Gemini 3.8 Live vs Grok Voice Think Fast 2.0: Gapet på 0,3 punkter och 3,2×-räkningen

Både Gemini 3.8 Live och Grok Voice Think Fast 2.0 resonerar medan de talar – eller snarare, båda gör det i den konfiguration som faktiskt tävlar om toppen av resultattavlan, vilket för Gemini 3.8 Live innebär varianten Extended Thinking snarare än standardnivån. Båda har av sina tillverkare beskrivits som etta på Artificial Analysis's Speech to Speech Index. Endast ett av dessa påståenden är för närvarande läsbart på den offentliga tavlan, och gapet mellan de två ledarna är 0,3 poäng – knappt större än marginalen som skiljer intilliggande modeller åt någon annanstans i samma diagram, vilket är ett annat sätt att säga att det inte är en verklig skillnad.

Kostnadsskillnaden mellan dem är inte 0,3 punkter. Den är en faktor 3,2.

Den asymmetrin är hela historien, och det är det man måste förstå innan man läser någon av leverantörernas tillkännagivanden.

Två anspråk på förstaplatsen

När xAI tillkännagav Grok Voice Think Fast 2.0 i slutet av juli 2026, visade de rapporterade siffrorna att den låg på 82,9 % i Artificial Analysis Speech-to-Speech Quality Index, före GPT-Realtime-2.1 på 79,1 % och Gemini 3.1 Flash på 69,5 %. Flera oberoende medier upprepade den framställningen och beskrev modellen som världens högst rankade inom röst.

På resultattavlan som registrerades den 16 september 2026, efter Googles lansering, visas samma modell som Grok Voice Think Fast 2.0 High på 81,3. Inte 82,9. Och den översta raden är nu Gemini 3.8 Live Extended Thinking på 82,6.

Styrelsen i sin helhet, i tur och ordning:

• Gemini 3.8 Live Extended Thinking — 82,6

• GPT-Live-1 (Astra-backend, medel ansträngning) — 81.5

• Grok Voice Think Fast 2.0 High — 81,3

• GPT-Live-1 (Sol-backend, låg insats) — 80.1

• Gemini 3.8 Live — 76,0

• GPT-Realtime-2.1 High — 73,9

• Gemini 3.1 Flash Live High — 71.5

Två lärdomar finns i den listan, och ingen av dem handlar om vilken modell som är bättre. Den första är att leverantörsrapporterade indexpoäng inte är beständiga: xAI:s 82,9 överlevde inte på den offentliga resultattavlan, som nu visar 81,3. Detta är inte en anklagelse om oärlighet — sammansatta index revideras, konfigurationer skiljer sig åt, och en siffra från juli mätt mot ett fält från juli är inte fel, den är bara gammal. Men det betyder att den enda siffra du bör planera efter är en du själv har läst, daterad. Den andra är att de 0,3 poäng som skiljer första- från tredjeplatsen här inte är en meningsfull kvalitetsskillnad. Den som väljer mellan dessa två modeller på grundval av den siffran väljer utifrån brus.

Läs komponenterna, inte kompositen

Sammansatta mått döljer argument. Speech to Speech Index är ett viktat genomsnitt av talresonemang, agentisk prestanda, arena-preferens och andelen lyckade uppgifter — och de två modellerna i den här matchningen är inte nära varandra i två av dessa fyra.

Det är här Googles påstående blir genuint intressant, eftersom Groks hela pitch handlade om agentisk prestanda:

• Agentisk prestanda (τ-Voice) — Google rapporterar 68,6 % för Gemini 3.8 Live Extended Thinking. xAI rapporterar 56,5 % för Grok Voice Think Fast 2.0, ungefär 11 punkter före GPT-Realtime-2.1:s 45,7 % och omkring 19 punkter före Gemini 3.1 Flash:s 37,7 % vid den tiden. Om båda leverantörernas siffror håller har Google tagit över kategorin där xAI ledde med ungefär 12 punkter.

• Talresonemang (Big Bench Audio) — Google rapporterar 97,7 % för modellen Extended Thinking. xAI rapporterar 97,2 % för Grok. I praktiken samma nivå.

• Uppgiftsframgång i bankarbetsflöden — Google rapporterar 35,1 %i Sierras τ-Voice-banking-benchmark. xAI har inte publicerat någon direkt jämförbar siffra.

• Samtalsdynamik (Full Duplex Bench) — Grok rapporterar 95,1 %, något efter GPT-Realtime-2.1:s 95,7 % och långt före Gemini 3.1 Flash:s 74,3 % vid den tidpunkten. Google har inte publicerat någon Full Duplex Bench-siffra för Gemini 3.8 Live Extended Thinking.

Ärlighetsnoten spelar större roll här än vanligt. 68,6 %, 35,1 % och 97,7 % är Googles egna siffror, publicerade på Googles blogg, och ingen utanför Google har reproducerat dem. 56,5 %, 97,2 % och 95,1 % för Grok kommer från xAI eller från Artificial Analysis och är, när det gäller placeringen i indexet, offentligt kontrollerbara. De enda siffrorna i den här jämförelsen som är oberoende avläsbara är de två indexpoängen: 82,6 och 81,3. Allt annat är påstående mot påstående, och påståendena görs av parter med intresse i utgången.

Vad som säkert kan sägas: Google hävdar en stor ledning på den specifika dimension som xAI använde för att motivera sin prishöjning. Om det påståendet håller vid oberoende testning är den här duellen avgjord vad gäller kapacitet. Om det inte gör det är indexgapet på 0,3 punkter hela skillnaden och prisgapet blir omöjligt att försvara.

Lagförslaget: $1,50 mot $4,80 per timme

Kostnaden är den del av denna jämförelse som inte beror på någons benchmarkmetodik, eftersom den är en publicerad taxa.

Grok Voice Think Fast 2.0 kostar $0,08 per ljudminut, ungefär $4,80 per timme. Det var en ökning med 60 % jämfört med Think Fast 1.0:s $3,00 per timme, och användare på grok-voice-latest-aliaset migrerades automatiskt den 5 augusti 2026 — utvecklare som ville stanna kvar på den gamla modellen måste låsa det versionerade ID:t före det datumet eller acceptera ändringen.

Gemini 3.8 Live tillkännagavs till $0,005 per minut för ljudinmatning och $0,018 per minut för ljudutmatning. Diagrammet från Artificial Analysis över kostnaden per timme för inmatningsljud placerar den på $1,50 per timme – vilket är exakt 3,2 gånger billigare än Groks $4,80. Som jämförelse visar samma diagram GPT-Realtime-2 High på $4,14, Qwen Audio 3.0 Realtime Plus på $4,42 och GPT-Realtime-2.1 High på $10,75.

Marknadsbilden i den listan är värd en mening. Det billigaste alternativet på tavlan är en Gemini – Gemini 3.1 Flash Live för 1,42 $ per timme – och det näst billigaste är Gemini 3.8 Live för 1,50 $. Google har positionerat sin nyaste röstmodell som det näst billigaste alternativet i kategorin, under modeller som den konkurrerar med kvalitetsmässigt.

Lägg märke till vad det innebär för alla som migrerade till Grok i augusti. Mellan prishöjningen och Googles lansering gick samma arbetsbelastning från 3,00 dollar i timmen till 4,80 dollar i timmen på ena sidan av denna jämförelse och blev tillgänglig för 1,50 dollar i timmen på den andra. Ingenting hos modellerna förändrades för att orsaka det. Routingbeslut som fattades i juli kostar nu mer än dubbelt så mycket som alternativet kostar, vilket är precis den situation som en router finns för att undvika.

Där Grok fortfarande leder

Två saker, och en av dem är inte nära.

Latens. Grok Voice Think Fast 2.0 kortade tiden till första ljudet från 1,25 sekunder till 0,70 sekunder, vilket är den snabbaste publicerade siffran i kategorin. Google har inte publicerat någon latenssiffra för Gemini 3.8 Live överhuvudtaget – endast partneromdömen som beskriver "imponerande latens". I ett telefonsamtal är 0,70 sekunder skillnaden mellan ett samtal och en fördröjning, och det är den enda dimensionen där xAI:s påstående är både specifikt och obestritt. Om din produkt är telefoni kan detta väga tyngre än allt ovanstående.

Robusthet vid transkribering. xAI utvärderade ordfelsfrekvensen över tusentals korta fraser på 24 språk och rapporterar 1,5–2,0× lägre fel än dedikerade STT-modeller, inklusive Deepgram Nova 3 och ElevenLabs Scribe v2, 1,4× lägre än Think Fast 1.0, och ungefär 10× lägre fel i brusiga miljöer med bakgrundsbrus och telefonikomprimering. Dessa är leverantörsrapporterade och inte oberoende verifierade, och påståendet om brusiga miljöer är det som bör testas först, eftersom det är det mest specifika och det lättaste att falsifiera.

Grok har också praktiska funktioner för utvecklare värda att notera: ett OpenAI Realtime-kompatibelt WebSocket-API, PCM16 vid 24 kHz med μ-law för telefoni, röstaktivitetsdetektering på serversidan, efemära tokens för webbläsarappar, anpassad röstkloning från ungefär en minut tal, samt en volym resonemangstokens på ungefär 0,4× den i föregående version.

Vart Gemini 3.8 Live Extended Thinking leder

Utöver indexplaceringen och det påstådda agentiska gapet är de särskiljande faktorerna strukturella:

• Vision – Gemini 3.8 Live bearbetar visuell indata nästan i realtid. Grok Voice Think Fast 2.0 har ingen jämförbar visuell förankring.

• Språktäckning — 97 stödda språk med automatisk växling mitt i konversationen, jämfört med Groks 25+.

• Berättat resonemang — varianten Extended Thinking talar medan den arbetar, med ledtrådar som "Låt mig kontrollera det…" och löpande beskrivning av framstegen, vilket är ett mer lättläst beteende för en användare som väntar på en uppgift i flera steg.

• Vattenmärkning — allt genererat ljud innehåller SynthID.

• Kostnad — 3,2× billigare per timme inmatat ljud.

Motvikterna är verkliga. Google har varken publicerat någon latenssiffra, något kontextfönster eller några siffror per komponent som någon utanför företaget har reproducerat. Dess tillgänglighet är en förhandsversion, inte allmän tillgänglighet: utvecklare får den i Gemini API och Google AI Studio, företag i privat förhandsversion i Gemini Enterprise och konsumenter via Gemini Live, Docs Live, Gmail Live och Keep Live. Groks modell är allmänt tillgänglig idag och dess API är dokumenterat.

Lagret som båda sitter på

En strukturell likhet är lätt att missa och spelar större roll än något av specifikationsbladen. Båda modellerna delegerar. Groks parallella resonemang slutar nästan alltid i ett verktygsanrop eller en uppslagning, och Googles körning av verktyg i bakgrunden är uttryckligen byggd så att samtalet fortsätter medan API-anrop slutförs. Under båda röstgränssnitten ligger en vanlig arbetsbelastning för textmodeller – och det är där större delen av din totalkostnad och nästan all din växlingsflexibilitet finns.

OrcaRouter kör 190 modeller bakom en nyckel till leverantörens listpris utan påslag, vilket innebär att en leverantörs prissänkning är live hos oss samma dag i stället för vid nästa förnyelse. Det är inte en liten sak i en kategori där en stor modell höjde sitt pris per minut med 60 % inom loppet av några veckor. Den andra egenskapen som är viktig för röst är automatisk failover: ett samtal som dör för att en backend fick timeout är en tappad kund, och förmågan att byta delegationsmål i live-trafik utan att skriva om röstintegrationen är vad som gör front-end-valet reversibelt. För att vara exakt om omfattningen — Grok Voice Think Fast 2.0 och Gemini 3.8 Live-slutpunkterna finns inte på vår router; de kommer från leverantörernas egna API:er. De textmodeller de delegerar till finns i allmänhet på vår router.

Vad skulle avgöra det?

Den här matchningen är ovanligt lätt att avgöra, eftersom det avgörande beviset är specifikt och väntar. Tre saker skulle räcka:

• Oberoende τ-Voice körs på Gemini 3.8 Live Extended Thinking. Google hävdar 68,6 % mot Groks 56,5 %. Det är ett påstående om 12 punkter i en kategori där Google historiskt inte har varit ledande, och det är det enskilda tal som mest förändrar domen.

• En publicerad latenssiffra. Tills Google publicerar en står Groks 0,70 sekunder oemotsagd och telefoniinköpare har bara ett försvarbart val.

• Allmän tillgänglighet och stabil prissättning.Prissättningen för förhandsversionen ändras. En timkostnad på 1,50 dollar som fördubblas vid GA skulle skriva om den här jämförelsen helt.

Tills de lanseras är den försvarbara positionen snävare än vad något av tillkännagivandena antyder. Grok Voice Think Fast 2.0 förblir det rätta valet där latensen är begränsningen och arbetsbelastningen är av telefontyp. Gemini 3.8 Live Extended Thinking är det rätta valet där resonemangsdjup, vision eller språklig bredd spelar roll och du kan acceptera preview-status och opublicerad latens. Och de 0,3 poängen mellan dem bör inte avgöra något — det bör 3,2× göra.