GPT-Live-1.1 vs Gemini 3.8 Live: หกภาษาใหม่เทียบกับเก้าสิบเจ็ด และเหตุใดช่องว่างนั้นจึงไม่ใช่เรื่องราวทั้งหมด

นับจำนวนภาษาดู แล้วการต่อสู้ก็ดูเหมือนจะจบก่อนจะเริ่มเสียอีก Gemini 3.8 Live ซึ่ง Google DeepMind ประกาศเปิดตัวเมื่อวันที่ 15 กันยายน 2026 รองรับ 97 ภาษาพร้อมการสลับภาษากลางบทสนทนาโดยอัตโนมัติมาตั้งแต่เปิดตัว GPT-Live-1.1 ซึ่ง OpenAI เปิดตัวเมื่อวันที่ 15 ตุลาคม 2026 เพิ่มตัวเลือกเสียงใหม่ 13 แบบ — ภาษาละสองเสียงสำหรับภาษาฝรั่งเศส เยอรมัน ฮินดี ญี่ปุ่น เกาหลี และสเปนเม็กซิกัน บวกกับเสียงภาษาอังกฤษที่ชื่อ Bubbie หกภาษาใหม่เทียบกับเก้าสิบเจ็ดเป็นอัตราส่วนที่ไม่มีใครต้องมาคิดให้ปวดหัว

นอกจากนี้ยังเป็นการเปรียบเทียบระหว่างงานหนึ่งสัปดาห์กับความครอบคลุมหนึ่งปี ซึ่งเป็นเหตุผลว่าทำไมตัวเลขที่ยุติการโต้แย้งจึงไม่ใช่ตัวเลขที่ควรใช้ตัดสินเรื่องนี้ การเปิดตัวทั้งสองวัดสิ่งที่แตกต่างกัน ตัวเลขของ Google อธิบายว่าเซสชันสามารถรองรับโลกได้มากเพียงใด ส่วนของ OpenAI อธิบายว่าสำเนียงใดที่เคยฟังดูผิดก่อนหน้านี้และตอนนี้ไม่ผิดแล้ว สำหรับผู้ซื้อ คำถามที่มีประโยชน์ไม่ใช่ว่าตัวเลขใดมากกว่า แต่คือสองตัวนี้คุณสามารถเรียกใช้ตัวไหนได้จริง และเกิดอะไรขึ้นกับส่วนที่เหลือของสแต็กคุณเมื่อคุณทำเช่นนั้น

ความพร้อมใช้งานคือจุดที่การเปรียบเทียบใช้ไม่ได้

เริ่มจากตรงนั้น เพราะนั่นคือจุดที่โมเดลทั้งสองนี้เลิกเป็นทางเลือกแทนกัน

GPT-Live-1.1 เป็นการเปิดตัวสำหรับผู้บริโภคทั่วไป โดยเปิดให้ใช้ใน ChatGPT Voice เมื่อวันที่ 15 ตุลาคม 2026 พร้อมกับโมเดลที่สอง คือGPT-Live-1.1 Quip ซึ่งสืบทอดจาก GPT-Live-1 mini และกลายเป็นค่าเริ่มต้นสำหรับบัญชีที่ต่ำกว่า Plus คำประกาศของ OpenAI ระบุชัดเจนว่า API จะตามมาทีหลัง — "coming soon to the API" — และเอกสารก็สอดคล้องกัน หน้า models ยังคงแสดงรายการ gpt-live-1 และ gpt-live-transcribe โดยไม่มีอะไรใหม่กว่านั้น และ gpt-live-1.1 ส่งคืนข้อผิดพลาด 404 ในฐานะหน้าโมเดล ไม่มี ID โมเดล ไม่มีขีดจำกัดอัตราการเรียกใช้งาน และไม่มีราคาสำหรับ GPT-Live-1.1 อยู่ที่ใดก็ตามที่นักพัฒนาสามารถเข้าถึงได้

Gemini 3.8 Live เป็นกรณีตรงกันข้าม มันเป็นโมเดล API ที่มีอัตราค่าบริการที่ประกาศไว้ — $0.005 ต่อนาทีของอินพุตเสียง และ $0.018 ต่อนาทีของเอาต์พุตเสียง — และสามารถเรียกใช้ได้ตั้งแต่วันที่เปิดตัว โดยเวอร์ชัน Extended Thinking ถูกเผยแพร่ผ่าน Gemini Live, Docs, Gmail และ Keep สำหรับสมาชิก AI ความพร้อมใช้งานสำหรับองค์กรของ Google ยังคงเป็นพรีวิวส่วนตัวโดยไม่มีคำมั่นเรื่องความพร้อมใช้งานทั่วไป ซึ่งเป็นข้อจำกัดที่แท้จริงในตัวเอง แต่ก็เป็นข้อจำกัดคนละแบบกับการไม่มีเอนด์พอยต์เลย

ดังนั้น หนึ่งในสองสิ่งนี้คือสิ่งที่คุณซื้อได้ และอีกสิ่งคือสิ่งที่คุณใช้ได้ ความไม่สมมาตรนั้นมีนัยสำคัญยิ่งกว่าเบนช์มาร์กใด ๆ ที่อยู่ด้านล่างนี้ และมันคือสิ่งที่การเปรียบเทียบสองโมเดลนี้ในสัปดาห์เปิดตัวมักมองข้ามไป

97 ต่อหกวัดอะไรได้จริง

ช่องว่างนี้มีอยู่จริง หากคนที่โทรหาคุณพูดภาษาโปแลนด์หรือภาษาไทย Gemini 3.8 Live คือหนึ่งเดียวในสองตัวนี้ที่รับสายได้ และไม่มีสิ่งอื่นใดในบทความนี้ที่สำคัญเลย

สิ่งที่ตัวเลขไม่ได้วัดคือคุณภาพภายในส่วนที่ทับซ้อน และส่วนที่ทับซ้อนคือจุดที่มีความต้องการเกือบทั้งหมด

• สิ่งที่ 97 ซื้อได้ — การครอบคลุมคำถามหางยาว และความสามารถในการเปลี่ยนภาษากลางประโยคโดยไม่ทำให้เซสชันขาดตอน สำหรับสายสนับสนุนที่ครอบคลุมตลาดยุโรปหนึ่งโหล ฟีเจอร์เดียวนี้คือตัวผลิตภัณฑ์

• สิ่งที่หกภาษาได้มา — ความลึกในตลาดที่รุ่นก่อนหน้าฟังออกว่าผิดอย่างชัดเจน ข้ออ้างของ OpenAI เป็นเรื่องความเป็นธรรมชาติของสำเนียงมากกว่าความเข้าใจ และหกภาษาที่เลือกอยู่ในกลุ่มตลาดเสียงที่ไม่ใช่ภาษาอังกฤษที่ใหญ่ที่สุด ไม่ใช่การสุ่มตัวอย่าง บันทึกการเปิดตัวยังอธิบายถึงวลีสั้นที่หลากหลายขึ้นสำหรับส่งสัญญาณว่าโมเดลกำลังค้นหา ซึ่งเป็นสิ่งที่ผู้ใช้ได้ยินเป็น "checking…"

• สิ่งที่ตัวเลขทั้งสองไม่ได้บอกคุณ — นั่นคือเสียงของมันฟังดูเป็นอย่างไร ไม่มีเกณฑ์วัดสำเนียงที่เป็นสาธารณะและทำซ้ำได้ และไม่มีคะแนนคุณภาพเสียงพูดที่เป็นอิสระสำหรับโมเดลทั้งสองในชุดภาษาทั้งสอง ตัวเลขทั้งสองเป็นจำนวนตัวเลือกโลแคลที่รองรับซึ่งนับโดยผู้ขาย และผู้ขายทั้งสองรายก็เผยแพร่ตัวเลขเหล่านี้โดยไม่ได้แนบวิธีการมาด้วย

ผลในทางปฏิบัติก็คือ จำนวนภาษาเป็นเพียงตัวกรองคัดกรองเบื้องต้น ไม่ใช่ตัวตัดสินใจ หากผู้ที่โทรหาคุณพูดภาษาหนึ่งในเจ็ดภาษาข้างต้น จำนวนภาษาก็ไม่สำคัญ และคุณภาพของสำเนียงจะกลายเป็นแบบทดสอบการฟังที่คุณต้องทดลองด้วยตัวเอง หากพวกเขาไม่พูด ภาษานั้น การตัดสินใจก็ได้ถูกกำหนดไว้ให้คุณแล้ว

คณะกรรมการอิสระ และปัญหาตัวแปร

ในกรณีที่มีการวัดผลโดยอิสระ การวัดนั้นมีอยู่สำหรับรุ่นก่อนหน้าในฝั่ง OpenAI บนดัชนี Speech to Speech ของ Artificial Analysis ให้อ่านจากกระดานจัดอันดับ ณ วันที่ 16 ตุลาคม 2026:

• Grok Voice 3.0 — 86.9

• GPT-Live-1 (แบ็กเอนด์ Astra ความพยายามปานกลาง) — 83.2

• Gemini 3.8 Live Extended Thinking (High) — 82.6

• Grok Voice 2.0 — 81.3

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

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 สูง — 75.2

• Grok Voice 1.0 — 73.7

• GPT-Realtime-2 (สูง) — 73.6

• Gemini 3.1 Flash Live High — 72.0

มีสองประเด็นที่ตามมาจากการจัดลำดับดังกล่าว ประการแรก โมเดลที่ถูกเอ่ยชื่อเป็นอันดับที่สองในชื่อบทความนี้กลับอยู่อันดับที่หก ขณะที่เวอร์ชันย่อยของอีกโมเดลหนึ่งอยู่อันดับที่สาม — ค่า 82.6 ที่ถูกอ้างถึงนั้นเป็นของ Gemini 3.8 Live Extended Thinking ซึ่งเป็นการกำหนดค่าที่แตกต่างออกไปและมีการเปิดให้ใช้งานในวงแคบกว่า ประการที่สอง ไม่มีแถวของ GPT-Live-1.1 อยู่ที่ใดบนบอร์ดเลย ดังนั้นโมเดลรุ่นสืบทอดจึงถูกนำเสนอในที่นี้ด้วยตัวเลขที่รุ่นก่อนหน้าทำได้

เมื่ออ่านเทียบกับรูปแบบมาตรฐาน — 76.0 ของ Gemini 3.8 Live เทียบกับ 83.2 ของ GPT-Live-1 — ตระกูล OpenAI นำอยู่ 7.2 คะแนนจากหลักฐานของรุ่นก่อน เมื่ออ่านเทียบกับตัวแปร Extended Thinking จะเป็นช่องว่าง 0.6 คะแนนในทางกลับกัน ซึ่งอยู่ภายในความเคลื่อนไหวที่คุณคาดหวังจากลีดเดอร์บอร์ดที่ถูกจัดอันดับใหม่เมื่อมีการเพิ่มโมเดล ทั้งสองการอ่านไม่ใช่การวัด GPT-Live-1.1 และควรพูดตรงๆ ว่า หลักฐานของรุ่นสืบทอดเองคือคำแถลงในการ์ดระบบว่ามันทำงานได้เท่าเทียมกับ GPT-Live-1 บนพรอมต์การผลิต ซึ่งเป็นข้ออ้างเรื่องการไม่ถดถอย ไม่ใช่คะแนน

ที่ซึ่งสถาปัตยกรรมยังคงแยกพวกเขาออกจากกัน

ความแตกต่างของฟูลดูเพล็กซ์ยังไม่หายไปไหน มันเพียงแค่ไม่ใช่ปัจจัยชี้ขาดอีกต่อไป

GPT-Live-1.1 สืบทอดโครงสร้างของ GPT-Live-1: เสียงเข้าและเสียงออกได้รับการประมวลผลอย่างต่อเนื่องภายในโมเดลเดียว โดยไม่มีห่วงโซ่การแปลงเสียงเป็นข้อความ → โมเดลภาษา → การแปลงข้อความเป็นเสียง, เสียงขานรับอย่าง "mhmm" ถูกสร้างขึ้นมาเองโดยธรรมชาติ และการขัดจังหวะถูกจัดการโดยการตัดสินใจหลายครั้งต่อวินาทีว่าจะพูดต่อไปหรือยอมให้อีกฝ่ายพูด นั่นยังคงเป็นจุดที่ระบบแบบผลัดกันพูดทำผิดพลาด และ Gemini 3.8 Live ก็ยังเป็นแบบผลัดกันพูด

สิ่งที่ Gemini 3.8 Live ทำแทนคือทำให้เซสชันยังคงดำเนินไปอย่างมีประสิทธิผลในขณะที่เทิร์นกำลังดำเนินอยู่: การประมวลผลอินพุตภาพแบบเกือบเรียลไทม์, การทำงานของเครื่องมือและ API เบื้องหลังที่ตอบรับคำขอและทำให้บทสนทนายังคงอยู่ต่อไประหว่างที่การเรียกเสร็จสิ้น, และรูปแบบย่อย Extended Thinking ที่บรรยายความคืบหน้าของตนออกมาดัง ๆ คำตอบของ Google ต่อปัญหาความเงียบคือการเติมความเงียบด้วยงาน แทนที่จะลบขอบเขตของเทิร์น ทั้งสองแนวทางป้องกันไม่ให้ผู้โทรวางสาย; ทั้งคู่ล้มเหลวในแบบที่ต่างกัน และโมเดลแบบอิงเทิร์นก็ยังอาจประเมินการหยุดชั่วคราวผิดพลาดได้

การป้อนข้อมูลภาพคือต้นทุนที่ชัดเจนของการแลกเปลี่ยนนั้น การแชร์กล้องและหน้าจอเป็นส่วนหนึ่งของพื้นผิวของ Gemini 3.8 Live มาตั้งแต่เปิดตัว และเอกสารของ OpenAI เองสำหรับตระกูล Live ก็ระบุอย่างชัดเจนว่าการป้อนข้อมูลภาพและวิดีโอเป็นสิ่งที่ไม่รองรับ ซึ่งเป็นข้อจำกัดที่ส่งต่อไปยัง GPT-Live-1.1 เนื่องจากหน้าช่วยเหลือสำหรับผู้ใช้ของเวอร์ชันใหม่ย้ำว่า Live ไม่รองรับวิดีโอหรือการแชร์หน้าจอ หากเอเจนต์ของคุณจำเป็นต้องดูบางสิ่ง สิ่งนี้จะตัดสินการเปรียบเทียบก่อนที่เบนช์มาร์กใด ๆ จะทำได้

การเปรียบเทียบต้นทุน โดยมีเครื่องหมายดอกจันแนบอยู่

จากอัตราค่าบริการฝั่งผู้ใช้ที่เปิดเผย Google ถูกกว่าอย่างมาก Gemini 3.8 Live คิดค่าบริการ $0.018 ต่อนาทีของเสียงเอาต์พุต เทียบกับ $0.05 ต่อนาทีเสียงของ GPT-Live-1 และ $0.05 นั้นเป็นตัวเลขต่อนาทีเพียงตัวเดียวที่ OpenAI เปิดเผยสำหรับตระกูล Live — มันเป็นของโมเดลรุ่นเก่า และยังไม่มีการประกาศอัตราสำหรับ GPT-Live-1.1 เพราะไม่มีเอนด์พอยต์ให้แนบอัตราไว้

เครื่องหมายดอกจันก็คือ ตัวเลขทั้งสองตัวไม่ใช่บิลจริง 0.05 ดอลลาร์ของ GPT-Live-1 ครอบคลุมเฉพาะฟรอนต์เอนด์ด้านเสียงเท่านั้น การประมวลผลเหตุผลเกิดขึ้นบนโมเดลข้อความที่ถูกมอบหมาย และเอกสาร Live ของ OpenAI ระบุไว้ plainly ว่าการเรียก Responses ฝั่งแบ็กเอนด์คิดค่าบริการตามราคาปกติของโมเดลที่กำหนดค่าไว้ ดังนั้นห้าเซนต์ต่อนาทีของเวลาสนทนาเสียงจึงกลายเป็นสามดอลลาร์ต่อชั่วโมงของเวลาสนทนาเสียง ก่อนที่จะนับโทเค็นการให้เหตุผลแม้แต่โทเค็นเดียว Gemini 3.8 Live มีรูปแบบเดียวกันทุกประการ: การทำงานของเครื่องมือเบื้องหลังเป็นงานของโมเดลข้อความ คิดค่าบริการในอัตราของโมเดลข้อความที่ Google ยังไม่ได้เผยแพร่สำหรับผลิตภัณฑ์นี้

นั่นคือเหตุผลว่าทำไมตัวเลขค่าใช้จ่ายต่อชั่วโมงใด ๆ ที่คุณเห็นสำหรับโมเดลใดโมเดลหนึ่งจึงเป็นตัวเลขเพียงบางส่วนที่สวมเสื้อผ้าของตัวเลขรวม เวลาสนทนาเสียงหนึ่งชั่วโมงของ GPT-Live-1 คือค่าใช้จ่ายส่วนหน้า $3.00 ก่อนที่ส่วนหลังจะถูกคิดค่าบริการตามการใช้งานเลยด้วยซ้ำ และตัวเลขรวมทั้งหมดขึ้นอยู่กับว่าคุณส่งงานต่อไปให้โมเดลใดและโมเดลนั้นถูกเรียกใช้บ่อยแค่ไหน สำหรับ Gemini 3.8 Live ส่วนหน้ามีราคาถูกกว่าต่อนาที และส่วนหลังไม่ถูกเปิดเผย การเปรียบเทียบอัตราที่เป็นหัวข้อของทั้งสองแบบบอกคุณได้เพียงเกี่ยวกับครึ่งที่ถูกกว่าของแต่ละใบแจ้งหนี้

เลเยอร์ที่ทั้งสองคนส่งงานให้

ทั้งสองระบบต่างส่งต่องาน และนั่นคือข้อเท็จจริงที่ทำให้การเปรียบเทียบครั้งนี้เป็นการตัดสินใจแบบผูกติดกับผู้ให้บริการรายเดียวนั้นน้อยกว่าที่จำนวนภาษาบ่งชี้ GPT-Live-1.1 ส่งคำถามยากไปยังโมเดลข้อความเบื้องหลังโดยดีไซน์ ส่วนการทำงานของเครื่องมือเบื้องหลังของ Gemini 3.8 Live นั้นสุดท้ายแล้วก็แปลงเป็นการเรียกโมเดลแบบธรรมดา ในทั้งสองกรณี เลเยอร์เสียงเป็นส่วนหน้าแบบบาง ๆ ที่ครอบโมเดลการให้เหตุผล ซึ่งผู้ขายปฏิบัติเสมือนเป็นการกำหนดค่าแยกและคิดค่าบริการตามการใช้งานแยกกัน ความแปรปรวนของต้นทุนอยู่ตรงนั้น ความแตกต่างด้านคุณภาพระหว่างการกำหนดค่าต่าง ๆ ปรากฏขึ้นตรงนั้น และการสลับนั้นมีค่าใช้จ่ายต่ำตรงนั้น เพราะมันไม่แตะต้องส่วนผสานรวมเสียง

นั่นคือครึ่งหนึ่งของสแต็กเสียงที่เราเตอร์คุ้มค่ากับตำแหน่งของมัน ดังนั้นจึงควรพูดให้ชัดเจนเกี่ยวกับขอบเขตนี้ บน OrcaRouter ชั้นการให้เหตุผลคือ โมเดลมากกว่า 200 รายการภายใต้คีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม ซึ่งหมายความว่าการลดราคาจากต้นทางจะมาถึงฝั่งเราในวันเดียวกัน แทนที่จะรอถึงการต่อสัญญาครั้งถัดไป — คุณสมบัตินี้สำคัญกว่าปกติในโครงสร้างการเรียกเก็บเงินแบบสองมิเตอร์ที่แบ็กเอนด์เป็นมิเตอร์ที่ขยับได้ DSL การกำหนดเส้นทางช่วยให้คุณระบุเป้าหมายการมอบหมายได้อย่างชัดเจนและสลับได้บนทราฟฟิกสด และการ failover อัตโนมัติช่วยให้เซสชันคงอยู่เมื่อแบ็กเอนด์เกิดข้อผิดพลาดหรือหมดเวลาระหว่างการเรียก ซึ่งเป็นโหมดความล้มเหลวที่เสียงมีแต่ข้อความไม่มี ขอชี้แจงหนึ่งเรื่อง เพราะอาจทำให้เกิดการสื่อเป็นนัยตรงกันข้ามได้ง่าย: เราไม่ได้โฮสต์ปลายทางเสียง GPT-Live-1.1 หรือ Gemini 3.8 Live สิ่งเหล่านั้นมาจากแพลตฟอร์มของผู้ให้บริการเอง และในกรณีของ GPT-Live-1.1 ไม่มีปลายทางสาธารณะให้โฮสต์ โมเดลข้อความที่ระบบเหล่านี้ส่งงานให้โดยทั่วไปอยู่บนเราเตอร์.

วิธีการเลือก

เลือก Gemini 3.8 Liveหากคุณต้องส่งมอบตอนนี้ หากภาษาของคุณมีมากกว่าเจ็ดภาษาที่ระบุไว้ข้างต้น หรือหากโมเดลจำเป็นต้องเห็นบางสิ่ง ยอมรับว่าคุณกำลังซื้อการกำหนดค่ามาตรฐานที่ได้คะแนน 76.0 บนดัชนีรวม ว่า 82.6 ที่มักถูกอ้างถึงเป็นของตัวแปร Extended Thinking ว่าการเข้าถึงระดับองค์กรเป็นการพรีวิวแบบส่วนตัว และว่าต้นทุนรวมต่อชั่วโมงยังไม่เปิดเผยในฝั่งใบแจ้งหนี้ของคุณเช่นกัน

เลือก GPT-Live-1.1หากคุณภาพการสนทนาคือหัวใจของผลิตภัณฑ์ และภาษาของคุณอยู่ในชุดภาษาที่รองรับ — และหากคุณรอได้ การผลัดกันพูดแบบฟูลดูเพล็กซ์ยังคงเป็นมาตรฐานสำหรับวัดความเป็นธรรมชาติ การอัปเวอร์ชันเป็นการปรับปรุงที่แท้จริงจาก GPT-Live-1 และงานปรับสำเนียงมุ่งเป้าไปที่ภาษาที่แย่ที่สุดเมื่อก่อนอย่างแม่นยำ อีกทั้งในปัจจุบัน มันก็ยังไม่ใช่สิ่งที่คุณเรียกใช้จากโค้ดได้

เลือกใช้ GPT-Live-1หากคุณต้องการเสียงจาก OpenAI และต้องการใช้งานภายในเดือนนี้ เพราะมันเป็นสมาชิกเพียงหนึ่งเดียวในตระกูลนั้นที่มี model ID, endpoint ที่มีเอกสารกำกับ และอัตราค่าบริการที่ประกาศไว้

วันที่ต้องจับตาก็คือวันที่gpt-live-1.1มีหน้าของโมเดลของตัวเอง นั่นคือจุดที่สิ่งนี้จะเลิกเป็นการเปรียบเทียบระหว่างผลิตภัณฑ์ที่วางขายจริงกับประกาศ และเป็นจุดที่คำกล่าวอ้างเรื่องสำเนียง จำนวนภาษา และราคา ทั้งหมดจะกลายเป็นสิ่งที่ทดสอบได้ในบ่ายเดียวกัน

การเปรียบเทียบเช่นนี้ก็เป็นจุดที่รูปแบบความล้มเหลวปรากฏให้เห็นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในคลาสนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งของตนเอง