Ett genererat titelkort för Realtime 1 vs Gemini 3.8 Live som ställer ett arena-Elo på 1074 och en uppgiftsframgångsgrad på 93,2 % mot en agentisk uppgiftsavklaringspoäng på 30,1 %, plus en OrcaRouter-logotyp.
Guides & Insights

Realtime 1 vs Gemini 3.8 Live: Arenavinnaren är den som inte kan slutföra uppgiften

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

G​emini 3.8 Live har bästa arena-Elo av alla röstmodeller på tal-till-tal-tavlan från Artificial Analysis – 1074, före GPT-Live-1:s 1037 och klart före Eleven Realtime Max:s 990. Den har också den högsta uppgiftsframgångsgraden i jämförelsegruppen, 93,2 %. Och den får 30,1 % på slutförande av agentiska uppgifter, vilket är den svagaste siffran av de fyra. De tre siffrorna beskriver samma modell, och att förstå varför de samexisterar är hela frågan när man ställer den bredvid MAI Realtime 1, Microsofts nya tal-till-tal-modell som tillkännagavs den 17 november 2026 och som är inriktad på precis det som G​emini 3.8 Live är sämst på.

En av dessa modeller är en samtalspartner. Den andra säljs som en operatör. Ingen av dem har publicerat tillräckligt för att bevisa vilken som är vilken för din arbetsbelastning, men de misslyckas åt motsatta håll, och det är mer användbart än en resultattavla där allt ligger nära varandra.

Två olika satsningar på vad en röstmodell är till för

G​oogles inramning av G​emini 3.8 Live är snäv och självsäker: det är standardmodellen för Live API för "de flesta röstagentupplevelser med låg latens utan resonemangsfördröjningar", med ett syskon — G​emini 3.8 Live Extended Thinking — för fall som behöver "högre bakgrundsresonemang" under interaktionen. Den uppdelningen säger vad G​oogle inte anser att basmodellen är till för. Det verkliga tänkandet finns i syskonet.

Microsofts inramning av MAI Realtime 1 är spegelbilden. Den är "tal-till-tal med naturligt samtalsflöde och precis styrbarhet", och arkitekturen är uttalat tvåskiktad: ett snabbt system håller dialogen i realtid, och svårare uppgifter "dirigeras till en starkare resonemangsmotor utan obekväma pauser". Microsoft säljer inte en bättre pratare. Det man säljer är en dispatcher som pratar tillräckligt bra för att hålla linjen vid liv medan något annat gör jobbet.

• G​emini 3.8 Live — en modell, medvetet snabb, med resonemang tillgängligt som ett separat, tyngre syskon som du väljer per driftsättning.

• MAI Realtime 1 — en produkt med två motorer bakom sig, som eskalerar per tur snarare än per driftsättning.

• Den praktiska skillnaden – Google ber dig välja en inställning vid integrationstillfället. Microsoft ber dig lita på en router inuti modellen och betala för dess resonemangsnivå per token.

Vad de oberoende siffrorna säger om G​emini 3.8 Live

Det här är sidan av duellen som har faktiska mätningar, och de är bra:

• Tal-till-tal-index — 74,5, mot 82,6 för varianten Extended Thinking. Indexet ger avdrag för den agentiska kolumnen, inte för konversationen.

• Talresonemang (Big Bench Audio) — 91,7 %. Starkt resultat, och 97,7 % på Extended Thinking.

• Samtalsdynamik — 96,1 %. Det är här arena-Elo kommer ifrån: den hanterar den mänskliga rytmen i ett samtal ungefär lika bra som något uppmätt.

• Arena Elo — 1074, det högsta i jämförelseuppsättningen. Mänsklig preferens, i praktiken, och den är inte nära botten av den listan.

• Framgångsgrad för uppgifter — 93,2 %, även den högsta i uppsättningen.

Agentisk uppgiftslösning (τ-Voice) – 30,1 %. Avvikaren, och anledningen till att det sammansatta indexet ligger under versionen med utökat tänkande.

• Tid till första ljud — 1,18 sekunder. Inte snabbast — Eleven Realtime Max klarar det på 0,57 — men tillräckligt snabbt för att påståendet om "inga fördröjningar på grund av resonemang" ska vara trovärdigt.

• Sammanvägd kostnad – cirka $0,84 per timme enligt Artificial Analysis normalisering. Googles egen prislista anger $0,005 per minut för ljudinmatning och $0,018 per minut för ljudutmatning, vilket i ett kontinuerligt tvåvägssamtal ligger närmare $1,38 i timmen; skillnaden är en mätkonvention, inte en motsägelse, och ingen av siffrorna bör citeras som den andra.

Ställ det agentiska måttet mot uppgiftsframgångstalet, och något viktigt framträder. En uppgiftsframgång på 93,2 % bredvid en agentisk slutförandegrad på 30,1 % innebär att modellen är mycket bra på de uppgifter som testramverket betraktar som konversationella och svag på dem som kräver att den planerar över flera steg och använder verktyg. Det är olika instrument, och diskrepansen är fyndet. G​emini 3.8 Live kommer förmodligen att föra en bättre konversation än MAI Realtime 1. Huruvida den kommer att boka mötet i slutet av den konversationen är en separat fråga, och med det enda offentliga belägg som finns är den den svagare halvan.

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.

Vad Microsoft-siffrorna säger, vilket är ett nummer

MAI Realtime 1 har inga oberoende resultat. Artificial Analysis inkluderar inte modellen per den 18 november. Det Microsoft själva publicerar är en enda noggrannhetssiffra på modellsidan – 98,8 % på Big Bench Audio, där den betecknas som noggrannhet på frågor om talat resonemang från det benchmarket – plus ett P50-kort för tid till första ljud och en bildtext "P50-latens på BigBench Audio". Ingen τ-Voice-siffra, ingen lista över språk som stöds, ingen fördelning bakom percentilen, ingen metodanteckning bredvid noggrannhetssiffran. Jämför det med G​emini 3.8 Live:s 91,7 % på samma benchmark mätt av Artificial Analysis, och du jämför en leverantörs egen utvärdering med en tredje parts: de två siffrorna är inte samma slags objekt, och att behandla 98,8 % som en vinst på sju procentenheter skulle vara precis den datatvätt som den här artikeln försöker undvika. Företagets bredare påstående är att modellen ligger på Pareto-fronten för prestanda och pris för Big Bench Audio och τ-Voice, och att den slår G​PT Realtime 2.1 i kvalitet, hastighet och pris – en jämförelse mot O​penAI:s resonemangsröstmodell med prissättning per token, inte mot G​emini 3.8 Live.

Så en direkt jämförelse mellan dessa två modeller idag är en jämförelse mellan en tredjepartsmätt profil och en leverantörs egen rubriksiffra. Det är inte ett skäl att hoppa över jämförelsen. Det är ett skäl att vara exakt om vad varje sida faktiskt har förbundit sig till.

Vad Microsoft konkret har förbundit sig till: 0,01 USD per ljudminut, resonemang för 1,00 USD per miljon indatatokens och 5,00 USD per miljon utdatatokens, ett O​penAI Realtime API-kompatibelt gränssnitt, en Foundry-förhandsvisning med begränsad åtkomst som inte faktureras förrän vid offentlig förhandsvisning, en tvåminuters icke-kommersiell demo i MAI Labs begränsad till vuxna, ett leverantörsrapporterat resultat på 98,8 % på Big Bench Audio med en P50-latenssiffra och ingen fördelning bakom den, namngivna driftsättningar som kommer i Dynamics 365 Contact Center och Dragon Copilots simuleringar för sjuksköterskeutbildning, samt tidig testning hos Agoda och Reservations.ai.

Vad det inte har förbundit sig till: språk, τ-Voice, datalagringsplats, lagringstid eller ett GA-datum.

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'.

Kostnadsjämförelsen, ordentligt gjord

Enbart på röstlinjen är gapet inte subtilt. En minut av G​emini 3.8 Live-ljud, indata och utdata sammanräknade, kostar $0.023 på G​oogles prislista. En minut av MAI Realtime 1 kostar $0.01 före reasoning. Ungefär 2,3 gånger, och till skillnad från jämförelsen med ElevenLabs finns ingen regelefterlevnads- eller plattformsavgift på G​oogles sida som vidgar gapet.

Men den intressanta kostnadsskillnaden är inte priset. Det är var resonemangskostnaden landar. G​emini 3.8 Live:s svar på en svår tur är en annan modell som du driftsätter — G​emini 3.8 Live Extended Thinking, till $3,50 per timme enligt Artificial Analysis beräkningsgrund och 82,6 på indexet. Det är ett driftsättningsbeslut, prissatt per timme ljud oavsett om en given tur behövde det eller inte. MAI Realtime 1:s svar är en eskalering per tur som prissätts per token, vilket är billigare när få turer är svåra och dyrare när de flesta är det.

• Mestadels enkla turer, enstaka eskaleringar – MAI Realtime 1:s per-token-modell vinner, och med stor marginal.

• Mestadels svåra samtal – G​emini 3.8 Live Extended Thinking:s fasta pris på 3,50 dollar i timmen är det mer förutsägbara instrumentet, och förutsägbarhet är värt något när man prognostiserar en kontaktcenterbudget.

• Blandad trafik utan tydlig uppdelning – du väljer mellan en timbaserad uppskattning som du kan försvara och en uppskattning per token som du måste mäta. Det är två olika upphandlingssamtal.

Värt att notera att G​oogles kostnadsfria nivå täcker G​emini 3.8 Live utan kostnad för indata och utdata, med hastighetsbegränsning. För en prototyp är det en verklig fördel jämfört med ett registreringsformulär och en väntelista.

Språk, som avgör fler matchningar än benchmarks gör

Gemini 3.8 Live ärver Live API:s flerspråkiga beteende, och Googles dokumentation behandlar icke-engelskt tal som vanlig användning. Lanseringmaterialet för MAI Realtime 1 listar inte ett enda språk som stöds. Microsofts röstarv löper genom Dragon, som är en klinisk dikteringsprodukt med stark engelsk utbredning, och tillkännagivandet av Transcribe 2 talar om att halvera de flerspråkiga felfrekvenserna — men det är transkriberingsmodellen, inte realtidsmodellen, och det är inte en språklista.

Om din agent betjänar en engelsktalande marknad är detta en fotnot. Om den betjänar tre är MAI Realtime 1 ännu inte en kandidat du kan utvärdera, eftersom förhandsversionen inte berättar vad den gör på de språk du behöver.

Hur du genomför jämförelsen innan någon av leverantörerna avgör saken

Båda modellerna talar OpenAI Realtime API – Googles Live API via sitt eget gränssnitt, Microsofts uttryckligen enligt design. Gemini-sidan är nära besläktad men inte identisk i sessionssemantik, så räkna med en adapter snarare än ett byte av bas-URL; MAI Realtime 1-sidan är närmare en drop-in enligt Microsofts egen beskrivning.

Den utvärdering som avgör den här matchen är inte en benchmarkkörning. Det är en uppgiftslösningskörning: ge varje modell samma tjugo verkliga förfrågningar som kräver ett verktygsanrop och ett andra steg, och räkna hur många som blir klara. G​emini 3.8 Live:s siffra på 30,1 % för agentiska uppgifter sätter din förhandsuppfattning – den bör klara ungefär sex. Om MAI Realtime 1 hamnar nära det ger prisfördelen dig ingenting på den här arbetsbelastningen. Om den hamnar nära de 87 % som Eleven Realtime Max klarar i samma testram gör Microsofts tvåskiktade design det den påstår, och matchen är över.

Den utvärderingen kräver att resonemangslagret bakom röstmodellen instrumenteras, för på Microsofts sida är det där det andra steget faktiskt sker. OrcaRouter är platsen där det lagret kopplas in: 200+ modeller bakom en enda nyckel till leverantörens listpris med 0 % påslag, automatiskt failover så att ett resonemangsanrop som fastnar inte blir fyra sekunders tystnad i ett live-samtal, och ett routing-DSL som gör att eskaleringsvägen kan vara en regel i stället för kod som du underhåller i rösthanteraren. MAI Realtime 1 självt finns inte i vår katalog – det nås via MAI Labs och Foundry-förhandsvisningen med begränsad åtkomst – så det vi routar är allt som det lämnar över till, plus syskonen till G​emini 3.8 Live om du går G​oogle-vägen.

Vad förhandsvisningen gör med upphandlingens tidslinje

Ställ de två tillgänglighetsvägarna sida vid sida, och asymmetrin slutar handla om modellerna och börjar handla om hur lång tid det tar att veta något. G​emini 3.8 Live är allmänt tillgängligt på G​oogles Live API idag, med en gratisnivå som täcker in- och utdata vid en hastighetsgräns, vilket innebär att en tvådagars spik kan ge en siffra för slutförda uppgifter före veckans slut. MAI Realtime 1 är ett registreringsformulär, en väntelista, en tvåminuters icke-kommersiell demo begränsad till vuxna, och en förhandsversion som Microsoft har sagt att de inte kommer att fakturera förrän den offentliga förhandsversionen börjar.

Det är olika slags friktion, och de gynnar olika team. Om du behöver ett svar nu och svaret måste gå att försvara inför den som signerar fakturan ger G​emini 3.8 Live dig en uppmätt profil med en offentlig testrigg bakom sig och en publicerad taxa som du kan argumentera om. Om du har ingenjörskapacitet över och ingen deadline det här kvartalet är Microsoft-förhandsversionen det billigaste användbara experimentet i kategorin – en cent i minuten som inte kostar något i dag, mot en modell som ingen tredje part har mätt, på ett gränssnitt som du förmodligen redan talar.

• Prototypa den här veckan, bestäm nästa kvartal — båda fungerar, och gratispaketen på båda sidor innebär att experimentet är nästan gratis.

• Prototypa den här veckan, lansera nästa månad — G​emini 3.8 Live, eftersom MAI Realtime 1 saknar GA-datum och det inte går att förutse något.

• Data kan inte lämna din klientorganisation eller din region – inget av detta är svaret enligt publicerade villkor; G​oogle har regionala kontroller för Live API, Microsoft har inte sagt något om datalokalisering för 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.'

Vem är den här uppdelningen för?

Välj G​emini 3.8 Live om produkten är en konversation. Om värdet ligger i hur agenten låter, hur den hanterar att bli avbruten, hur snabbt den svarar och hur bra den fungerar på sex språk, har den den bästa uppmätta profilen av allt i sin prisklass och en gratisnivå att bevisa det på. Poängen på 30,1 % för agentiska uppgifter spelar bara roll om dina samtal behöver sluta i en slutförd åtgärd snarare än ett väl hanterat utbyte.

Ta MAI Realtime 1 på allvar om produkten är en transaktion — en bokning, ett anspråk, en uppslagning som spänner över system — och om du kan leva med enbart engelska tills Microsoft publicerar något annat. För en cent i minuten med en ofakturerad förhandsversion är det det billigaste sättet att ta reda på om en router på leverantörssidan slår din på applikationssidan. Risken är inte pengarna. Det är att du skulle leverera mot en modell vars enda publicerade noggrannhetssiffra är dess egen 98,8 %, utan någon omkörning bakom den, ingen τ-Voice-poäng, ingen språklista och ingen latensfördelning — och den enda som kan täppa till den luckan den här månaden är du, med din egen instrumentering.

Det som ingen av sidorna har gjort är att publicera siffran som skulle avgöra saken: hur stor andel av verkliga samtal som behöver den andra motorn. Googles svar är att sälja en andra modell till dig och låta dig bestämma per driftsättning. Microsofts är att bestämma per tur och debitera dig för det. Båda är ärliga lösningar. Bara en av dem är mätbar i dag, och det är inte den billigare.