Сгенерированная титульная карточка для Realtime 1 vs Gemini 3.8 Live, противопоставляющая 1074 Elo на арене и 93,2% успешного выполнения задач против 30,1% показателя завершения агентных задач, плюс логотип OrcaRouter.
Guides & Insights

Realtime 1 vs Gemini 3.8 Live: победитель арены — тот, кто не может завершить задачу

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

У G​emini 3.8 Live лучший показатель Elo на арене среди всех голосовых моделей в рейтинге speech-to-speech от Artificial Analysis — 1074, впереди 1037 у GPT-Live-1 и со значительным отрывом от 990 у Eleven Realtime Max. У неё также самый высокий показатель успешного выполнения задач в этом наборе сравнения — 93,2%. А в выполнении агентных задач она набирает 30,1%, и это самый слабый показатель из четырёх. Эти три числа описывают одну и ту же модель, и понимание того, почему они сосуществуют, — это и есть весь вопрос, когда вы ставите её рядом с MAI Realtime 1, новой моделью Microsoft для речи в речь, анонсированной 17 ноября 2026 года, которая нацелена ровно на то, в чём G​emini 3.8 Live хуже всего.

Одна из этих моделей — собеседник. Другую продают как оператора. Ни одна не опубликовала достаточно данных, чтобы доказать, кто из них кто именно на вашей рабочей нагрузке, но они ошибаются в противоположных направлениях, и это полезнее, чем табло, где все показатели близки.

Две разные ставки на то, для чего нужна голосовая модель

Формулировка G​oogle для G​emini 3.8 Live узкая и уверенная: это модель Live API по умолчанию для «большинства сценариев голосовых агентов с низкой задержкой и без задержек на рассуждения», а рядом с ней — G​emini 3.8 Live Extended Thinking — для случаев, когда во время взаимодействия требуется «более глубокое фоновое рассуждение». Такое разделение показывает, для чего, по мнению G​oogle, базовая модель не предназначена. Настоящее мышление живет в родственной модели.

Позиционирование Microsoft для MAI Realtime 1 — зеркальное отражение. Это «речь в речь с естественным течением разговора и точной управляемостью», а архитектура явно двухуровневая: быстрая система поддерживает диалог в реальном времени, а более сложные задачи «передаются более мощному механизму рассуждений без неловких пауз». Microsoft продаёт не лучшего собеседника. Она продаёт диспетчера, который говорит достаточно хорошо, чтобы поддерживать связь, пока работу выполняет что-то другое.

• G​emini 3.8 Live — одна модель, намеренно быстрая, а рассуждения доступны в виде отдельной, более тяжёлой родственной модели, которую вы выбираете для каждого развёртывания.

• MAI Realtime 1 — один продукт, за которым стоят два движка, с эскалацией на каждом ходу, а не при каждом развёртывании.

• Практическая разница: Google предлагает вам выбрать настройку на этапе интеграции. Microsoft предлагает довериться маршрутизатору внутри модели и платить за её уровень рассуждений по токенам.

Что говорят независимые цифры о G​emini 3.8 Live

Это та сторона противостояния, где есть фактические измерения, и они хороши:

• Индекс speech-to-speech — 74,5 против 82,6 у варианта Extended Thinking. Индекс штрафует его за колонку agentic, а не за разговор.

• Речевое рассуждение (Big Bench Audio) — 91,7%. Уверенный результат, а также 97,7% в Extended Thinking.

• Динамика разговора — 96,1%. Именно отсюда берётся Elo арены: она справляется с человеческим ритмом звонка примерно так же хорошо, как всё, что измерялось.

• Arena Elo — 1074, самый высокий показатель в сравнительном наборе. Фактически это человеческое предпочтение, и он отнюдь не близок к нижней части этого списка.

• Доля успешно выполненных задач — 93,2%, также самая высокая в наборе.

• Выполнение агентных задач (τ-Voice) — 30,1%. Аномальный результат и причина, по которой сводный индекс оказывается ниже, чем у версии с расширенным мышлением.

• Время до первого аудио — 1,18 секунды. Не самый быстрый результат — Eleven Realtime Max справляется за 0,57 — но достаточно быстрый, чтобы утверждение об «отсутствии задержек на рассуждения» выглядело правдоподобно.

• Смешанная стоимость — около $0,84 в час по нормализации Artificial Analysis. Собственный прайс-лист Google указывает $0,005 за минуту аудиовхода и $0,018 за минуту аудиовыхода, что при непрерывном двустороннем звонке ближе к $1,38 в час; эта разница обусловлена методикой измерения, а не противоречием, и ни один из этих показателей не следует приводить вместо другого.

Сопоставьте агентный показатель с показателем успешности выполнения задач — и проявится кое-что важное. Уровень успешности выполнения задач 93,2% рядом с 30,1% завершения агентных задач означает, что модель очень хороша в задачах, которые тестовый стенд считает разговорными, и слаба в тех, где требуется планировать действия по шагам и использовать инструменты. Это разные инструменты измерения, и именно расхождение между ними — главный вывод. G​emini 3.8 Live, вероятно, будет вести разговор лучше, чем MAI Realtime 1. Запишется ли она на приём в конце этого разговора — отдельный вопрос, и по единственным доступным публичным данным она относится к более слабой половине.

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.

Что говорят цифры Microsoft, а это одно число

MAI Realtime 1 не имеет независимых оценок. По состоянию на 18 ноября Artificial Analysis не включает эту модель. Сам Microsoft публикует на странице модели лишь один показатель точности — 98,8% на Big Bench Audio, обозначенный там как точность на вопросах устного рассуждения из этого бенчмарка, — плюс карточку P50 time-to-first-audio и подпись «P50 Latency on BigBench Audio». Ни цифры по τ-Voice, ни списка поддерживаемых языков, ни распределения, стоящего за процентилем, ни методического примечания рядом с числом точности. Сравните это с 91,7% у Gemini 3.8 Live на том же бенчмарке по измерению Artificial Analysis — и вы сравниваете собственную оценку вендора с оценкой третьей стороны: эти два числа не относятся к одному и тому же типу объектов, и трактовка 98,8% как преимущества в семь пунктов была бы ровно тем отмыванием, которого этот материал пытается избежать. Более широкое утверждение компании состоит в том, что модель находится на границе Парето по соотношению производительности и цены для Big Bench Audio и τ-Voice и что она превосходит GPT Realtime 2.1 по качеству, скорости и цене — это сравнение с моделью голосового рассуждения OpenAI с оплатой за токены, а не с Gemini 3.8 Live.

Так что любое прямое сравнение этих двух моделей сегодня — это сравнение профиля, измеренного третьей стороной, с рекламной цифрой самого производителя. Это не повод отказываться от такого сопоставления. Это повод точно понять, что на самом деле взяла на себя каждая сторона.

Что Microsoft конкретно обязалась сделать: $0.01 за минуту аудио; reasoning по цене $1.00 за миллион входных токенов и $5.00 за миллион выходных токенов; интерфейс, совместимый с OpenAI Realtime API; предварительная версия Foundry с ограниченным доступом, не тарифицируемая до публичной предварительной версии; двухминутная некоммерческая демонстрация в MAI Labs, доступная только взрослым; заявленный поставщиком результат 98.8% на Big Bench Audio с показателем задержки P50 и без распределения за ним; запланированные внедрения в Dynamics 365 Contact Center и симуляциях обучения медсестёр Dragon Copilot; а также раннее тестирование в Agoda и Reservations.ai.

К чему он не взял на себя обязательства: языки, τ-Voice, размещение данных, хранение данных или дата 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'.

Сравнение затрат, сделанное как следует

Если брать только голосовую линейку, разрыв очевиден. Минута аудио Gemini 3.8 Live с учётом ввода и вывода вместе стоит $0.023 по прайс-листу Google. Минута MAI Realtime 1 стоит $0.01 без учёта reasoning. Это примерно в 2,3 раза больше, и, в отличие от сравнения с ElevenLabs, на стороне Google нет ни платы за комплаенс, ни платформенной комиссии, которые могли бы увеличить этот разрыв.

Но интересная разница в стоимости заключается не в ставке. Она в том, где оказываются расходы на рассуждения. Ответ G​emini 3.8 Live на сложный ход — это другая модель, которую вы развёртываете, — G​emini 3.8 Live Extended Thinking, по цене $3.50 в час по методике Artificial Analysis и 82.6 по индексу. Это решение о развёртывании, оплачиваемое за час аудио независимо от того, нужен ли он был для какого-либо конкретного хода. Ответ MAI Realtime 1 — это эскалация на уровне отдельного хода с оплатой за токен, что дешевле, когда сложных ходов мало, и дороже, когда их большинство.

• В основном лёгкие ходы, изредка эскалация — потокенная модель MAI Realtime 1 побеждает, причём с большим отрывом.

• В основном сложные ходы — фиксированная ставка G​emini 3.8 Live Extended Thinking в размере $3,50 в час — это более предсказуемый инструмент, и предсказуемость чего-то стоит, когда вы прогнозируете бюджет контакт-центра.

• Смешанный трафик без четкого разделения — вы выбираете между оценкой в расчете на час, которую можете обосновать, и оценкой в расчете на токен, которую приходится измерять. Это разные разговоры о закупке.

Стоит отметить, что бесплатный тариф G​oogle покрывает G​emini 3.8 Live без платы за ввод и вывод, с ограничением по частоте запросов. Для прототипа это реальное преимущество по сравнению с формой регистрации и листом ожидания.

Языки, которые определяют больше матчапов, чем бенчмарки

Gemini 3.8 Live наследует многоязычное поведение Live API, и в документации Google диалог не на английском рассматривается как обычный сценарий использования. В материалах запуска MAI Realtime 1 не указан ни один поддерживаемый язык. Голосовая линейка Microsoft восходит к Dragon — клиническому продукту для диктовки, широко развёрнутому в англоязычной среде, — а в анонсе Transcribe 2 говорится о сокращении вдвое частоты ошибок в многоязычных сценариях; но это модель транскрипции, а не модель реального времени, и это не список языков.

Если ваш агент обслуживает один англоязычный рынок, это всего лишь сноска. Если он обслуживает три, то MAI Realtime 1 пока не является кандидатом, которого вы можете оценить, потому что предварительная версия не покажет вам, как он работает в нужных вам языках.

Как провести сравнение, прежде чем кто-либо из поставщиков уладит этот вопрос

Обе модели работают с O​penAI Realtime API: G​oogle Live API — через собственный интерфейс, а у Microsoft это явно заложено в дизайне. Сторона G​emini тесно связана, но не идентична по семантике сеансов, поэтому закладывайте адаптер, а не замену базового URL; сторона MAI Realtime 1, по собственному описанию Microsoft, ближе к замене без доработок.

Оценка, которая решает исход этого сравнения, — не прогон бенчмарка. Это прогон на выполнение задач: дайте каждой модели одни и те же двадцать реальных запросов, требующих вызова инструмента и второго шага, и посчитайте, сколько из них завершатся. Агентный показатель G​emini 3.8 Live в 30,1% задаёт вашу априорную оценку — примерно шесть должны завершиться. Если MAI Realtime 1 окажется близко к этому, ценовое преимущество ничего вам не даст на этой нагрузке. Если он окажется близко к 87%, которые Eleven Realtime Max показывает на том же стенде, двухуровневая архитектура Microsoft делает то, что заявлено, и сравнение на этом закончено.

Для такой оценки нужно инструментировать слой рассуждений, стоящий за голосовой моделью, потому что на стороне Microsoft именно там и происходит второй шаг. OrcaRouter — это место, куда этот слой подключается: 200+ моделей по одному ключу по прейскурантной цене провайдера с наценкой 0%, автоматическое переключение при сбое, чтобы зависший вызов рассуждений не превратился в четыре секунды тишины в живом звонке, и DSL маршрутизации, который позволяет задать путь эскалации правилом, а не кодом, который вы поддерживаете в голосовом обработчике. Сам MAI Realtime 1 отсутствует в нашем каталоге — до него можно добраться через MAI Labs и предварительный доступ с ограничениями в Foundry — поэтому мы маршрутизируем всё, чему он передаёт управление, а также родственные модели G​emini 3.8 Live, если вы пойдёте путём G​oogle.

Как предварительный просмотр влияет на график закупок

Если поставить два маршрута доступности рядом, асимметрия перестаёт быть вопросом моделей и становится вопросом того, сколько времени требуется, чтобы хоть что-то узнать. G​emini 3.8 Live уже сегодня общедоступна в G​oogle Live API, причём бесплатный тариф покрывает ввод и вывод с ограничением по скорости, а значит, двухдневный всплеск может дать показатель выполнения задач ещё до конца недели. MAI Realtime 1 — это регистрационная форма, лист ожидания, двухминутная некоммерческая демонстрация, доступная только взрослым, и предварительная версия, за которую Microsoft, по её словам, не будет выставлять счёт до начала публичного предпросмотра.

Это разные виды трения, и они выгодны разным командам. Если ответ нужен сейчас и его нужно защитить перед тем, кто подписывает счёт, G​emini 3.8 Live даёт вам измеренный профиль с публичным испытательным стендом за ним и опубликованной ставкой, о которой можно спорить. Если у вас есть свободные инженерные ресурсы и в этом квартале нет дедлайна, предварительная версия Microsoft — самый дешёвый полезный эксперимент в категории: цент в минуту, который сегодня ничего не стоит, против модели, которую не измеряла ни одна третья сторона, на интерфейсе, с которым вы, вероятно, уже умеете обращаться.

• Создайте прототип на этой неделе, решение примите в следующем квартале — подходит любой из вариантов, а бесплатные тарифы с обеих сторон означают, что эксперимент обойдётся почти бесплатно.

• Прототип на этой неделе, релиз в следующем месяце — G​emini 3.8 Live, потому что у MAI Realtime 1 нет даты GA и нет способа её спрогнозировать.

• Данные не могут покидать ваш тенант или ваш регион — ни то, ни другое не является ответом в рамках опубликованных условий; у G​oogle есть региональные средства контроля в Live API, Microsoft ничего не сообщила о резидентности для 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.'

Для кого это разделение

Выбирайте G​emini 3.8 Live, если продукт — это разговор. Если ценность в том, как агент звучит, как справляется с перебиванием, как быстро отвечает и насколько хорошо работает на шести языках, у него лучший измеренный профиль среди всего в его ценовом диапазоне и бесплатный тариф, чтобы это доказать. Показатель agentic 30,1% имеет значение, только если ваши звонки должны заканчиваться завершённым действием, а не хорошо обработанным разговором.

Отнеситесь к MAI Realtime 1 серьёзно, если продукт — это транзакция — бронирование, заявка, запрос, охватывающий несколько систем — и если вы готовы мириться с поддержкой только английского, пока Microsoft не объявит иное. При цене в один цент за минуту и неоплачиваемом превью это самый дешёвый способ выяснить, превосходит ли маршрутизатор на стороне поставщика ваш маршрутизатор на стороне приложения. Риск не в деньгах. Риск в том, что вы будете выпускать продукт на модели, единственная опубликованная цифра точности которой — её собственные 98,8%, без подтверждающего повторного прогона, без оценки τ-Voice, без списка языков и без распределения задержек — и единственная сторона, которая может закрыть этот разрыв в этом месяце, — это вы, с вашими собственными средствами измерения.

Ни одна из сторон не сделала одного: не опубликовала число, которое решило бы вопрос, — какую долю реальных разговоров требует второй движок. Ответ Google — продать вам вторую модель и позволить решать при каждом развёртывании. Ответ Microsoft — решать на каждом ходу и выставлять вам за это счёт. Оба варианта — честные проектные решения. Только один из них измерим сегодня, и это не более дешёвый.

Сравнение в этой статье1

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно

© 2026 OrcaRouter