что именно в этот момент эти две модели перестают быть альтернативами.

GPT-Live-1.1 — это выпуск для потребителей. Он появился в ChatGPT Voice 15 октября 2026 года вместе со второй моделью, GPT-Live-1.1 Quip, которая приходит на смену GPT-Live-1 mini и становится моделью по умолчанию для аккаунтов ниже Plus. В анонсе OpenAI прямо говорится, что API появится позже — «скоро в API» — и документация это подтверждает: на странице моделей по-прежнему перечислены gpt-live-1 и gpt-live-transcribe и ничего новее, а gpt-live-1.1 как страница модели возвращает 404. Ни в одном месте, доступном разработчику, нет ни идентификатора модели, ни ограничения по скорости, ни цены для GPT-Live-1.1.

Gemini 3.8 Live — прямо противоположный случай. Это API-модель с опубликованным тарифом — $0,005 за минуту аудиовхода и $0,018 за минуту аудиовыхода — и её можно вызывать с самого дня анонса, причём вариант Extended Thinking распространяется через Gemini Live, Docs, Gmail и Keep для подписчиков ИИ. Доступность Google для предприятий всё ещё представляет собой закрытый предварительный просмотр без обязательств по общей доступности, что само по себе является реальным ограничением, но это ограничение иного рода, чем полное отсутствие эндпоинта.

Итак, одно из них можно купить, а другое можно использовать. Эта асимметрия имеет более серьёзные последствия, чем любой бенчмарк ниже, и именно её упускают в большинстве сравнений этих двух моделей, появляющихся в неделю запуска.

Что на самом деле измеряет 97 против шести

Разрыв реален. Если ваши звонящие говорят по-польски или по-тайски, Gemini 3.8 Live — единственный из этих двух, кто может принять звонок, и всё остальное в этой статье не имеет значения.

Чего это число не измеряет, так это качества внутри пересечения, а ведь именно в пересечении сосредоточен почти весь спрос.

• Что даёт 97 — покрытие длинного хвоста и возможность сменить язык посреди предложения, не прерывая сеанс. Для линии поддержки, охватывающей десяток европейских рынков, именно эта функция и есть продукт.

• Что дают шесть языков — глубина на тех рынках, где предыдущее поколение звучало откровенно неправильно. Заявление OpenAI касается естественности акцента, а не понимания, и выбранные шесть языков относятся к крупнейшим неанглоязычным голосовым рынкам, а не представляют собой случайную выборку. В примечаниях к выпуску также описывается более широкий набор коротких фраз, сигнализирующих о том, что модель выполняет поиск, — именно их пользователи слышат как «проверяю…».

• Чего не скажет ни одна из этих цифр — как всё это звучит. Не существует публичного воспроизводимого эталона для оценки акцента и независимой оценки качества речи ни для одной из моделей ни в одном из наборов языков. Обе цифры — это подсчёты вендорами поддерживаемых локалей, и оба вендора публикуют их без приложенной методики.

Практическое следствие: количество языков — это отборочный фильтр, а не решение. Если ваши звонящие говорят на одном из семи языков выше, количество не имеет значения, а качество акцента превращается в тест на слух, который вы проводите сами. Если они не говорят ни на одном из них, решение уже принято за вас.

Независимый совет директоров и проблема вариантов

Там, где существуют независимые измерения, они относятся к предыдущему поколению на стороне OpenAI. В индексе Artificial Analysis Speech to Speech Index читайте данные с табло по состоянию на 16 октября 2026 года:

• Grok Voice 3.0 — 86.9

• GPT-Live-1 (бэкенд Astra, среднее усилие) — 83.2

• Gemini 3.8 Live Extended Thinking (High) — 82.6

• Grok Voice 2.0 — 81.3

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

Из такого порядка следуют две вещи. Во-первых, модель, названная в заголовке этой статьи второй, занимает шестое место, тогда как вариант другой занимает третье — цитируемый показатель 82,6 принадлежит Gemini 3.8 Live Extended Thinking, другой конфигурации с более ограниченным развёртыванием. Во-вторых, в таблице нигде нет строки GPT-Live-1.1, поэтому преемник здесь представлен числом, которое заработал его предшественник.

В сопоставлении со стандартной конфигурацией — 76,0 у Gemini 3.8 Live против 83,2 у GPT-Live-1 — семейство OpenAI лидирует на 7,2 пункта, если опираться на данные предшественника. В сопоставлении с вариантом Extended Thinking это разрыв в 0,6 пункта в другую сторону, что укладывается в колебания, которых стоит ожидать от табло, пересчитываемого по мере добавления моделей. Ни одно из этих сопоставлений не является измерением GPT-Live-1.1, и стоит сказать прямо: собственное свидетельство преемника — это заявление в системной карте о том, что он работает на уровне GPT-Live-1 на производственных промптах, а это утверждение об отсутствии регрессии, а не оценка.

Где архитектура всё ещё разделяет их

Разница, которую даёт полный дуплекс, никуда не исчезла. Она просто перестала быть решающей.

GPT-Live-1.1 наследует структуру GPT-Live-1: аудио на входе и аудио на выходе обрабатываются непрерывно внутри одной модели, без цепочки «распознавание речи → языковая модель → синтез речи», поддакивания вроде «мхм» генерируются нативно, а прерывание обрабатывается путём принятия решения несколько раз в секунду, продолжать ли говорить или уступить. Именно это по-прежнему остаётся тем, в чём ошибаются системы с чередованием реплик, а Gemini 3.8 Live всё ещё работает по принципу чередования реплик.

Что вместо этого делает Gemini 3.8 Live, так это поддерживает продуктивность сеанса, пока ход ещё выполняется: обработка визуального ввода почти в реальном времени, фоновое выполнение инструментов и API, которое подтверждает запрос и поддерживает разговор, пока вызов завершается, а также вариант Extended Thinking, который проговаривает свой прогресс вслух. Ответ Google на проблему молчания — заполнять тишину работой, а не убирать границу хода. Оба подхода не дают звонящему повесить трубку; они дают сбой по-разному, и модели на основе ходов всё ещё могут неверно истолковать паузу.

Визуальный ввод — это конкретная цена такого компромисса. Камера и демонстрация экрана входят в возможности Gemini 3.8 Live с момента запуска, а в собственной документации OpenAI для семейства Live ввод изображений и видео указан как явно неподдерживаемый — это ограничение переносится и на GPT-Live-1.1, поскольку потребительские справочные страницы новой версии повторяют, что Live не поддерживает видео и демонстрацию экрана. Если вашему агенту нужно на что-то посмотреть, это решает исход сравнения ещё до любого бенчмарка.

Сравнение стоимости, со звёздочкой

Судя по опубликованным тарифам на фронтенде, Google дешевле с большим отрывом. Gemini 3.8 Live тарифицируется по $0,018 за минуту аудиовыхода против $0,05 за голосовую минуту у GPT-Live-1, и эти $0,05 — единственный поминутный показатель, опубликованный OpenAI для семейства Live; он относится к более старой модели, а тариф для GPT-Live-1.1 не объявлен, потому что нет эндпоинта, к которому его можно привязать.

Загвоздка в том, что ни одна из этих цифр не является счётом. 0,05 доллара у GPT-Live-1 покрывают только голосовой фронтенд. Рассуждения выполняются на делегированной текстовой модели, а документация OpenAI по Live прямо указывает, что внутренние вызовы Responses тарифицируются по обычным ценам настроенной модели, — так что пять центов за минуту голосового времени превращаются в три доллара за час голосового времени ещё до того, как будет учтён хотя бы один токен рассуждений. Gemini 3.8 Live устроен точно так же: выполнение инструментов в фоне — это работа текстовой модели, тарифицируемая по тарифам текстовой модели, которые Google не публиковал для этого продукта.

Вот почему любая цифра стоимости за час, которую вы видите для любой из двух моделей, — это частичное число, рядящееся в одежды итогового. Час голосового времени GPT-Live-1 — это $3.00 за фронтенд, прежде чем бэкенд вообще начнут тарифицировать, а итоговая сумма целиком зависит от того, какой модели вы делегируете и как часто её вызывают. У Gemini 3.8 Live фронтенд дешевле в минуту, а бэкенд не раскрыт. Сравнение двух заявленных тарифов говорит вам о дешёвой половине каждого счёта.

Слой, которому они оба передают работу

Обе системы делегируют, и именно этот факт делает данное сравнение менее похожим на решение с привязкой к поставщику, чем можно предположить по количеству языков. GPT-Live-1.1 по своей архитектуре передаёт сложные запросы серверной текстовой модели; выполнение фоновых инструментов в Gemini 3.8 Live сводится к обычным вызовам модели. В обоих случаях голосовой слой — это тонкая надстройка над моделью рассуждений, которую поставщик рассматривает как отдельно настраиваемую и отдельно тарифицируемую. Именно там кроется разброс стоимости, там проявляются различия в качестве между конфигурациями, и там переключение обходится дёшево, потому что оно не затрагивает голосовую интеграцию.

Это та половина голосового стека, где роутер заслуживает своё место, поэтому стоит точно обозначить границу. В OrcaRouter слой рассуждений — это более 200 моделей за одним ключом по цене из прайс-листа провайдера без наценки, что означает, что снижение цены вышестоящим поставщиком доходит до нашей стороны в тот же день, а не при следующем продлении контракта, — свойство, которое важнее обычного в структуре биллинга с двумя счётчиками, где бэкенд — это тот счётчик, который меняется. DSL маршрутизации позволяет явно указать цель делегирования и переключать её на живом трафике, а автоматическое переключение при сбое поддерживает сессию активной, когда бэкенд выдаёт ошибку или уходит в таймаут в середине вызова, что представляет собой режим отказа, который есть у голоса, но отсутствует у текста. Одно уточнение, потому что иначе легко можно было бы предположить обратное: мы не хостим голосовые эндпоинты GPT-Live-1.1 или Gemini 3.8 Live. Они предоставляются собственными платформами вендоров, а в случае GPT-Live-1.1 нет публичного эндпоинта, который можно было бы хостить. Текстовые модели, которым эти системы передают работу, как правило, находятся на роутере.

Как выбрать

Берите Gemini 3.8 Live, если вам нужно выпустить сейчас, если ваши языки выходят за пределы семи названных выше, или если модель должна что-то увидеть. Примите, что вы покупаете стандартную конфигурацию, которая набирает 76,0 в сводном индексе, что 82,6, которые обычно приводят, относятся к варианту Extended Thinking, что корпоративный доступ — это закрытая предварительная версия, и что полная стоимость в час не публикуется и на вашей стороне счёта.

Выбирайте GPT-Live-1.1, если качество разговора — это продукт и ваши языки входят в его набор, — и если вы можете подождать. Полнодуплексное чередование реплик по-прежнему остаётся эталоном естественности, обновление версии — реальное улучшение по сравнению с GPT-Live-1, а работа над акцентом нацелена ровно на те языки, которые раньше были хуже всего. Кроме того, сегодня его нельзя вызвать из кода.

Выбирайте GPT-Live-1, если вам нужен голос от OpenAI и он нужен вам в этом месяце, потому что это единственный представитель того семейства с идентификатором модели, документированным эндпоинтом и опубликованным тарифом.

Дата, за которой стоит следить, — та, когда gpt-live-1.1 получит страницу модели. Именно тогда это перестанет быть сравнением между уже выпущенным продуктом и анонсом, и когда заявление об акценте, количество языков и цена можно будет проверить в тот же день после обеда.

Именно в таких сравнениях также проявляются режимы отказов: документально зафиксированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и отметку о спорности.