Grok Voice 3.0 vs Gemini 3.8 Live: Google säljer två röstmodeller och bara en av dem är med i den här kampen

Googles svar på Grok Voice 3.0 kostar 0,84 dollar i timmen. Det är siffran från Artificial Analysis för kostnad per timme för inmatningsljud för Gemini 3.8 Live i standardkonfiguration, och den är 5,7 gånger billigare än de 4,80 dollar i timmen som Grok Voice 3.0 debiterar. Det är dessutom fel modell att jämföra med. Den Gemini 3.8 Live som faktiskt mäter sig med SpaceXAI:s nya flaggskepp — den som ligger på 82,6 i Speech to Speech Index mot Groks 86,9 — är Extended Thinking-varianten, och den kostar 3,50 dollar i timmen. Den verkliga skillnaden mellan dessa två modeller är 1,37×, inte 5,7×, och att välja fel rad i pristabellen är det dyraste misstaget man kan göra i den här matchningen.

Det här är första gången kategorin har haft en genuin pris-kvalitetsfront snarare än en ledare och ett billigare alternativ. Grok Voice 3.0 anlände den 14 oktober 2026 till $0,08 per minut, samma pris som Grok Voice 2.0, med 86,9 på indexet och tid till första ljud på under en sekund. Gemini 3.8 Live landade den 15 september 2026 i två konfigurationer som beter sig som två olika produkter, varav den ena är en kostnadsledare och den andra ett resonerande system som råkar kunna prata.

De två Google-modellerna är inte nivåer av varandra

Googles egen formulering skiljer dem åt efter uppgift snarare än efter storlek. Standardmodellen beskrivs som byggd för skalbarhet och kostnadseffektivitet med flytande dialog och visuell förankring. Varianten Extended Thinking beskrivs som byggd för högkomplexa uppgifter med flerstegsresonemang som berättar om sina framsteg högt medan den arbetar.

Det uppmätta gapet mellan dem är inte en kvalitetsgradient. Det är en kategorisk gräns:

• Agentiskt slutförande av uppgifter, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6 % mot Gemini 3.8 Live 30,1 %. Samma leverantör, samma version, samma underliggande familj, 38,5 procentenheter ifrån varandra.

• Speech to Speech Index — 82,6 för Extended Thinking vid hög resonemangsansträngning jämfört med 76,0 för standardmodellen.

• Kostnad per timme för ljudinmatning — 3,50 $ mot 0,84 $.

• Tid till första ljud — 1,35 sekunder för Extended Thinking jämfört med 1,18 sekunder för standardmodellen, båda uppmätta av Artificial Analysis.

Så när ett upphandlingsdokument frågar huruvida Gemini 3.8 Live är billigare än Grok Voice 3.0 finns det inget entydigt svar. Jämfört med standardmodellen ligger xAI nästan sex gånger högre i pris och 10,9 indexpunkter före. Jämfört med Extended Thinking är xAI 37 % dyrare för ljud och 4,3 punkter före. Det är olika beslut som bär samma modellnamn.

Mot mot, med rätt Gemini

Låt standardvarianten vila för ett ögonblick och jämför de två modeller som faktiskt tävlar om toppen av listan. Varje siffra nedan kommer från Artificial Analysis egna tester från 13 oktober 2026 för Grok Voice 3.0 och från septemberlistan för Gemini 3.8 Live Extended Thinking vid High effort.

• Speech to Speech Index — Grok Voice 3.0 86,9 mot Gemini 3.8 Live Extended Thinking 82,6. En skillnad på 4,3 punkter som är verklig men inte avgörande.

• Agentisk prestanda, τ-Voice — Grok Voice 3.0 71,6 % mot Gemini 3.8 Live Extended Thinking 68,6 %. Tre punkter, och det närmaste på resultattavlan man kommer ett oavgjort resultat.

• Big Bench Audio talresonemang – Grok Voice 3.0 98,5 % mot Googles rapporterade 97,7 %. Båda ligger i praktiken på taket; den här dimensionen har upphört att vara särskiljande.

• Preferens i Speech Agent Arena — Grok Voice 3.0 med Elo 1070, högst på resultattavlan. Googles modell håller inte arenan.

• Pris per ljudminut — Grok Voice 3.0 $0,08 in och ut; Gemini 3.8 Live $0,005 per minut för ljudinmatning och $0,018 per minut för ljudutmatning.

• Tid till första ljud — Grok Voice 3.0 0,81 sekunder; Gemini 3.8 Live Extended Thinking 1,35 sekunder och standardmodellen 1,18 sekunder enligt mätning från Artificial Analysis. Googles egna material publicerar ingen latenssiffra.

• Kostnad per slutförd uppgift, Big Bench Audio — Grok Voice 3.0 $0,025 per uppgift. Ingen av Googles varianter har en publicerad siffra.

• Tillgänglighet — Grok Voice 3.0 är prissatt och i drift, med ett utfasningsmeddelande för sin föregångare; Gemini 3.8 Live är en förhandsversion utan datum för allmän tillgänglighet, utan offentliggjord uptime-siffra och utan en prisnivå som Google har lovat att hålla.

• Språktäckning – Gemini 3.8 Live växlar mellan 97 stödda språk mitt i en konversation; xAI:s tal-till-text-nivå dokumenterar 38+ språk.

• Visuell inmatning — Gemini 3.8 Live bearbetar visuell inmatning nästan i realtid; Grok Voice 3.0 har ingen jämförbar visuell förankring.

Den enda dimensionen där Googles tystnad är nyheten

Lägg märke till asymmetrin i den listan. Grok Voice 3.0 börjar tala på 0,81 sekunder. Gemini 3.8 Live Extended Thinking börjar på 1,35 och standardmodellen på 1,18, båda enligt en mätning från Artificial Analysis – vilket gör att den icke-resonerande Gemini är långsammare att inleda en tur än den resonerande, en märklighet som med nästan all säkerhet är effekten av att den resonerande varianten berättar högt om sina framsteg medan den arbetar snarare än av en genuint snabbare väg.

Googles eget lanseringsmaterial publicerar ingen latenssiffra för någon av modellerna, bara partnerformuleringar om imponerande latens. Det spelar roll eftersom tid till första ljud är den dimension där röstprodukter lyckas eller misslyckas i användarnas ögon, och det är den dimension som Google valde att inte sätta en siffra på. Om din produkt är telefoni, där 0,81 sekunder är skillnaden mellan ett samtal och en fördröjning, är en konkurrents mätning av din leverantör inte samma sak som din leverantörs åtagande. Testa innan du binder dig, och håll utkik efter tillkännagivandet om allmän tillgänglighet för att se om en siffra dyker upp tillsammans med det.

Visuell förankring drar åt andra hållet och är otvetydigt Googles. En modell som kan bearbeta video i nära realtid kan reda ut det som ljud inte kan: vad "detta" syftar på, huruvida personen som frågar tittar på det de frågar om, huruvida bruset på linjen är en maskin som kan ses. Grok Voice 3.0 är en ljudmodell med verktyg. Det är en genuin kapacitetsgräns, inte en konfigurationsskillnad, och ingen mängd indexpoäng stänger den.

Vad prisskillnaden faktiskt ger

Räkna på en verklig arbetsbelastning. Tiotusen minuter röst per dag, trettio dagar i månaden, trehundratusen minuter.

• Grok Voice 3.0 — 0,08 USD per minut, så 24 000 USD i månaden.

• Gemini 3.8 Live Extended Thinking — prissätts från $3,50 per timme för ljudinmatning, ungefär $17 500 i månaden för samma volym, med en offentlig prislista som debiterar indata och utdata separat.

• Gemini 3.8 Live standard – cirka 4 200 $ i månaden, på en modell som klarar 30,1 % av τ-Voice-scenarier.

Den mittersta raden är hela beslutet. För ungefär 6 500 dollar i månaden mindre än xAI:s flaggskepp säljer Google en modell som ligger 4,3 indexpunkter efter det i förhandsstatus — tillräckligt nära för att varje team vars agent utför äkta flerstegsarbete bör köra båda mot sina egna inspelningar i stället för att läsa en resultattavla. Den nedersta raden är en fälla om inte ditt röstgränssnitt är konversationellt och slutförandet av dina uppgifter sker någon annanstans i stacken, vilket det gör för en stor andel av driftsatta röstprodukter.

Det finns ytterligare ett mått som är värt att föra in i det kalkylarket, eftersom det delvis vänder på bilden. Mätningen per uppgift som Artificial Analysis gjort på Big Bench Audio placerar Grok Voice 3.0 på 0,025 dollar för att slutföra en uppgift, mot 0,030 dollar för G​PT Live 1 i dess medelkonfiguration Astra. Kostnad per slutförd uppgift, inte kostnad per timme, är den siffra som överlever ett budgetmöte – en billigare modell som behöver ett andra försök är inte billigare. Ingen av leverantörerna publicerar den siffran för Gemini-paret, vilket är ännu en lucka där det billigare alternativet inte har mätts på den axel som spelar roll.

Var en router hjälper och var den inte gör det

Var noggrann med detta, för det reflexmässiga svaret är fel. OrcaRouter betjänar inte någon av realtidsändpunkterna. Grok Voice 3.0 kommer från xAI:s eget API och Gemini 3.8 Live från Googles, och ingen router kan tränga sig in i en duplex-ljud-WebSocket som tillhör en enda leverantör. Om någon säger att deras plattform låter dig redundansväxla mellan dessa två mitt i ett samtal, beskriver de något som inte existerar.

Det som är routbart är allt runt omkring dem. En röstlösning är en röstmodell plus en textstack – klassificeraren som tilldelar en dispositionskod efter samtalet, sammanfattaren som skriver CRM-anteckningen, hämtningen som besvarar frågan som röstmodellen måste lämna över, modellen som läser transkriptet för regelefterlevnad. Det lagret är vanlig inferens som mäts per förfrågan, det är där en betydande del av kostnaden per samtal ackumuleras, och det är lagret vi driver: över 200 språkmodeller bakom en nyckel till leverantörens listpris utan påslag, automatisk failover när en leverantör försämras, och en routing-DSL som låter dig kombinera flera modeller i ett anrop i stället för att välja en i förväg. Eftersom listpriset förs vidare oförändrat blir en leverantörs prissänkning på någon av dessa modeller aktiv hos oss samma dag. Ljudminuten du betalar Google eller xAI för är samma minut oavsett; resonemanget bakom den är den del du får välja.

Beslutsregeln

Tre svar, och de följer av komponenterna snarare än indexet.

Välj Grok Voice 3.0 om din arbetsbelastning är agentisk, latenskänslig och ska gå i produktion det här kvartalet. Det ligger högst i composite, det ligger högst i arenan, det har den snabbaste publicerade start-till-tala-tiden bland frontier-modellerna, och det är prissatt och stöds med en utfasningsväg snarare än en förhandsvisningsnotis.

Välj Gemini 3.8 Live Extended Thinking om du behöver visuell förankring, om du behöver 97 språk i stället för 38, eller om du använder tillräckligt många röstminuter för att en skillnad på 1,30 dollar i timmen ska väga tyngre än 4,3 indexpunkter – och acceptera att du bygger på en förhandsversion utan något åtagande om drifttid.

Välj standard Gemini 3.8 Live endast om du har mätt din egen trafik och bekräftat att flerstegsdelen av dina samtal redan hanteras utanför röstmodellen. På papperet är det det billigaste alternativet i kategorin med god marginal. På τ-Voice-axeln misslyckas det i ungefär sju av tio scenarier, och ingenting i indexet berättar det för dig förrän du tittar.

Vad skulle ändra den här sidan: ett datum för allmän tillgänglighet och en latenssiffra från Google, som tillsammans skulle göra det billigare alternativet till det säkrare; eller en prisförändring från xAI, vilket är den enda hävstången som dess konkurrent inte kan matcha, med tanke på att flaggskeppspriset nu har legat konstant under en hel modellgeneration.

Jämförelser som denna är också där felmoderna visar sig: de dokumenterade AI-incidenterna och agentfelen bakom modeller i denna klass samlas i the OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.