GPT-Live-1 против Gemini 3.8 TTS: один ведёт беседу, другой читает по сценарию — и только один из них дешёвый

Поставьте G​PT-Live-1 и Gemini 3.8 Flash TTS рядом друг с другом на поминутном счетчике, и ответ кажется очевидным. Диктор Google выставляет счет около 1,35 цента в минуту сгенерированной речи по тарифу 2026 года. Разговорная модель OpenAI выставляет счет 5 центов в минуту открытой линии — и продолжает начислять плату, пока бэкенд думает, пока пользователь делает паузу, и пока вообще ничего не говорится. Разрыв примерно в двадцать семь раз, прежде чем кто-либо спросил, выполняют ли эти двое одну и ту же работу.

Они не таковы, и притом это интереснее, чем обычное отмахивание «разные категории». Gemini 3.8 Flash TTS не слышит. G​PT-Live-1 нельзя батчить. И это название делает ситуацию хуже, чем нужно, потому что фраза G​emini 3.8 TTS — ярлык, который использует половина интернета — не соответствует ни одной модели, которую можно вызвать.

Сначала проблема с названием, потому что она определяет цену, которую вы называете.

Не существует модели под названием Gemini 3.8 TTS. В собственной документации Google эта фраза используется как обобщающее обозначение для двух вызываемых эндпоинтов, и цены на них настолько различаются, что сослаться не на тот — это настоящая ошибка:

• gemini-3.8-flash-tts — полный тариф, более 130 языков, $0,50 за миллион входных текстовых токенов и $9,00 за миллион выходных аудиотокенов, с повышением 1 января 2027 года до $1,00 и $18,00.

• gemini-3.8-flash-lite-tts — 101 язык, та же цена за ввод, $6.00 за миллион выходных аудиотокенов, повышается до $12.00.

• Для обоих действуют тарифы Batch и Flex по половине цены Standard ($0,25 за вход, $4,50 или $3,00 за выход) и тарифы Priority по 1,8× ($0,90 за вход, $16,20 или $10,80 за выход).

Аудио тарифицируется из расчёта 25 токенов в секунду — отсюда и берётся цифра за минуту: 25 токенов × 60 секунд = 1 500 аудиотокенов в минуту, так что $9,00 за миллион выливается примерно в $0,0135 в минуту. Flash-Lite обходится около $0,009.

Статус модели действительно не определён, и об этом стоит сказать прямо, потому что собственные ресурсы Google расходятся между собой. Журнал изменений API Gemini называет обе модели общедоступными. В списке моделей API они помечены как «New Stable». Документация Google Cloud по преобразованию текста в речь описывает их как доступные в Preview только через Gemini Enterprise API. В анонсирующем сообщении блога, опубликованном 23 сентября 2026 года, не используется ни одно из этих слов. Всем, кто в этом месяце пишет закупочную записку, следует рассматривать метку GA как утверждение журнала изменений, а не как установленный факт.

Что на самом деле делает каждая модель, когда вы вызываете её

Gemini 3.8 Flash TTS принимает текст и возвращает аудио. У него нет аудиовхода, нет хода, который нужно сделать, нет понятия прерывания и нет транскрипта, который можно было бы вернуть, потому что он ничего не слышал. Унарный эндпоинт возвращает WAV в моно 24 кГц; потоковая передача возвращает 16-битный PCM без заголовка, при этом допускаются mulaw и alaw и настраиваемая частота дискретизации. Встроенные режиссёрские ремарки записываются в сценарий как события в угловых скобках — <laugh>, <sigh>, <breath>, <short pause> — а входной текст в остальном рассматривается как дословный транскрипт, а не как инструкции. Live API вообще не поддерживает эти модели.

GPT-Live-1 выполняет противоположную задачу. Он работает в режиме полного дуплекса: обрабатывает входящее аудио, одновременно создавая исходящее, несколько раз в секунду определяет, закончил ли пользователь говорить, и возвращает расшифровки распознавания речи как часть сессии. Его входные данные — аудио и текст, выходные — аудио и текст; изображения и видео не поддерживаются. Он работает в потоковом режиме и поддерживает вызов функций, но не структурированные выходные данные, а дата отсечки знаний — 31 июля 2025 года. Обслуживает его только одна конечная точка — v1/live/sessions — а Chat Completions, Responses, Realtime и Batch — все недоступны.

Эта последняя деталь и завершает сравнение для многих рабочих нагрузок. Если ваш продукт озвучивает сценарий, G​PT-Live-1 не является ни дешёвым, ни правильным вариантом. Если ваш продукт отвечает на звонки, Gemini 3.8 Flash TTS — это лишь одна треть конвейера, к которому всё ещё нужно прикрутить модель ASR и языковую модель с обеих сторон, — а весь смысл G​PT-Live-1 в том, что именно на стыке между этими тремя частями разговоры и ломаются.

Цифры, и чьи они

На Provider Voice Arena от Artificial Analysis — таблице Elo со слепым голосованием по собственным нативным голосам каждого вендора — новые модели G​oogle оказываются в середине, а не на вершине:

• Gemini 3.8 Flash TTS — Elo 1 275 на 5-м месте, с 95%-м интервалом примерно от 1 260 до 1 290 по 2 783 образцам, указана цена $16,5 за миллион символов.

• Gemini 3.8 Flash-Lite TTS — Elo 1 248, 8-е место, интервал примерно от 1 234 до 1 262, $11,0 за миллион символов.

• Выше этих двух — Eleven v4 Turbo с 1 330, Eleven v4 с 1 329, Qwen-Audio-3.1-TTS-Plus с 1 296 и Cartesia Sonic 3.6 с 1 285.

G​oogle's own claim is stronger than that board... wait, output only translation. Собственное заявление G​oogle сильнее, чем та таблица лидеров, и это заявление вендора: в публикации от 23 сентября говорится, что модели заняли первое место в Voice Design Benchmark от Hume AI с показателем 71,4 и возглавили моделирование акцентов Hume с 60,8, а также заняли высшие позиции в слепых предпочтениях для японского, бразильского варианта португальского, вьетнамского, современного стандартного арабского, мексиканского варианта испанского и хинди. Это заявленные G​oogle места в чужой оценке, а не воспроизведение.

Переходя к разговорной стороне, показатели G​PT-Live-1 берутся из совершенно другого рейтинга. Индекс речи-в-речь от Artificial Analysis — взвешенное среднее речевого рассуждения, агентной производительности, предпочтений в арене и успешности выполнения задач — теперь указывает G​PT-Live-1 в рамках именованных конфигураций бэкенда, а не одной строкой: G​PT-Live-1 (Astra, medium) и G​PT-Live-1 (Sol, low) находятся на вершине этого индекса, при этом G​rok Voice 3.0 лидирует в этой области. Это полезное напоминание о том, что в данной архитектуре голосовая модель — лишь половина строки; делегированный бэкенд меняет итоговый балл.

Одно число, которое имеет значение и которого нигде не существует: Google не публикует официальных показателей задержки ни для одной из моделей TTS. Все цифры времени до первого аудио, которые находятся в обращении, взяты из третьих источников — у одного агрегатора p50 составляет около 3,47 секунды для Flash TTS и 2,66 для Flash-Lite — и ни одна из них напрямую не сопоставима с разговорным темпом GPT-Live-1, потому что они измеряют разные вещи.

Голосовой дизайн — это то место, где эти двое сходятся и где они снова расходятся.

Оба вендора теперь позволяют описывать голос словами. Это новое в 2026 году, и это ближе всего к тому, чтобы эти два продукта пересекались.

Путь Google проходит через Gemini API: голосовая персона на основе промпта, постоянно сохраняемая как voice_ ID, клонирование голоса по примерно 30-секундному образцу с проверкой согласия, водяные знаки SynthID и прикреплённые учётные данные C2PA, а также лимит в 200 пользовательских голосов с сохранением состояния на проект с хранением в течение одного года с момента последнего использования. Письменное описание охватывает роль, акцент и голосовые особенности.

Путь OpenAI, открытый 16 октября 2026 года для всех клиентов API, — это POST-запрос на /v1/audio/voices с type: "prompt", именем, описанием и "model": "auto". Создание бесплатно; использование голоса тарифицируется по обычным тарифам сессии. Возвращаются только метаданные — без аудио и без предпросмотра. Качества, которыми можно управлять, — это акцент, возраст, подача, высота тона, тембр, текстура, громкость, темп речи и своеобразие; всё выражается обычным языком, без числовых параметров.

Два различия определяют, какой из них вы действительно можете использовать:

• Голоса, созданные по промптам, в G​PT-Live работают только с G​PT-Live. Они явно несовместимы с API Text to Speech, Realtime и Chat Completions. Пользовательские голоса G​oogle, напротив, представляют собой голоса для движка рендеринга, что и делает их пригодными для повторного использования во всём каталоге.

• Ограничение организации на стороне O​penAI составляет 100 голосов, созданных из промптов, и оно также распространяется на голоса, создаваемые от имени ваших клиентов. Потолок G​oogle — 200 на проект. Если вы — платформа, создающая по голосу для каждого клиента, оба этих числа — ваш реальный лимит продукта, а не сноска.

Есть также разница в том, что вы получаете в ответ. Голос Google приходит с прикреплёнными сведениями о происхождении SynthID и C2PA. Голос OpenAI, сгенерированный по промпту, приходит в виде ID, метки времени создания и текста вашего собственного промпта — и документация прямо заявляет, что уникальность сгенерированных голосов не гарантируется. Храните описание под контролем версий; это единственная запись того, что вы запросили.

Где разрыв в цене перестаёт быть 27-кратным

Поминутное сравнение — это то, что цитируют, и именно оно вводит в заблуждение, потому что счётчик G​PT-Live-1 измеряет не тот же ресурс. На реальное соотношение влияют три вещи:

• Время простоя тарифицируется. Голосовая сессия тарифицируется посекундно на всё время, пока она открыта, включая время, пока работает серверная модель и пока пользователь молчит. Счётчик Google увеличивается только тогда, когда генерируется аудио. Звонок в поддержку, где пользователь говорит четыре минуты, а ваш бэкенд думает две, — это шесть тарифицируемых минут на Live и меньше на рендерере — ещё до того, как вы учли этапы ASR и языковой модели, которые всё ещё нужны рендереру.

• Длину вывода можно контролировать с одной стороны. Задача рендеринга — известная величина: вы можете оценить статью на 900 слов ещё до её генерации, а тарифы Batch снижают эту цену ещё вдвое. А разговор — нет.

• Бэкенд — это отдельный счёт. Делегированные рассуждения и использование инструментов в G​PT-Live-1 тарифицируются по стандартным тарифам модели в дополнение к $0.05 за минуту, а собственные рекомендации O​penAI по затратам описывают этот рычаг как способ заставить пользователя закончить раньше — например, запустить более быстрый бэкенд с параллельными вызовами инструментов, чтобы разговор завершился на минуту раньше и удалось сэкономить $0.05. Ставка за голос фиксирована; длительность сессии — это регулятор.

Последний пункт — это то, где слой маршрутизации перестаёт быть просто приятным дополнением. Клиентское делегирование позволяет направить сессию GPT-Live на вашего собственного агента или сервис, а значит, делегированный бэкенд может быть любой моделью — и полезная версия «любой модели» — это один эндпоинт и один ключ, а не контракт с каждым провайдером. OrcaRouter предоставляет доступ к более чем 200 моделям по прайс-листовой цене провайдера без наценки, поэтому снижение цены вендором на стороне бэкенда доходит до вас в тот же день, а автоматическое переключение при сбое покрывает простой провайдера так, что звонящий об этом даже не узнаёт. Если вы строите делегированный путь, выбор бэкенда — это то, где на самом деле живут ваши затраты; $0,05 в минуту — величина постоянная.

Если быть точным насчёт границы: OrcaRouter не размещает G​PT-Live-1 или модели G​emini 3.8 TTS. Он маршрутизирует сторону рассуждений делегированной Live-сессии.

Какой из них выбрать?

Если вы занимаетесь озвучиванием — статьи, документация, закадровая озвучка видео, заранее написанные подсказки IVR, — то Gemini 3.8 Flash TTS — это правильный инструмент, а GPT-Live-1 примерно в 27 раз дороже за минуту аудио и структурно неспособен справиться с этой задачей в пакетном режиме. Берите Flash-Lite, если 101 языка вам достаточно, берите тарифы Batch или Flex, если задержка не является ограничением, и с самого начала закладывайте в расчёты удвоение цены в январе 2027 года, потому что Google опубликовал его в той же таблице, а не спрятал.

Если вы ведёте разговор, сравнение с TTS — это категориальная ошибка, и честный вопрос звучит иначе: выдаёт ли делегированный бэкенд ответ достаточно быстро, чтобы сессия оставалась короткой. Именно это число определяет ваш счёт, и именно его никто не выносит на слайд запуска.

А если вы просто пытаетесь выяснить, сколько стоит «Gemini 3.8 TTS», — ответ: $9.00 за миллион аудиотокенов, на одной из двух моделей, к которым относится это название, до конца 2026 года.

Ничего из этого не гипотетично: задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, класс уверенности и флаг оспаривания.