Gemini 3.8 Live so với Grok Voice Think Fast 2.0: Khoảng cách 0,3 điểm và hóa đơn gấp 3,2 lần

Cả Gemini 3.8 Live và Grok Voice Think Fast 2.0 đều suy luận trong lúc nói — hay đúng hơn, cả hai đều làm vậy ở cấu hình thực sự đang cạnh tranh cho vị trí dẫn đầu bảng xếp hạng, mà với Gemini 3.8 Live thì điều đó có nghĩa là biến thể Extended Thinking chứ không phải bậc tiêu chuẩn. Cả hai đều được nhà sản xuất của mình mô tả là đứng đầu Speech to Speech Index của Artificial Analysis. Chỉ một trong những tuyên bố đó hiện có thể đọc được trên bảng công khai, và khoảng cách giữa hai vị trí dẫn đầu là 0,3 điểm — chỉ nhỉnh hơn một chút so với mức chênh lệch ngăn cách các mô hình liền kề ở nơi khác trên cùng biểu đồ, mà đó chỉ là một cách nói khác rằng đây không phải là sự khác biệt thực sự.

Sự khác biệt về chi phí giữa chúng không phải là 0,3 điểm. Mà là hệ số 3,2.

Sự bất đối xứng đó chính là toàn bộ câu chuyện, và đó là điều cần hiểu trước khi đọc thông báo của bên nào trong hai nhà cung cấp.

Hai tuyên bố về vị trí đầu tiên

Khi xAI công bố Grok Voice Think Fast 2.0 vào cuối tháng 7 năm 2026, các số liệu được báo cáo đặt nó ở mức 82.9% trên Chỉ số Chất lượng Giọng nói sang Giọng nói của Artificial Analysis, vượt qua GPT-Realtime-2.1 ở mức 79.1% và Gemini 3.1 Flash ở mức 69.5%. Một số cơ quan truyền thông độc lập đã lặp lại cách diễn đạt đó và mô tả mô hình này là đứng đầu toàn cầu về giọng nói.

Trên bảng được ghi lại vào ngày 16 tháng 9 năm 2026, sau khi Google ra mắt, cùng một mô hình xuất hiện là Grok Voice Think Fast 2.0 High ở mức 81.3. Không phải 82.9. Và hàng đầu hiện nay là Gemini 3.8 Live Extended Thinking ở mức 82.6.

Toàn thể hội đồng quản trị, theo thứ tự:

• Gemini 3.8 Suy nghĩ mở rộng trực tiếp — 82.6

• GPT-Live-1 (backend Astra, mức nỗ lực trung bình) — 81.5

• Grok Voice Think Fast 2.0 High — 81,3

• GPT-Live-1 (backend Sol, nỗ lực thấp) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

Có hai bài học nằm trong danh sách đó, và không bài học nào nói về việc mô hình nào tốt hơn. Bài học đầu tiên là điểm chỉ số do nhà cung cấp báo cáo không bền vững: mức 82,9 của xAI đã không trụ được trên bảng công khai, nơi hiện hiển thị 81,3. Đây không phải là lời buộc tội gian dối — các chỉ số tổng hợp được điều chỉnh, cấu hình khác nhau, và một con số tháng 7 được đo so với mặt bằng tháng 7 thì không sai, chỉ là đã cũ. Nhưng điều đó có nghĩa là con số duy nhất bạn nên lấy làm căn cứ để lập kế hoạch là con số do chính bạn đọc được và có ghi ngày. Bài học thứ hai là 0,3 điểm phân cách vị trí thứ nhất với vị trí thứ ba ở đây không phải là một khác biệt chất lượng đáng kể. Bất kỳ ai chọn giữa hai mô hình này dựa vào giá trị của con số đó là đang lựa chọn dựa trên nhiễu.

Hãy đọc các thành phần, chứ không phải tổng thể hợp thành.

Các chỉ số tổng hợp che khuất các lập luận. Speech to Speech Index là trung bình có trọng số của suy luận giọng nói, hiệu suất agentic, mức độ ưa thích trên arena và tỷ lệ thành công tác vụ — và hai mô hình trong cặp đối đầu này không hề gần nhau ở hai trong bốn hạng mục đó.

Đây là chỗ tuyên bố của Google trở nên thực sự thú vị, bởi vì toàn bộ điểm nhấn của Grok chính là hiệu suất tác tử:

• Hiệu năng agentic (τ-Voice) — Google báo cáo 68.6% cho Gemini 3.8 Live Extended Thinking. xAI báo cáo 56.5% cho Grok Voice Think Fast 2.0, cao hơn khoảng 11 điểm so với 45.7% của GPT-Realtime-2.1 và cao hơn khoảng 19 điểm so với 37.7% của Gemini 3.1 Flash vào thời điểm đó. Nếu cả hai số liệu của nhà cung cấp đều đúng, Google đã chiếm lĩnh hạng mục mà xAI từng dẫn đầu với khoảng cách khoảng 12 điểm.

• Suy luận giọng nói (Big Bench Audio) — Google báo cáo 97,7% cho mô hình Extended Thinking. xAI báo cáo 97,2% cho Grok. Về cơ bản là ngang nhau.

• Tỷ lệ hoàn thành tác vụ trên các quy trình ngân hàng — Google báo cáo 35,1%trên benchmark τ-Voice-banking của Sierra. xAI chưa công bố con số có thể so sánh trực tiếp.

• Động lực hội thoại (Full Duplex Bench) — Grok báo cáo 95,1%, thấp hơn một chút so với 95,7% của GPT-Realtime-2.1 và cao hơn đáng kể so với 74,3% của Gemini 3.1 Flash vào thời điểm đó. Google chưa công bố số liệu Full Duplex Bench nào cho Gemini 3.8 Live Extended Thinking.

Lưu ý về tính trung thực ở đây quan trọng hơn thường lệ. Các con số 68,6%, 35,1% và 97,7% là số liệu của chính Google, được công bố trên blog của Google, và chưa có ai ngoài Google tái lập được chúng. Các con số 56,5%, 97,2% và 95,1% dành cho Grok đến từ xAI hoặc từ Artificial Analysis và, trong trường hợp vị trí trên bảng xếp hạng, có thể được kiểm chứng công khai. Những số liệu duy nhất trong so sánh này có thể được đọc một cách độc lập là hai điểm chỉ số: 82,6 và 81,3. Mọi thứ còn lại là lời khẳng định đối chọi với lời khẳng định, và những lời khẳng định ấy được đưa ra bởi các bên có lợi ích trong kết quả.

Điều có thể nói một cách chắc chắn: Google đang tuyên bố dẫn trước rất xa ở đúng khía cạnh cụ thể mà xAI dùng để biện minh cho việc tăng giá. Nếu tuyên bố đó đứng vững trước kiểm nghiệm độc lập, cuộc so tài này ngã ngũ về năng lực. Nếu không, khoảng cách chỉ số 0,3 điểm chính là toàn bộ khác biệt và chênh lệch giá trở nên không thể biện minh.

Dự luật: 1,50 đô la so với 4,80 đô la mỗi giờ

Chi phí là phần trong so sánh này không phụ thuộc vào phương pháp đánh giá chuẩn của bất kỳ ai, vì đó là một mức giá đã được công bố.

Grok Voice Think Fast 2.0 có mức giá0,08 USD mỗi phút âm thanh, tương đương khoảng 4,80 USD mỗi giờ. Đó là mức tăng 60% so với 3,00 USD mỗi giờ của Think Fast 1.0, và người dùng dùng bí danh grok-voice-latest đã được tự động chuyển đổi vào ngày 5 tháng 8 năm 2026 — các nhà phát triển muốn tiếp tục dùng mô hình cũ phải ghim ID có phiên bản trước ngày đó hoặc chấp nhận thay đổi.

Gemini 3.8 Live đã được công bố với mức $0.005 mỗi phút âm thanh đầu vào và $0.018 mỗi phút âm thanh đầu ra. Biểu đồ chi phí mỗi giờ âm thanh đầu vào của Artificial Analysis xếp nó ở mức $1.50 một giờ — rẻ hơn chính xác 3,2 lần so với mức $4.80 của Grok. Để dễ hình dung, cùng biểu đồ đó cho thấy GPT-Realtime-2 High ở mức $4.14, Qwen Audio 3.0 Realtime Plus ở mức $4.42, và GPT-Realtime-2.1 High ở mức $10.75.

Hình dạng của thị trường trong danh sách đó đáng để dành một câu. Mục rẻ nhất trên bảng là một Gemini — Gemini 3.1 Flash Live với 1,42 USD mỗi giờ — và mục rẻ thứ hai là Gemini 3.8 Live với 1,50 USD. Google đã định vị mô hình giọng nói mới nhất của mình là lựa chọn rẻ thứ hai trong danh mục, dưới mức giá của những mô hình mà nó cạnh tranh về chất lượng.

Hãy để ý điều đó có nghĩa gì với bất kỳ ai đã chuyển sang Grok vào tháng Tám. Giữa việc tăng giá và màn ra mắt của Google, cùng một khối lượng công việc đã đi từ 3,00 đô la một giờ lên 4,80 đô la một giờ ở một bên của cuộc so kè này và trở nên khả dụng ở mức 1,50 đô la một giờ ở bên kia. Không có gì về các mô hình thay đổi gây ra điều đó. Các quyết định định tuyến được đưa ra vào tháng Bảy giờ đang tốn hơn gấp đôi so với chi phí của phương án thay thế, đúng tình huống mà một bộ định tuyến tồn tại để tránh.

Nơi Grok vẫn dẫn đầu

Hai điều, và một trong số đó thì không hề gần.

Độ trễ. Grok Voice Think Fast 2.0 đã giảm thời gian đến âm thanh đầu tiên từ 1,25 giây xuống 0,70 giây, đây là con số được công bố nhanh nhất trong danh mục này. Google hoàn toàn không công bố con số độ trễ nào cho Gemini 3.8 Live — chỉ có những lời chứng thực từ đối tác mô tả "độ trễ ấn tượng". Trong một cuộc gọi điện thoại, 0,70 giây là sự khác biệt giữa một cuộc trò chuyện và một sự chậm trễ, và đây là khía cạnh duy nhất mà tuyên bố của xAI vừa cụ thể vừa không bị thách thức. Nếu sản phẩm của bạn là dịch vụ điện thoại, điều này có thể quan trọng hơn tất cả những điều trên.

Độ mạnh mẽ của phiên âm. xAI đã đánh giá tỷ lệ lỗi từ trên hàng nghìn cụm từ ngắn bằng 24 ngôn ngữ và báo cáo mức lỗi thấp hơn 1,5–2,0× so với các mô hình STT chuyên dụng bao gồm Deepgram Nova 3 và ElevenLabs Scribe v2, thấp hơn 1,4× so với Think Fast 1.0, và lỗi thấp hơn khoảng 10× trong các môi trường nhiễu có tiếng ồn nền và nén thoại. Đây là những số liệu do nhà cung cấp báo cáo và chưa được xác minh độc lập, và tuyên bố về môi trường nhiễu là tuyên bố cần được kiểm chứng trước tiên, vì đây là tuyên bố cụ thể nhất và dễ bị bác bỏ nhất.

Grok cũng có những tiện ích thiết thực dành cho nhà phát triển đáng chú ý: một API WebSocket tương thích với OpenAI Realtime, PCM16 ở 24 kHz với μ-law cho viễn thông, phát hiện hoạt động giọng nói phía máy chủ, token tạm thời cho ứng dụng trình duyệt, nhân bản giọng nói tùy chỉnh từ khoảng một phút giọng nói, và lượng token suy luận khoảng 0,4× so với phiên bản trước.

Nơi Gemini 3.8 Live Extended Thinking dẫn đầu

Ngoài vị trí trong chỉ mục và khoảng cách agentic được tuyên bố, những yếu tố tạo nên sự khác biệt mang tính cấu trúc:

• Thị giác — Gemini 3.8 Live xử lý đầu vào thị giác gần như theo thời gian thực. Grok Voice Think Fast 2.0 không có năng lực neo bám thị giác tương đương.

• Phạm vi ngôn ngữ — 97 ngôn ngữ được hỗ trợ với khả năng chuyển đổi tự động ngay giữa cuộc trò chuyện, so với hơn 25 ngôn ngữ của Grok.

• Lý luận có tường thuật — biến thể Extended Thinking vừa làm vừa nói, sử dụng những tín hiệu như "Để tôi kiểm tra nhé…" và tường thuật tiến độ trực tiếp, một hành vi dễ theo dõi hơn đối với người dùng đang chờ đợi một tác vụ gồm nhiều bước.

• Gắn watermark — mọi âm thanh được tạo ra đều mang SynthID.

• Chi phí — rẻ hơn 3,2 lần mỗi giờ âm thanh đầu vào.

Các đối trọng này là có thật. Google chưa công bố con số độ trễ nào, chưa công bố cửa sổ ngữ cảnh nào, và không có số liệu theo từng thành phần nào mà bất kỳ ai bên ngoài công ty đã tái tạo được. Tính sẵn có của nó là bản xem trước, không phải khả dụng chung: các nhà phát triển có nó trong Gemini API và Google AI Studio, các doanh nghiệp có nó trong bản xem trước riêng tư ở Gemini Enterprise, và người tiêu dùng thông qua Gemini Live, Docs Live, Gmail Live và Keep Live. Mô hình của Grok đã khả dụng chung ngay hôm nay và API của nó đã có tài liệu.

Lớp mà cả hai đều nằm trên

Một điểm tương đồng về cấu trúc rất dễ bị bỏ sót và quan trọng hơn cả hai bảng thông số kỹ thuật. Cả hai mô hình đều giao việc cho thành phần khác. Suy luận song song của Grok gần như luôn kết thúc bằng một lệnh gọi công cụ hoặc một thao tác tra cứu, còn việc thực thi công cụ chạy nền của Google được thiết kế rõ ràng để cuộc hội thoại tiếp tục trong khi các lệnh gọi API hoàn tất. Bên dưới cả hai giao diện thoại phía trước là một khối lượng công việc của mô hình văn bản thông thường — và đó chính là nơi chiếm phần lớn tổng chi phí trọn gói của bạn cùng gần như toàn bộ tính linh hoạt khi chuyển đổi của bạn.

OrcaRouter chạy 190 mô hình phía sau một khóa duy nhất, đúng theo giá niêm yết của nhà cung cấp, không cộng thêm đồng nào, nghĩa là việc nhà cung cấp giảm giá sẽ có hiệu lực ngay phía chúng tôi trong cùng ngày chứ không phải đợi đến kỳ gia hạn tiếp theo. Đó không phải là chuyện nhỏ trong một hạng mục mà chỉ trong vài tuần, một mô hình lớn đã tăng mức giá theo phút lên 60%. Thuộc tính quan trọng khác đối với thoại là chuyển đổi dự phòng tự động: một cuộc gọi đứt vì backend hết thời gian chờ chính là một khách hàng bị mất, và khả năng hoán đổi mục tiêu ủy quyền trên lưu lượng đang chạy trực tiếp mà không cần viết lại tích hợp thoại chính là điều khiến lựa chọn giao diện phía trước có thể đảo ngược. Nói chính xác về phạm vi — các endpoint Grok Voice Think Fast 2.0 và Gemini 3.8 Live không nằm trên router của chúng tôi; chúng đến từ API riêng của các nhà cung cấp. Còn các mô hình văn bản mà chúng ủy quyền cho thì nhìn chung là có.

Điều gì sẽ giải quyết được nó?

Cuộc so tài này dễ phân định một cách bất thường, vì bằng chứng quyết định thì cụ thể và vẫn đang chờ. Ba điều sẽ giải quyết được:

• τ-Voice độc lập chạy trên Gemini 3.8 Live Extended Thinking. Google tuyên bố đạt 68,6% so với 56,5% của Grok. Đó là mức chênh lệch 12 điểm trong một hạng mục mà Google xưa nay chưa từng dẫn đầu, và đây chính là con số đơn lẻ làm thay đổi phán quyết nhiều nhất.

• Một con số độ trễ được công bố.Cho đến khi Google công bố một con số như vậy, 0,70 giây của Grok vẫn không có đối thủ, và người mua giải pháp thoại chỉ có một lựa chọn có thể biện minh được.

• Tính khả dụng chung (GA) và mức giá ổn định.Giá ở giai đoạn preview sẽ thay đổi. Mức giá 1,50 USD mỗi giờ mà tăng gấp đôi khi đạt GA sẽ viết lại hoàn toàn bảng so sánh này.

Cho đến khi những điều đó thành hiện thực, lập trường có thể bảo vệ được còn hẹp hơn so với điều mà cả hai thông báo ngụ ý. Grok Voice Think Fast 2.0 vẫn là lựa chọn đúng khi độ trễ là ràng buộc và khối lượng công việc mang đặc thù điện thoại. Gemini 3.8 Live Extended Thinking là lựa chọn đúng khi độ sâu suy luận, thị giác hoặc độ rộng ngôn ngữ quan trọng và bạn có thể chấp nhận trạng thái xem trước cùng độ trễ chưa được công bố. Và 0.3 điểm giữa chúng không nên quyết định điều gì — 3.2× mới nên.