Gemini 3.8 Live vs Grok Voice Think Fast 2.0: ช่องว่าง 0.3 คะแนน และบิลที่สูงกว่า 3.2 เท่า

ทั้ง Gemini 3.8 Live และ Grok Voice Think Fast 2.0 ใช้เหตุผลขณะพูด — หรือพูดให้ชัดกว่านั้นคือ ทั้งคู่ทำเช่นนั้นในคอนฟิกูเรชันที่กำลังแข่งขันชิงอันดับต้น ๆ ของลีดเดอร์บอร์ดจริง ๆ ซึ่งสำหรับ Gemini 3.8 Live หมายถึงเวอร์ชัน Extended Thinking ไม่ใช่ระดับมาตรฐาน ทั้งคู่ได้รับการกล่าวถึงโดยผู้พัฒนาของตนว่าเป็นอันดับหนึ่งบน Speech to Speech Index ของ Artificial Analysis ปัจจุบันมีเพียงหนึ่งในข้อกล่าวอ้างเหล่านั้นที่อ่านได้บนบอร์ดสาธารณะ และช่องว่างระหว่างสองผู้นำคือ 0.3 คะแนน — ใหญ่กว่าส่วนต่างที่แยกโมเดลที่อยู่ติดกันในส่วนอื่นของแผนภูมิเดียวกันเพียงเล็กน้อยเท่านั้น ซึ่งก็คือการพูดอีกอย่างหนึ่งว่ามันไม่ใช่ความแตกต่างจริง

ความแตกต่างของต้นทุนระหว่างทั้งสองไม่ใช่ 0.3 จุด มันคือ 3.2 เท่า

ความไม่สมมาตรนั้นคือเรื่องราวทั้งหมด และมันคือสิ่งที่ต้องเข้าใจก่อนจะอ่านประกาศของผู้ขายไม่ว่ารายใด

การอ้างสิทธิ์ในที่หนึ่งสองครั้ง

เมื่อ xAI ประกาศเปิดตัว Grok Voice Think Fast 2.0 ในช่วงปลายเดือนกรกฎาคม 2026 ตัวเลขที่มีการรายงานระบุว่าอยู่ที่ 82.9%บนดัชนีคุณภาพ Speech-to-Speech ของ Artificial Analysis ซึ่งนำหน้า GPT-Realtime-2.1 ที่ 79.1% และ Gemini 3.1 Flash ที่ 69.5% สื่ออิสระหลายแห่งรายงานกรอบความเข้าใจนี้ซ้ำ และบรรยายว่าโมเดลนี้เป็นอันดับหนึ่งของโลกในด้านเสียง

บนบอร์ดที่บันทึกเมื่อวันที่ 16 กันยายน 2026 หลังการเปิดตัวของ Google โมเดลเดียวกันปรากฏเป็น Grok Voice Think Fast 2.0 High ที่ 81.3 ไม่ใช่ 82.9 และแถวบนสุดตอนนี้คือ Gemini 3.8 Live Extended Thinking ที่ 82.6.

คณะกรรมการทั้งคณะ ตามลำดับ:

• Gemini 3.8 Live Extended Thinking — 82.6

• GPT-Live-1 (แบ็กเอนด์ Astra, ความพยายามระดับปานกลาง) — 81.5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (แบ็กเอนด์ Sol, ความพยายามต่ำ) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

มีบทเรียนสองข้ออยู่ในรายการนั้น และไม่มีข้อใดเกี่ยวกับว่าโมเดลไหนดีกว่า ข้อแรกคือคะแนนดัชนีที่ผู้ขายรายงานไม่ยั่งยืน: 82.9 ของ xAI ไม่รอดบนกระดานสาธารณะ ซึ่งตอนนี้แสดง 81.3 นี่ไม่ใช่การกล่าวหาว่าไม่ซื่อสัตย์ — ดัชนีแบบผสมถูกปรับปรุงใหม่ได้ การตั้งค่าแตกต่างกัน และตัวเลขเดือนกรกฎาคมที่วัดเทียบกับสนามของเดือนกรกฎาคมไม่ผิด มันแค่เก่าไปแล้ว แต่มันหมายความว่าตัวเลขเดียวที่คุณควรใช้เป็นฐานวางแผนคือตัวเลขที่คุณอ่านเองและมีวันที่กำกับ ข้อที่สองคือ 0.3 คะแนนที่แยกอันดับหนึ่งกับอันดับสามตรงนี้ไม่ใช่ความแตกต่างด้านคุณภาพที่มีนัยสำคัญ ใครก็ตามที่เลือกระหว่างสองโมเดลนี้โดยอาศัยตัวเลขนั้นกำลังเลือกจากสัญญาณรบกวน

อ่านส่วนประกอบ ไม่ใช่องค์รวม

ค่าคะแนนแบบผสมย่อมกลบข้อโต้แย้ง Speech to Speech Index เป็นค่าเฉลี่ยถ่วงน้ำหนักของความสามารถในการให้เหตุผลด้านเสียงพูด ประสิทธิภาพแบบเอเจนต์ ความชอบในอารีนา และอัตราความสำเร็จของภารกิจ — และโมเดลสองตัวในการจับคู่นี้ไม่ใกล้เคียงกันในสองจากสี่ข้อนั้น

นี่คือจุดที่คำกล่าวอ้างของ Google กลายเป็นเรื่องน่าสนใจอย่างแท้จริง เพราะจุดขายทั้งหมดของ Grok คือประสิทธิภาพแบบเอเจนต์:

• ประสิทธิภาพแบบเอเจนต์ (τ-Voice) — Google รายงาน 68.6% สำหรับ Gemini 3.8 Live Extended Thinking xAI รายงาน 56.5% สำหรับ Grok Voice Think Fast 2.0 มากกว่าประมาณ 11 จุด เมื่อเทียบกับ 45.7% ของ GPT-Realtime-2.1 และมากกว่าประมาณ 19 จุด เมื่อเทียบกับ 37.7% ของ Gemini 3.1 Flash ในขณะนั้น หากตัวเลขของผู้จำหน่ายทั้งสองยังคงเป็นจริง Google ได้ขึ้นนำในหมวดหมู่ที่ xAI เคยนำอยู่ประมาณ 12 จุด

• การให้เหตุผลด้านเสียง (Big Bench Audio) — Google รายงานว่า 97.7% สำหรับโมเดล Extended Thinking ส่วน xAI รายงานว่า 97.2% สำหรับ Grok ถือว่าอยู่ในระดับเดียวกัน

• ความสำเร็จของงานในเวิร์กโฟลว์ด้านธนาคาร — Google รายงาน 35.1% บนเกณฑ์มาตรฐาน τ-Voice-banking ของ Sierra โดย xAI ยังไม่ได้เผยแพร่ตัวเลขที่เทียบเคียงได้โดยตรง

• พลวัตการสนทนา (Full Duplex Bench) — Grok รายงานว่า 95.1% ต่ำกว่า 95.7% ของ GPT-Realtime-2.1 เล็กน้อย และนำหน้า 74.3% ของ Gemini 3.1 Flash อย่างชัดเจนในขณะนั้น Google ยังไม่ได้เผยแพร่ตัวเลข Full Duplex Bench สำหรับ Gemini 3.8 Live Extended Thinking

หมายเหตุเรื่องความซื่อสัตย์มีความสำคัญตรงนี้มากกว่าปกติ ตัวเลข 68.6%, 35.1% และ 97.7% เป็นตัวเลขของ Google เอง ที่เผยแพร่บนบล็อกของ Google และยังไม่มีใครนอก Google ทำซ้ำได้ ส่วน 56.5%, 97.2% และ 95.1% สำหรับ Grok มาจาก xAI หรือจาก Artificial Analysis และในกรณีของการจัดอันดับในดัชนีนั้น เป็นสิ่งที่สาธารณชนตรวจสอบได้ ตัวเลขเพียงอย่างเดียวในการเปรียบเทียบนี้ที่ตรวจสอบได้อย่างอิสระคือคะแนนดัชนีสองค่า คือ 82.6 และ 81.3 ที่เหลือทั้งหมดเป็นคำกล่าวอ้างต่อคำกล่าวอ้าง และคำกล่าวอ้างเหล่านั้นมาจากฝ่ายที่มีส่วนได้ส่วนเสียในผลลัพธ์

สิ่งที่พอจะพูดได้อย่างปลอดภัยคือ: Google กำลังอ้างว่ามีความนำหน้าอย่างมากในมิติเฉพาะเจาะจงที่ xAI ใช้เพื่ออ้างเหตุผลรองรับการขึ้นราคาของตน หากข้ออ้างนั้นผ่านการทดสอบโดยอิสระได้ การเทียบคู่นี้ก็จบในด้านความสามารถ หากไม่ผ่าน ส่วนต่างดัชนี 0.3 จุดก็คือความแตกต่างทั้งหมด และส่วนต่างราคาจะกลายเป็นสิ่งที่ป้องกันไม่ได้

ร่างกฎหมาย: 1.50 ดอลลาร์ เทียบกับ 4.80 ดอลลาร์ต่อชั่วโมง

ต้นทุนคือส่วนของการเปรียบเทียบนี้ที่ไม่ขึ้นอยู่กับวิธีการวัดประสิทธิภาพของใคร เพราะมันเป็นอัตราที่ประกาศไว้

Grok Voice Think Fast 2.0 มีราคาอยู่ที่ 0.08 ดอลลาร์ต่อนาทีของเสียง หรือประมาณ 4.80 ดอลลาร์ต่อชั่วโมง นั่นเป็นการเพิ่มขึ้น 60% เมื่อเทียบกับ Think Fast 1.0 ที่ 3.00 ดอลลาร์ต่อชั่วโมง และผู้ใช้ที่ใช้ grok-voice-latest alias ถูกย้ายโดยอัตโนมัติเมื่อวันที่ 5 สิงหาคม 2026 — นักพัฒนาที่ต้องการใช้โมเดลเก่าต่อต้องปักหมุด ID ที่ระบุเวอร์ชันก่อนวันนั้น หรือยอมรับการเปลี่ยนแปลง

Gemini 3.8 Live ถูกประกาศเปิดตัวด้วยราคา อินพุตเสียง $0.005 ต่อนาที และเอาต์พุตเสียง $0.018 ต่อนาที กราฟต้นทุนต่อชั่วโมงของอินพุตเสียงของ Artificial Analysis ระบุว่าอยู่ที่ $1.50 ต่อชั่วโมง — ซึ่งถูกกว่าราคา $4.80 ของ Grok ถึง 3.2 เท่าพอดี สำหรับบริบท กราฟเดียวกันแสดงให้เห็นว่า GPT-Realtime-2 High อยู่ที่ $4.14, Qwen Audio 3.0 Realtime Plus อยู่ที่ $4.42 และ GPT-Realtime-2.1 High อยู่ที่ $10.75

ลักษณะของตลาดในรายการนั้นคุ้มค่าที่จะกล่าวถึงสักหนึ่งประโยค รายการที่ถูกที่สุดบนกระดานคือ Gemini — Gemini 3.1 Flash Live ราคา $1.42 ต่อชั่วโมง — และอันดับสองที่ถูกที่สุดคือ Gemini 3.8 Live ราคา $1.50 Google ได้วางตำแหน่งโมเดลเสียงใหม่ล่าสุดของตนให้เป็นตัวเลือกที่ถูกที่สุดเป็นอันดับสองในหมวดนี้ โดยมีราคาต่ำกว่าโมเดลที่แข่งขันกันในด้านคุณภาพ

ลองนึกดูว่าสิ่งนี้หมายความว่าอย่างไรสำหรับใครก็ตามที่ย้ายมาใช้ Grok ในเดือนสิงหาคม ระหว่างการขึ้นราคากับการเปิดตัวของ Google งานในปริมาณเท่าเดิมนั้นจากเดิมชั่วโมงละ $3.00 กลายเป็นชั่วโมงละ $4.80 ในฝั่งหนึ่งของการเปรียบเทียบนี้ และกลายเป็นสิ่งที่ใช้ได้ในราคาชั่วโมงละ $1.50 ในอีกฝั่งหนึ่ง ไม่มีอะไรเกี่ยวกับตัวโมเดลที่เปลี่ยนไปจนทำให้เกิดเรื่องนี้ การตัดสินใจเรื่องการจัดเส้นทางที่ทำไว้ในเดือนกรกฎาคม ตอนนี้มีค่าใช้จ่ายมากกว่าสองเท่าของค่าใช้จ่ายของทางเลือกอื่น ซึ่งเป็นสถานการณ์ที่เราเตอร์ถูกสร้างขึ้นมาเพื่อหลีกเลี่ยงอย่างแท้จริง

ที่ที่ Grok ยังคงนำอยู่

สองอย่าง และหนึ่งในนั้นไม่ใกล้เลย

ความหน่วง. Grok Voice Think Fast 2.0 ลดเวลาถึงเสียงแรกจาก 1.25 วินาทีเหลือ 0.70 วินาที ซึ่งเป็นตัวเลขที่เผยแพร่เร็วที่สุดในหมวดนี้ Google ไม่ได้เผยแพร่ตัวเลขความหน่วงสำหรับ Gemini 3.8 Live เลย — มีเพียงคำรับรองจากพาร์ตเนอร์ที่บรรยายว่า "ความหน่วงที่น่าประทับใจ" ในการสนทนาทางโทรศัพท์ 0.70 วินาทีคือความแตกต่างระหว่างการสนทนากับความล่าช้า และเป็นมิติเดียวที่คำกล่าวอ้างของ xAI ทั้งเจาะจงและไม่มีใครโต้แย้ง หากผลิตภัณฑ์ของคุณเป็นระบบโทรศัพท์ สิ่งนี้อาจมีน้ำหนักมากกว่าทุกสิ่งที่กล่าวมาข้างต้น

ความทนทานต่อการถอดความ xAI ประเมินอัตราความผิดพลาดระดับคำจากวลีสั้นหลายพันวลีใน 24 ภาษา และรายงานว่ามีความผิดพลาดต่ำกว่าโมเดล STT เฉพาะทาง ซึ่งรวมถึง Deepgram Nova 3 และ ElevenLabs Scribe v2 อยู่ที่ 1.5–2.0 เท่า ต่ำกว่า Think Fast 1.0 ที่ 1.4 เท่า และมีความผิดพลาดต่ำลงราว 10 เท่าในสภาพแวดล้อมที่มีเสียงรบกวน ซึ่งเกี่ยวข้องกับเสียงพื้นหลังและการบีบอัดสัญญาณโทรศัพท์ ข้อมูลเหล่านี้เป็นรายงานจากผู้ขายและยังไม่ได้รับการตรวจสอบอย่างเป็นอิสระ และข้อกล่าวอ้างเกี่ยวกับสภาพแวดล้อมที่มีเสียงรบกวนเป็นสิ่งแรกที่ควรทดสอบ เพราะเป็นข้อที่เฉพาะเจาะจงที่สุดและพิสูจน์ว่าเป็นเท็จได้ง่ายที่สุด

Grok ยังมีความสามารถเชิงปฏิบัติสำหรับนักพัฒนาที่น่าสังเกต ได้แก่ WebSocket API ที่เข้ากันได้กับ OpenAI Realtime, PCM16 ที่ 24 kHz พร้อม μ-law สำหรับระบบโทรศัพท์, การตรวจจับกิจกรรมเสียงฝั่งเซิร์ฟเวอร์, โทเคนชั่วคราวสำหรับแอปเบราว์เซอร์, การโคลนเสียงแบบกำหนดเองจากเสียงพูดประมาณหนึ่งนาที และปริมาณโทเคนการให้เหตุผลประมาณ 0.4 เท่าของเวอร์ชันก่อนหน้า

Gemini 3.8 Live Extended Thinking นำไปสู่ที่ใด

นอกเหนือจากการจัดวางดัชนีและช่องว่างด้านเอเจนติกที่ถูกกล่าวอ้าง สิ่งที่สร้างความแตกต่างนั้นเป็นเชิงโครงสร้าง:

• การมองเห็น — Gemini 3.8 Live ประมวลผลอินพุตภาพได้เกือบเรียลไทม์ Grok Voice Think Fast 2.0 ไม่มีความสามารถในการยึดโยงกับภาพที่เทียบเท่าได้

• ความครอบคลุมด้านภาษา — รองรับ 97 ภาษาพร้อมการสลับภาษาโดยอัตโนมัติระหว่างการสนทนา เทียบกับ 25+ ของ Grok

• การให้เหตุผลแบบบรรยาย — ตัวแปร Extended Thinking จะพูดไปด้วยขณะที่กำลังทำงาน โดยใช้สัญญาณบอกใบ้อย่าง "Let me check that…" และการบรรยายความคืบหน้าแบบสด ๆ ซึ่งเป็นพฤติกรรมที่อ่านเข้าใจได้ชัดเจนกว่าสำหรับผู้ใช้ที่กำลังรอผลของงานหลายขั้นตอน

• การใส่ลายน้ำ — เสียงที่สร้างขึ้นทั้งหมดมี SynthID ฝังอยู่

• ค่าใช้จ่าย — ถูกกว่า 3.2 เท่าต่อชั่วโมงของเสียงอินพุต

ตัวถ่วงดุลมีอยู่จริง Google ไม่ได้เปิดเผยตัวเลขความหน่วง ขนาด context window หรือตัวเลขของแต่ละองค์ประกอบใด ๆ ที่ใครก็ตามภายนอกบริษัทได้ทำซ้ำ การเปิดให้ใช้งานเป็นเพียงพรีวิว ไม่ใช่การเปิดให้ใช้งานทั่วไป: นักพัฒนาได้รับมันใน Gemini API และ Google AI Studio องค์กรต่าง ๆ ได้ในพรีวิวแบบส่วนตัวใน Gemini Enterprise และผู้บริโภคผ่าน Gemini Live, Docs Live, Gmail Live และ Keep Live โมเดลของ Grok เปิดให้ใช้งานทั่วไปแล้วในวันนี้ และ API ของมันมีเอกสารประกอบ

เลเยอร์ที่ทั้งคู่นั่งอยู่

ความคล้ายคลึงเชิงโครงสร้างประการหนึ่งที่มองข้ามได้ง่าย และสำคัญยิ่งกว่าข้อมูลสเปกของทั้งสองฝ่าย โมเดลทั้งสองต่างมอบหมายงานต่อไป การให้เหตุผลแบบขนานของ Grok เกือบทุกครั้งจะจบลงด้วยการเรียกใช้เครื่องมือหรือการค้นหาข้อมูล และการทำงานของเครื่องมือเบื้องหลังของ Google ถูกออกแบบมาอย่างชัดเจนเพื่อให้บทสนทนาดำเนินต่อไปได้ในขณะที่การเรียก API เสร็จสิ้น ภายใต้ส่วนหน้าเสียงของทั้งสองนั้นคือภาระงานของโมเดลข้อความธรรมดา ๆ — และนั่นคือจุดที่ต้นทุนรวมทั้งหมดส่วนใหญ่และความยืดหยุ่นในการสลับของคุณเกือบทั้งหมดอยู่

OrcaRouter ให้บริการโมเดล 190 รายการผ่านคีย์เดียว ในราคาตามที่ผู้ให้บริการประกาศ โดยไม่บวกเพิ่มแม้แต่นิดเดียว ซึ่งหมายความว่าเมื่อผู้ให้บริการรายใดลดราคา ฝั่งเราจะปรับให้ทันทีในวันเดียวกัน ไม่ต้องรอถึงรอบต่ออายุครั้งถัดไป นั่นไม่ใช่เรื่องเล็กในหมวดหมู่ที่โมเดลรายใหญ่รายหนึ่งขึ้นราคาต่อนาทีถึง 60% ภายในไม่กี่สัปดาห์ คุณสมบัติอีกอย่างที่สำคัญสำหรับงานเสียงคือการสลับสำรองอัตโนมัติ (automatic failover) เพราะสายที่ขาดไปเนื่องจากแบ็กเอนด์หมดเวลาคือลูกค้าที่หลุดมือไป และความสามารถในการเปลี่ยนเป้าหมายการมอบหมายงานบนทราฟฟิกที่ใช้งานจริงโดยไม่ต้องเขียนการเชื่อมต่อเสียงใหม่ คือสิ่งที่ทำให้การเลือกส่วนหน้าสามารถย้อนกลับได้ เพื่อความชัดเจนในเรื่องขอบเขต — เอนด์พอยต์ Grok Voice Think Fast 2.0 และ Gemini 3.8 Live ไม่ได้อยู่บนเราเตอร์ของเรา แต่มาจาก API ของผู้ให้บริการเอง ส่วนโมเดลข้อความที่เอนด์พอยต์เหล่านี้มอบหมายงานให้ โดยทั่วไปแล้วอยู่บนเราเตอร์ของเรา

อะไรจะยุติเรื่องนี้ได้

การจับคู่นี้แก้ไขได้ง่ายเป็นพิเศษ เพราะหลักฐานชี้ขาดนั้นเจาะจงและกำลังจะปรากฏ สามสิ่งนี้จะทำให้สำเร็จ:

• τ-Voice แบบอิสระทำงานบน Gemini 3.8 Live Extended Thinking Google อ้างว่าได้ 68.6% เทียบกับ 56.5% ของ Grok นั่นคือข้ออ้างที่ทิ้งห่างกัน 12 จุด ในหมวดหมู่ที่ Google ไม่เคยเป็นผู้นำมาก่อนในอดีต และเป็นตัวเลขเดียวที่เปลี่ยนแปลงคำตัดสินมากที่สุด

• ตัวเลขความหน่วงที่เผยแพร่ออกมาแล้วจนกว่า Google จะประกาศตัวเลขของตัวเองออกมา 0.70 วินาทีของ Grok ก็ยังคงไร้คู่แข่ง และผู้ซื้อระบบโทรศัพท์มีเพียงทางเลือกเดียวที่ปกป้องได้

• ความพร้อมใช้งานทั่วไปและราคาที่มั่นคงราคาช่วงพรีวิวเปลี่ยนแปลงได้ อัตราค่าบริการ 1.50 ดอลลาร์ต่อชั่วโมงที่อาจเพิ่มเป็นสองเท่าเมื่อเปิดให้ใช้ทั่วไป (GA) จะทำให้การเปรียบเทียบนี้เปลี่ยนไปโดยสิ้นเชิง

จนกว่าสิ่งเหล่านั้นจะออกมา จุดยืนที่ป้องกันได้ก็แคบกว่าที่ประกาศใดประกาศหนึ่งชี้ให้เห็น Grok Voice Think Fast 2.0 ยังคงเป็นตัวเลือกที่เหมาะสมเมื่อความหน่วงเป็นข้อจำกัดและภาระงานมีลักษณะแบบโทรศัพท์ Gemini 3.8 Live Extended Thinking เป็นตัวเลือกที่เหมาะสมเมื่อความลึกของการใช้เหตุผล การมองเห็น หรือความกว้างของภาษามีความสำคัญ และคุณสามารถทนต่อสถานะพรีวิวและความหน่วงที่ยังไม่เปิดเผยได้ และ 0.3 คะแนนระหว่างทั้งสองไม่ควรใช้ตัดสินอะไร — 3.2× ต่างหากที่ควรใช้ตัดสิน