GPT-Live-1 vs Gemini 3.8 TTS: ตัวหนึ่งสนทนาโต้ตอบได้ ตัวหนึ่งอ่านบทพูด — และมีเพียงตัวเดียวเท่านั้นที่ราคาถูก

วาง G​PT-Live-1 และ Gemini 3.8 Flash TTS ไว้ข้างกันบนมาตรวัดต่อนาที แล้วคำตอบก็ดูชัดเจน ระบบเสียงบรรยายของ G​oogle คิดค่าบริการประมาณ1.35 เซนต์ต่อนาที ของคำพูดที่สร้างขึ้นในอัตราปี 2026 โมเดลสนทนาของ O​penAI คิดค่าบริการ5 เซนต์ต่อนาที ของสายที่เปิดอยู่ — และยังคงคิดค่าบริการในขณะที่แบ็กเอนด์กำลังประมวลผล ในขณะที่ผู้ใช้หยุดชั่วคราว และในขณะที่ไม่มีใครพูดอะไรเลย ช่องว่างประมาณ 27 เท่า ก่อนที่ใครจะถามว่าทั้งสองกำลังทำงานเดียวกันหรือไม่

ไม่ใช่เลย และในแบบที่น่าสนใจกว่าการปัดว่า "คนละหมวดหมู่" แบบที่มักเจอกัน Gemini 3.8 Flash TTS ไม่สามารถได้ยิน G​PT-Live-1 ไม่สามารถประมวลผลเป็นชุดได้ และการตั้งชื่อก็ยิ่งทำให้เรื่องนี้แย่เกินความจำเป็น เพราะวลี G​emini 3.8 TTS — ป้ายที่คนครึ่งอินเทอร์เน็ตใช้กัน — ไม่ตรงกับโมเดลใด ๆ ที่คุณเรียกใช้ได้จริง

ก่อนอื่น ปัญหาเรื่องชื่อ เพราะมันเป็นตัวกำหนดราคาที่คุณเสนอ

ไม่มีโมเดลที่ชื่อ G​emini 3.8 TTS เอกสารของ G​oogle เองใช้คำดังกล่าวเป็นคำเรียกแบบรวบยอดสำหรับ endpoint ที่เรียกใช้งานได้สองรายการ และทั้งสองมีราคาที่แตกต่างกันมากพอจนการอ้างอิงผิดรายการถือเป็นความผิดพลาดที่แท้จริง:

• gemini-3.8-flash-tts — ระดับเต็ม รองรับมากกว่า 130 ภาษา ราคา 0.50 ดอลลาร์ต่อล้านโทเคนข้อความขาเข้า และ 9.00 ดอลลาร์ต่อล้านโทเคนเสียงขาออก ซึ่งจะปรับขึ้นเป็น 1.00 และ 18.00 ดอลลาร์ในวันที่ 1 มกราคม 2027

• gemini-3.8-flash-lite-tts — 101 ภาษา อัตราอินพุตเท่าเดิม $6.00 ต่อล้านโทเค็นเสียงขาออก เพิ่มขึ้นเป็น $12.00

• ทั้งสองมีอัตรา Batch และ Flex ที่ครึ่งหนึ่งของราคา Standard ($0.25 ขาเข้า, $4.50 หรือ $3.00 ขาออก) และอัตรา Priority ที่ 1.8× ($0.90 ขาเข้า, $16.20 หรือ $10.80 ขาออก)

เสียงคิดค่าบริการในอัตรา 25 โทเคนต่อวินาที ซึ่งเป็นที่มาของตัวเลขต่อนาที: 25 โทเคน × 60 วินาที = 1,500 โทเคนเสียงต่อนาที ดังนั้น $9.00 ต่อล้านจึงคิดออกมาประมาณ $0.0135 ต่อนาที Flash-Lite อยู่ที่ประมาณ $0.009

สถานะของโมเดลนี้ยังไม่แน่นอนอย่างแท้จริง และเป็นเรื่องที่ควรพูดออกมาดังๆ เพราะแหล่งข้อมูลของ Google เองก็ขัดแย้งกัน บันทึกการเปลี่ยนแปลงของ Gemini API ระบุว่าโมเดลทั้งสองพร้อมใช้งานทั่วไป รายการโมเดลของ API ติดป้ายว่าพวกมันเป็น "New Stable" เอกสารข้อความเป็นเสียงของ Google Cloud อธิบายว่าพวกมันพร้อมใช้งานใน Preview ผ่าน Gemini Enterprise API เท่านั้น โพสต์บล็อกประกาศ ซึ่งเผยแพร่เมื่อวันที่ 23 กันยายน 2026 ไม่ได้ใช้คำใดเลยในสองคำนั้น ใครก็ตามที่เขียนบันทึกการจัดซื้อในเดือนนี้ ควรถือว่าป้าย GA เป็นข้อกล่าวอ้างของบันทึกการเปลี่ยนแปลง มากกว่าข้อเท็จจริงที่ยุติแล้ว

แต่ละโมเดลทำอะไรจริง ๆ เมื่อคุณเรียกมัน

Gemini 3.8 Flash TTS รับข้อความและส่งคืนเสียง มันไม่มีการป้อนเสียง ไม่มีเทิร์นให้พูด ไม่รู้จักแนวคิดของการถูกขัดจังหวะ และไม่มีทรานสคริปต์ให้ส่งคืน เพราะมันไม่เคยได้ยินอะไรเลย เอนด์พอยต์แบบ unary ส่งคืน WAV ที่ 24 kHz โมโน ส่วนการสตรีมส่งคืน PCM 16 บิตที่ไม่มีส่วนหัว โดยรองรับ mulaw และ alaw พร้อมอัตราการสุ่มตัวอย่างที่กำหนดค่าได้ คำกำกับการแสดงแบบอินไลน์จะถูกเขียนลงในสคริปต์เป็นอีเวนต์ในวงเล็บมุม — <laugh>, <sigh>, <breath>, <short pause> — และข้อความอินพุตจะถือเป็นทรานสคริปต์แบบคำต่อคำ ไม่ใช่คำสั่ง Live API ไม่รองรับโมเดลเหล่านี้เลย

GPT-Live-1 ทำหน้าที่ตรงกันข้าม โดยเป็นฟูลดูเพล็กซ์ คือประมวลผลเสียงขาเข้าไปพร้อมกับสร้างเสียงขาออก ตัดสินใจหลายครั้งต่อวินาทีว่าผู้ใช้พูดจบแล้วหรือยัง และส่งคืนข้อความถอดเสียงจากการรู้จำเสียงพูดเป็นส่วนหนึ่งของเซสชัน อินพุตของมันคือเสียงและข้อความ เอาต์พุตของมันคือเสียงและข้อความ ส่วนรูปภาพและวิดีโอไม่รองรับ มันสตรีมและรองรับการเรียกฟังก์ชัน แต่ไม่รองรับเอาต์พุตแบบมีโครงสร้าง และวันตัดข้อมูลความรู้คือ 31 กรกฎาคม 2025 มีเพียงปลายทางเดียวที่ให้บริการมัน — v1/live/sessions — และ Chat Completions, Responses, Realtime และ Batch ล้วนถูกตัดออกทั้งหมด

รายละเอียดสุดท้ายนั่นแหละคือสิ่งที่ทำให้การเปรียบเทียบจบลงสำหรับเวิร์กโหลดจำนวนมาก หากผลิตภัณฑ์ของคุณเรนเดอร์สคริปต์ G​PT-Live-1 ไม่ใช่ทั้งตัวเลือกที่ถูกที่สุดและไม่ใช่ตัวเลือกที่ถูกต้อง หากผลิตภัณฑ์ของคุณรับสายโทรศัพท์ Gemini 3.8 Flash TTS เป็นเพียงหนึ่งในสามของไปป์ไลน์ที่ยังต้องมีโมเดล ASR และโมเดลภาษาเสริมไว้ทั้งสองฝั่ง — และประเด็นทั้งหมดของ G​PT-Live-1 ก็คือรอยต่อระหว่างสามส่วนนั้นคือจุดที่บทสนทนาพัง

ตัวเลข และของใคร

บน Provider Voice Arena ของ Artificial Analysis — กระดาน Elo แบบลงคะแนนลับที่จัดอันดับเสียงเนทีฟของแต่ละผู้ให้บริการเอง — โมเดลใหม่ของ Google กลับอยู่กลางตารางแทนที่จะอยู่หัวตาราง:

• Gemini 3.8 Flash TTS — Elo 1,275 อยู่อันดับที่ 5 โดยมีช่วงความเชื่อมั่น 95% ประมาณ 1,260 ถึง 1,290 จากตัวอย่าง 2,783 ตัวอย่าง ระบุราคาไว้ที่ $16.5 ต่อล้านตัวอักษร

• Gemini 3.8 Flash-Lite TTS — Elo 1,248 ที่อันดับ 8 ช่วงประมาณ 1,234 ถึง 1,262 ราคา 11.0 ดอลลาร์ต่อล้านตัวอักษร

• เหนือทั้งสอง — Eleven v4 Turbo ที่ 1,330, Eleven v4 ที่ 1,329, Q​wen-Audio-3.1-TTS-Plus ที่ 1,296 และ Cartesia Sonic 3.6 ที่ 1,285

คำกล่าวอ้างของ Google เองนั้นหนักแน่นกว่าลีดเดอร์บอร์ดนั้น และมันเป็นคำกล่าวอ้างจากฝั่งผู้ขาย: โพสต์เมื่อวันที่ 23 กันยายนกล่าวว่าโมเดลเหล่านี้ได้อันดับหนึ่งใน Voice Design Benchmark ของ Hume AI ด้วยคะแนน 71.4 และเป็นผู้นำในการสร้างแบบจำลองสำเนียงของ Hume ด้วยคะแนน 60.8 รวมถึงตำแหน่งสูงสุดในผลการทดสอบความชอบแบบไม่เปิดเผย (blind preference) ในภาษาญี่ปุ่น โปรตุเกสบราซิล เวียดนาม อาหรับมาตรฐานสมัยใหม่ สเปนเม็กซิโก และฮินดี เหล่านี้เป็นตำแหน่งที่ Google รายงานบนการประเมินของผู้อื่น ไม่ใช่การทำซ้ำ

หันมาฝั่งการสนทนากันบ้าง ตัวเลขของ G​PT-Live-1 มาจากกระดานคนละใบโดยสิ้นเชิง ดัชนี speech-to-speech ของ Artificial Analysis ซึ่งเป็นค่าเฉลี่ยถ่วงน้ำหนักของความสามารถในการให้เหตุผลด้านเสียง ประสิทธิภาพแบบเอเจนต์ ความชอบในอารีนา และความสำเร็จของงาน ตอนนี้จัด G​PT-Live-1 ไว้ภายใต้การกำหนดค่าแบ็กเอนด์ที่มีชื่อกำกับ แทนที่จะเป็นแถวเดียว โดย G​PT-Live-1 (Astra, medium) และ G​PT-Live-1 (Sol, low) อยู่บนสุดของดัชนีนั้น ขณะที่ G​rok Voice 3.0 นำอยู่ในกลุ่มนี้ นั่นเป็นเครื่องเตือนใจที่มีประโยชน์ว่าในสถาปัตยกรรมนี้ โมเดลเสียงเป็นเพียงครึ่งเดียวของแถวเท่านั้น แบ็กเอนด์ที่ถูกมอบหมายต่างหากที่ทำให้คะแนนขยับ

ตัวเลขหนึ่งตัวที่สำคัญและไม่มีอยู่จริงที่ไหนเลย: G​oogle ไม่ได้เผยแพร่ค่าความหน่วงอย่างเป็นทางการสำหรับโมเดล TTS ทั้งสองตัวเลย ตัวเลข time-to-first-audio ทุกตัวที่หมุนเวียนกันอยู่ล้วนมาจากบุคคลที่สาม — ค่า p50 ของผู้รวบรวมข้อมูลรายหนึ่งอยู่ที่ประมาณ 3.47 วินาทีสำหรับ Flash TTS และ 2.66 สำหรับ Flash-Lite — และไม่มีตัวเลขใดเทียบเคียงได้โดยตรงกับจังหวะการสนทนาของ G​PT-Live-1 เพราะแต่ละตัววัดสิ่งที่แตกต่างกัน

การออกแบบเสียงคือจุดที่ทั้งสองมาบรรจบกัน และเป็นจุดที่ทั้งสองแยกจากกันอีกครั้ง

ตอนนี้ผู้จำหน่ายทั้งสองรายให้คุณอธิบายเสียงด้วยคำพูดได้แล้ว นี่เป็นสิ่งใหม่ในปี 2026 และเป็นจุดที่ผลิตภัณฑ์ทั้งสองเข้าใกล้กันมากที่สุดจนเกือบทับซ้อนกัน

เส้นทางของ G​oogle ต้องผ่าน G​emini API: บุคลิกเสียงที่อิงจากพรอมป์ตซึ่งบันทึกไว้อย่างถาวรเป็น voice_ ID การจำลองเสียงจากตัวอย่างความยาวประมาณ 30 วินาทีพร้อมการตรวจสอบความยินยอม แนบลายน้ำ SynthID และข้อมูลรับรอง C2PA มาด้วย และขีดจำกัด 200 เสียงกำหนดเองแบบมีสถานะต่อโปรเจกต์ โดยเก็บรักษาไว้หนึ่งปีนับจากการใช้งานครั้งล่าสุด คำอธิบายที่เป็นลายลักษณ์อักษรครอบคลุมบทบาท สำเนียง และลักษณะเฉพาะของเสียง

เส้นทางของ OpenAI ที่เปิดให้ลูกค้า API ทุกรายเมื่อวันที่ 16 ตุลาคม 2026 คือการส่ง POST ไปยัง /v1/audio/voices ด้วย type: "prompt", ชื่อ, คำอธิบาย และ "model": "auto" การสร้างฟรี; การใช้เสียงจะคิดค่าบริการตามอัตราเซสชันปกติ ส่งคืนเฉพาะข้อมูลเมตาเท่านั้น — ไม่มีเสียง ไม่มีตัวอย่าง คุณลักษณะที่คุณกำหนดทิศทางได้ ได้แก่ สำเนียง อายุ การนำเสนอ ระดับเสียง ทิมเบร เนื้อสัมผัสเสียง ความดัง อัตราการพูด และความโดดเด่น ทั้งหมดแสดงเป็นภาษาธรรมชาติโดยไม่มีพารามิเตอร์ตัวเลข

ความแตกต่างสองประการเป็นตัวกำหนดว่าคุณจะใช้ตัวไหนได้จริง:

• เสียงที่สร้างจากพรอมต์บน G​PT-Live ทำงานได้เฉพาะกับ G​PT-Live เท่านั้น เสียงเหล่านี้เข้ากันไม่ได้อย่างชัดเจนกับ API Text to Speech, Realtime และ Chat Completions ในทางกลับกัน เสียงแบบกำหนดเองของ G​oogle เป็นเสียงสำหรับเอนจินเรนเดอร์ ซึ่งเป็นสิ่งที่ทำให้สามารถนำกลับมาใช้ซ้ำได้ทั่วทั้งแค็ตตาล็อก

• เพดานระดับองค์กรฝั่ง OpenAI อยู่ที่ 100 เสียงที่สร้างจากพรอมต์ และยังใช้กับเสียงที่สร้างในนามลูกค้าของคุณด้วย เพดานของ Google อยู่ที่ 200 ต่อโปรเจกต์ หากคุณเป็นแพลตฟอร์มที่สร้างเสียงให้ลูกค้าหนึ่งเสียงต่อหนึ่งราย ตัวเลขทั้งสองนี้คือขีดจำกัดผลิตภัณฑ์ที่แท้จริงของคุณ ไม่ใช่เชิงอรรถ

ยังมีความแตกต่างในสิ่งที่คุณได้รับกลับมาด้วย เสียงจาก G​oogle มาพร้อมกับ SynthID และข้อมูลแหล่งที่มา C2PA ที่แนบมาด้วย ส่วนเสียงที่สร้างจากพรอมต์ของ O​penAI จะมาในรูปแบบของ ID เวลาที่สร้าง และข้อความพรอมต์ของคุณเอง — และเอกสารประกอบระบุตรง ๆ ว่าเสียงที่สร้างขึ้นไม่รับประกันว่าจะไม่ซ้ำกัน เก็บคำอธิบายไว้ในระบบควบคุมเวอร์ชัน เพราะมันเป็นบันทึกเดียวของสิ่งที่คุณขอไป

จุดที่ส่วนต่างราคาไม่ใช่ 27 เท่าอีกต่อไป

การเปรียบเทียบต่อนาทีคือสิ่งที่ถูกยกมาอ้าง และมันเป็นสิ่งที่ทำให้เข้าใจผิด เพราะมาตรวัดของ G​PT-Live-1 ไม่ได้วัดทรัพยากรชนิดเดียวกัน มีสามสิ่งที่ทำให้อัตราส่วนที่แท้จริงเปลี่ยนไป:

• เวลาที่ไม่ได้ใช้งานก็คิดค่าบริการ เซสชันเสียงจะคิดค่าบริการเป็นรายวินาทีตลอดระยะเวลาที่เปิดอยู่ รวมถึงขณะที่โมเดลแบ็กเอนด์กำลังทำงานและขณะที่ผู้ใช้เงียบ มิเตอร์ของ Google จะนับต่อเมื่อมีการสร้างเสียงเท่านั้น การโทรขอความช่วยเหลือที่ผู้ใช้พูดสี่นาทีและแบ็กเอนด์ของคุณใช้เวลาคิดสองนาที จะเป็นหกนาทีที่คิดค่าบริการบน Live และน้อยกว่าบน renderer — ก่อนที่คุณจะนับส่วนของ ASR และโมเดลภาษาที่ renderer ยังต้องใช้อีก

• ความยาวของเอาต์พุตนั้นควบคุมได้เพียงด้านเดียว งานเรนเดอร์เป็นปริมาณที่รู้ล่วงหน้า คุณสามารถตั้งราคาบทความ 900 คำได้ก่อนที่จะสร้างมันขึ้นมา และอัตราแบบ Batch ก็ลดลงครึ่งหนึ่งอีกด้วย แต่บทสนทนาไม่เป็นเช่นนั้น

• แบ็กเอนด์เป็นค่าใช้จ่ายแยกต่างหาก การให้เหตุผลแบบมอบหมายและการใช้เครื่องมือบน GPT-Live-1 จะถูกคิดในอัตราโมเดลปกติเพิ่มจาก $0.05 ต่อนาที และคำแนะนำด้านต้นทุนของ OpenAI เองก็วางกรอบว่าคันโยกคือการทำให้ผู้ใช้จบเร็วขึ้น — ตัวอย่างเช่น การรันแบ็กเอนด์ที่เร็วกว่าพร้อมการเรียกใช้เครื่องมือแบบขนาน เพื่อให้บทสนทนาจบเร็วขึ้นหนึ่งนาที ประหยัด $0.05 อัตราค่าเสียงคงที่ ส่วนความยาวของเซสชันคือตัวปรับ

ประเด็นสุดท้ายนั้นคือจุดที่เลเยอร์การกำหนดเส้นทางเลิกเป็นเพียงสิ่งที่ "มีก็ดี" การมอบหมายงานฝั่งไคลเอนต์ช่วยให้คุณชี้เซสชัน GPT-Live ไปยังเอเจนต์หรือบริการของคุณเอง ซึ่งหมายความว่าแบ็กเอนด์ที่ได้รับมอบหมายสามารถเป็นโมเดลใดก็ได้ — และความหมายที่มีประโยชน์ของ "โมเดลใดก็ได้" คือเอนด์พอยต์เดียวและคีย์เดียว แทนที่จะเป็นสัญญาต่อผู้ให้บริการแต่ละราย. OrcaRouter ให้บริการโมเดลมากกว่า 200 รุ่นในราคาตามรายการของผู้ให้บริการโดยไม่บวกกำไร, ดังนั้นเมื่อผู้ขายลดราคาฝั่งแบ็กเอนด์ คุณจะได้รับในวันที่ประกาศ และการสลับสำรองอัตโนมัติจะครอบคลุมกรณีผู้ให้บริการล่มโดยที่ผู้เรียกไม่รู้ตัว หากคุณกำลังสร้างเส้นทางที่ถูกมอบหมาย การเลือกแบ็กเอนด์คือจุดที่ต้นทุนจริงของคุณอยู่; ค่าใช้จ่าย $0.05 ต่อนาทีเป็นค่าคงที่

เพื่อให้ชัดเจนเกี่ยวกับขอบเขต: OrcaRouter ไม่ได้โฮสต์ G​PT-Live-1 หรือโมเดล G​emini 3.8 TTS สิ่งที่มันส่งต่อคือฝั่งการให้เหตุผลของเซสชัน Live ที่ได้รับมอบหมาย

ควรเลือกอันไหนดี

หากคุณกำลังเรนเดอร์ — บทความ เอกสาร การบรรยายวิดีโอ พรอมต์ IVR ที่เขียนไว้ล่วงหน้า — Gemini 3.8 Flash TTS คือเครื่องมือที่ถูกต้อง และ G​PT-Live-1 แพงเกินไปประมาณ 27 เท่าต่อหนึ่งนาทีเสียง และโดยโครงสร้างแล้วไม่สามารถทำงานแบบแบตช์ได้ เลือก Flash-Lite หาก 101 ภาษาครอบคลุมความต้องการของคุณ เลือกอัตรา Batch หรือ Flex หากความหน่วงไม่ใช่ข้อจำกัด และจำลองการขึ้นราคาเป็นสองเท่าในเดือนมกราคม 2027 ตั้งแต่ต้น เพราะ G​oogle เผยแพร่ไว้ในตารางเดียวกันแทนที่จะซ่อนไว้

ถ้าคุณกำลังสนทนากันอยู่ การเปรียบเทียบ TTS ถือเป็นข้อผิดพลาดเชิงหมวดหมู่ และคำถามที่ตรงไปตรงมาคืออีกเรื่องหนึ่ง: แบ็กเอนด์ที่ได้รับมอบหมายให้ทำงานให้คำตอบได้เร็วพอที่เซสชันจะสั้นลงหรือไม่ นั่นคือตัวเลขที่ตัดสินบิลของคุณ และเป็นตัวเลขที่ไม่มีใครใส่ไว้ในสไลด์เปิดตัว

และหากคุณเพียงแค่พยายามหาว่า "G​emini 3.8 TTS" มีค่าใช้จ่ายเท่าไร — คำตอบคือ $9.00 ต่อล้านโทเค็นเสียง สำหรับหนึ่งในสองโมเดลที่ชื่อนี้หมายถึง จนถึงสิ้นปี 2026

ไม่มีสิ่งใดในนั้นที่เป็นเพียงข้อสันนิษฐาน: ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งได้รับการบันทึกไว้ ที่อยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง