Grok Voice 3.0 против Gemini 3.8 Live: Google продаёт две голосовые модели, и только одна из них участвует в этом противостоянии

Ответ Google на Grok Voice 3.0 стоит $0,84 в час. Такова цифра стоимости часа входного аудио по данным Artificial Analysis для Gemini 3.8 Live в стандартной конфигурации, и это в 5,7 раза дешевле, чем $4,80 в час, которые выставляет Grok Voice 3.0. Но и модель для сравнения выбрана не та. Тот Gemini 3.8 Live, который действительно сражается на равных с новым флагманом SpaceXAI — тот, что держит 82,6 в Speech to Speech Index против 86,9 у Grok, — это вариант Extended Thinking, а он стоит $3,50 в час. Реальный разрыв между этими двумя моделями — 1,37×, а не 5,7×, и выбор не той строки в таблице цен — самая дорогая ошибка, возможная в этом противостоянии.

Впервые в этой категории появился настоящий фронтир «цена — качество», а не лидер и более дешёвая альтернатива. Grok Voice 3.0 появился 14 октября 2026 года по цене $0,08 за минуту — столько же, сколько Grok Voice 2.0, — с показателем 86,9 в индексе и временем до первого аудио менее секунды. Gemini 3.8 Live вышел 15 сентября 2026 года в двух конфигурациях, которые ведут себя как два разных продукта: одна из них — ценовой лидер, а другая — система рассуждений, которая, по совместительству, умеет говорить.

Две модели Google не являются уровнями друг друга.

Собственная формулировка Google разделяет их по задаче, а не по размеру. Стандартная модель описывается как созданная для масштабирования и экономической эффективности, с естественным диалогом и визуальной привязкой. Вариант Extended Thinking описывается как созданный для высокосложных задач с многошаговыми рассуждениями, который проговаривает свой прогресс вслух во время работы.

Измеренный разрыв между ними — это не градиент качества. Это категориальный разрыв:

• Агентное выполнение задач, τ-Voice — Gemini 3.8 Live Extended Thinking — 68,6% против Gemini 3.8 Live — 30,1%. Один и тот же вендор, один и тот же релиз, одно и то же базовое семейство — разница в 38,5 пункта.

• Speech to Speech Index — 82,6 для Extended Thinking при высокой интенсивности рассуждений против 76,0 для стандартной модели.

• Стоимость за час входного аудио — $3,50 против $0,84.

• Время до первого аудио — 1,35 секунды для Extended Thinking против 1,18 секунды для стандартной модели, оба показателя измерены Artificial Analysis.

Итак, когда в документе о закупке спрашивают, дешевле ли Gemini 3.8 Live, чем Grok Voice 3.0, единого ответа нет. По сравнению со стандартной моделью xAI стоит почти в шесть раз дороже и опережает на 10,9 индексных пункта. По сравнению с Extended Thinking xAI дороже на 37% для аудио и опережает на 4,3 пункта. Это разные решения под одним и тем же названием модели.

Один на один — с правильным Gemini

Отложите на время стандартный вариант и сравните две модели, которые фактически борются за верхнюю строчку рейтинга. Все приведённые ниже показатели — это собственные тесты Artificial Analysis от 13 октября 2026 года для Grok Voice 3.0 и из сентябрьского рейтинга для Gemini 3.8 Live Extended Thinking при высоком уровне усилий.

• Индекс Speech to Speech — Grok Voice 3.0 86,9 против Gemini 3.8 Live Extended Thinking 82,6. Разрыв в 4,3 пункта, который реален, но не имеет решающего значения.

• Агентная производительность, τ-Voice — Grok Voice 3.0 71,6% против Gemini 3.8 Live Extended Thinking 68,6%. Три пункта — и это самое близкое к ничьей, что есть в таблице.

• Big Bench Audio speech reasoning — Grok Voice 3.0 98,5% против заявленных Google 97,7%. Оба фактически на пределе; это измерение перестало различать.

• Предпочтение в Speech Agent Arena — Grok Voice 3.0 с рейтингом Elo 1070, самым высоким в таблице. Модель Google не удерживает арену.

• Цена за минуту аудио — Grok Voice 3.0 $0,08 за ввод и вывод; Gemini 3.8 Live $0,005 за минуту аудиоввода и $0,018 за минуту аудиовывода.

• Время до первого аудио — Grok Voice 3.0 — 0,81 секунды; Gemini 3.8 Live Extended Thinking — 1,35 секунды, а стандартная модель — 1,18 секунды по измерениям Artificial Analysis. В собственных материалах Google показатель задержки не публикуется.

• Стоимость за выполненную задачу, Big Bench Audio — Grok Voice 3.0 $0,025 за задачу. Ни у одного из вариантов Google нет опубликованного показателя.

• Доступность — Grok Voice 3.0 имеет объявленную цену и уже работает, а для его предшественника опубликовано уведомление о прекращении поддержки; Gemini 3.8 Live — это предварительная версия без даты выхода в общий доступ, без опубликованного показателя времени безотказной работы и без тарифа, который Google обещал бы сохранять.

• Языковой охват — Gemini 3.8 Live переключается между 97 поддерживаемыми языками прямо во время разговора; уровень распознавания речи от xAI заявляет более 38 языков.

• Визуальный ввод — Gemini 3.8 Live обрабатывает визуальный ввод почти в реальном времени; Grok Voice 3.0 не имеет сопоставимой визуальной привязки.

Единственный аспект, в котором молчание Google — это и есть главная новость

Обратите внимание на асимметрию в этом списке. Grok Voice 3.0 начинает говорить за 0,81 секунды. Gemini 3.8 Live Extended Thinking начинает за 1,35, а стандартная модель — за 1,18, и оба показателя основаны на измерении Artificial Analysis — из-за чего Gemini без режима рассуждения начинает реплику медленнее, чем модель с рассуждением; эта странность почти наверняка объясняется тем, что вариант с рассуждением проговаривает свой прогресс вслух во время работы, а не тем, что у него действительно более быстрый путь.

В собственных материалах Google к запуску не публикуется ни одной цифры задержки ни для одной из моделей — только партнёрские формулировки о впечатляющей задержке. Это важно, потому что время до первого звука — это измерение, в котором голосовые продукты добиваются успеха или терпят неудачу в глазах тех, кто ими пользуется, и именно по этому измерению Google решил не называть число. Если ваш продукт — телефония, где 0,81 секунды — это разница между разговором и задержкой, измерение вашего поставщика, сделанное конкурентом, не то же самое, что обязательство вашего поставщика. Тестируйте, прежде чем брать на себя обязательства, и следите за анонсом о выходе в общую доступность, чтобы увидеть, появится ли рядом с ним цифра.

Визуальная привязка работает в обратную сторону и однозначно на стороне Google. Модель, способная обрабатывать видео почти в реальном времени, может разрешить то, что не под силу аудио: к чему относится «это», смотрит ли спрашивающий на то, о чём спрашивает, является ли шум на линии машиной, которую можно увидеть. Grok Voice 3.0 — это аудиомодель с инструментами. Это подлинная граница возможностей, а не различие в конфигурации, и никакой показатель индекса её не закрывает.

Что на самом деле дает разница в цене

Выполните расчёт на реальной нагрузке. Десять тысяч минут голоса в день, тридцать дней в месяц — триста тысяч минут.

• Grok Voice 3.0 — $0,08 в минуту, то есть $24 000 в месяц.

• Gemini 3.8 Live Extended Thinking — стоимость от $3.50 за час входного аудио, примерно $17,500 в месяц за тот же объем, с публичным прайс-листом, в котором вход и выход тарифицируются отдельно.

• Gemini 3.8 Live standard — примерно 4 200 долларов в месяц за модель, которая выполняет 30,1% сценариев τ-Voice.

Вот эта средняя строка — это и есть всё решение. Примерно за $6,500 в месяц меньше, чем флагман xAI, Google продаёт модель, которая отстаёт от него на 4,3 пункта индекса, да ещё и в статусе preview, — настолько близко, что любой команде, чей агент выполняет настоящую многошаговую работу, стоит прогонять обе модели на собственных записях, а не читать таблицу лидеров. Нижняя строка — ловушка, если только ваш голосовой интерфейс не является диалоговым, а выполнение задач происходит не где-то ещё в стеке, — а для большой доли развёрнутых голосовых продуктов это именно так.

Есть ещё один показатель, который стоит внести в ту таблицу, потому что он частично переворачивает картину. Позадачное измерение Artificial Analysis в Big Bench Audio оценивает Grok Voice 3.0 в $0.025 за выполнение задачи против $0.030 для GPT Live 1 в конфигурации Astra medium. Стоимость за выполненную задачу, а не стоимость за час, — это та цифра, которая выдерживает столкновение с совещанием по бюджету: более дешёвая модель, которой нужна вторая попытка, не дешевле. Ни один из поставщиков не публикует этот показатель для пары Gemini, а это ещё одна пустая клетка: более дешёвый вариант не измерен по той оси, которая имеет значение.

Где роутер помогает, а где нет

Отнеситесь к этому точно, потому что рефлекторный ответ неверен. OrcaRouter не обслуживает ни один из эндпоинтов реального времени. Grok Voice 3.0 поступает из собственного API xAI, а Gemini 3.8 Live — из API Google, и ни один маршрутизатор не может вклиниться в дуплексный аудио-WebSocket, принадлежащий одному вендору. Если кто-то говорит вам, что его платформа позволяет переключаться между этими двумя посреди вызова при отказе, он описывает то, чего не существует.

Маршрутизировать можно всё, что их окружает. Голосовое развёртывание — это голосовая модель плюс текстовый стек: классификатор, который присваивает код результата звонка, суммаризатор, который пишет заметку в CRM, поисковый модуль, отвечающий на вопрос, который голосовой модели пришлось передать дальше, модель, читающая расшифровку на предмет соответствия требованиям. Этот слой — обычный инференс с тарификацией по запросам, именно в нём накапливается значительная доля стоимости одного звонка, и именно этот слой предоставляем мы: более 200 языковых моделей за одним ключом по прайс-листовой цене провайдера без наценки, автоматическое переключение при деградации провайдера, и DSL маршрутизации, позволяющий объединять несколько моделей в одном вызове, а не выбирать одну заранее. Поскольку прайс-листовая цена переносится без изменений, снижение цены поставщиком на любую из этих моделей становится доступным у нас в тот же день. Минута аудио, за которую вы платите Google или xAI, в любом случае одна и та же; а логика, стоящая за ней, — та часть, которую выбираете вы.

Решающее правило

Три ответа, и они вытекают из компонентов, а не из индекса.

Выбирайте Grok Voice 3.0, если ваша нагрузка является агентной, чувствительной к задержке и выходит в продакшен в этом квартале. Он удерживает композитный показатель, удерживает первое место на арене, удерживает самое быстрое опубликованное время от старта до начала речи среди фронтирных моделей, а его цена и поддержка сопровождаются планом вывода из эксплуатации, а не уведомлением о предварительном просмотре.

Выбирайте Gemini 3.8 Live Extended Thinking, если вам нужна визуальная привязка, если вам нужны 97 языков, а не 38, или если вы тратите столько голосовых минут, что разница в $1,30 в час для вас важнее, чем 4,3 индексных пункта — и смиритесь с тем, что вы строите на предварительной версии без гарантий по времени безотказной работы.

Выбирайте стандартный Gemini 3.8 Live, только если вы измерили собственный трафик и подтвердили, что многошаговая часть ваших звонков уже обрабатывается вне голосовой модели. На бумаге это самый дешёвый вариант в категории с большим отрывом. По оси τ-Voice он проваливает примерно семь из каждых десяти сценариев, и ничто в индексе не говорит вам об этом, пока вы не посмотрите.

Что могло бы изменить эту картину: дата выхода в общий доступ и показатель задержки от Google, которые вместе сделали бы более дешёвый вариант более безопасным; или ценовой ход от xAI — тот единственный рычаг, которым его конкурент не может ответить, учитывая, что цена флагманской модели держится неизменной уже на протяжении целого поколения моделей.

Подобные сравнения также выявляют режимы отказа: документированные инциденты с ИИ и сбои агентов, стоящие за моделями этого класса, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг оспаривания.