GPT-Live-1.1 vs Gemini 3.8 Live: Sáu ngôn ngữ mới so với chín mươi bảy, và vì sao khoảng cách đó không phải là toàn bộ câu chuyện

Đếm số ngôn ngữ thì cuộc chiến có vẻ đã ngã ngũ trước cả khi bắt đầu. Gemini 3.8 Live, được Google DeepMind công bố vào ngày 15 tháng 9 năm 2026, đã hỗ trợ 97 ngôn ngữ với khả năng tự động chuyển đổi ngay giữa cuộc trò chuyện kể từ khi ra mắt. GPT-Live-1.1, do OpenAI tung ra vào ngày 15 tháng 10 năm 2026, bổ sung mười ba tùy chọn giọng nói mới — hai giọng cho mỗi thứ tiếng Pháp, Đức, Hindi, Nhật, Hàn và Tây Ban Nha Mexico, cộng thêm một giọng tiếng Anh tên là Bubbie. Sáu ngôn ngữ mới so với chín mươi bảy là một tỷ lệ chẳng ai cần phải nghĩ ngợi.

Đây cũng là phép so sánh giữa một tuần làm việc và một năm độ phủ, nên con số kết thúc cuộc tranh luận không phải là con số nên quyết định nó. Hai bản phát hành đo những thứ khác nhau: con số của Google mô tả phiên có thể chứa được bao nhiêu phần của thế giới, còn con số của OpenAI mô tả những giọng nào trước đây nghe sai rõ rệt và giờ thì không còn sai nữa. Với người mua, câu hỏi hữu ích không phải là con số nào lớn hơn. Mà là cái nào trong hai cái bạn thực sự có thể gọi, và điều gì xảy ra với phần còn lại trong stack của bạn khi bạn gọi nó.

Tính khả dụng là điểm mà sự so sánh đổ vỡ

Hãy bắt đầu từ đó, vì đó chính là điểm mà hai mô hình này không còn là những phương án thay thế cho nhau nữa.

GPT-Live-1.1 là một đợt ra mắt dành cho người tiêu dùng. Nó xuất hiện trong ChatGPT Voice vào ngày 15 tháng 10 năm 2026, cùng với một mô hình thứ hai, GPT-Live-1.1 Quip, kế nhiệm GPT-Live-1 mini và trở thành mặc định cho các tài khoản dưới gói Plus. Thông báo của OpenAI nói rõ rằng API là một sự kiện về sau — "sớm ra mắt trên API" — và tài liệu cũng đồng tình: trang models vẫn liệt kê gpt-live-1 và gpt-live-transcribe và không có gì mới hơn, và gpt-live-1.1 trả về lỗi 404 khi truy cập trang mô hình. Không có model ID, không có giới hạn tốc độ và không có giá cho GPT-Live-1.1 ở bất kỳ đâu mà nhà phát triển có thể tiếp cận.

Gemini 3.8 Live là trường hợp ngược lại. Đây là một mô hình API có mức phí được công bố — 0,005 USD mỗi phút âm thanh đầu vào và 0,018 USD mỗi phút âm thanh đầu ra — và nó đã có thể gọi được kể từ ngày được công bố, với biến thể Extended Thinking được phân phối qua Gemini Live, Docs, Gmail và Keep cho các thuê bao AI. Khả năng sẵn dùng cho doanh nghiệp của Google vẫn là bản xem trước riêng tư, không có cam kết về tính khả dụng chung; điều này tự nó đã là một hạn chế thực sự, nhưng đó là một kiểu hạn chế khác với việc hoàn toàn không có endpoint.

Vậy nên một trong hai là thứ bạn có thể mua, còn cái kia là thứ bạn có thể dùng. Sự bất đối xứng đó có sức nặng hơn bất kỳ benchmark nào ở bên dưới nó, và đó chính là điều mà hầu hết các so sánh trong tuần ra mắt của hai mô hình này bỏ qua.

Điều mà 97 trước 6 thực sự đo lường

Khoảng cách đó là thật. Nếu những người gọi đến bạn nói tiếng Ba Lan hoặc tiếng Thái, Gemini 3.8 Live là lựa chọn duy nhất trong hai có thể nhận cuộc gọi, và mọi thứ khác trong bài viết này đều không quan trọng.

Điều mà con số không đo lường được là chất lượng bên trong vùng chồng lấn, và vùng chồng lấn chính là nơi tập trung gần như toàn bộ nhu cầu.

• 97 mua được gì — độ phủ đuôi dài và khả năng đổi ngôn ngữ giữa câu mà không làm rớt phiên. Với một đường dây hỗ trợ trải khắp một tá thị trường châu Âu, chỉ riêng tính năng đó đã là cả sản phẩm.

• Sáu ngôn ngữ đem lại điều gì — chiều sâu ở những thị trường mà thế hệ trước nghe rõ là sai. Tuyên bố của OpenAI nói về độ tự nhiên của giọng chứ không phải khả năng hiểu, và sáu ngôn ngữ được chọn nằm trong số những thị trường giọng nói phi tiếng Anh lớn nhất chứ không phải một mẫu ngẫu nhiên. Ghi chú phát hành cũng mô tả một loạt cụm từ ngắn đa dạng hơn để báo hiệu rằng mô hình đang tìm kiếm, đó chính là thứ người dùng nghe thấy là "checking…".

• Điều mà cả hai con số đều không nói cho bạn biết — là bất kỳ thứ nào trong đó nghe như thế nào. Không có thang đo giọng điệu chuẩn mực nào công khai, có thể tái lập, và cũng không có điểm chất lượng giọng nói độc lập nào cho cả hai mô hình trong cả hai bộ ngôn ngữ. Cả hai con số đều là số lượng tùy chọn ngôn ngữ được nhà cung cấp hỗ trợ, và cả hai nhà cung cấp đều công bố chúng mà không kèm theo phương pháp nào.

Hệ quả thực tế là số lượng ngôn ngữ chỉ là một bộ lọc sàng lọc, chứ không phải là yếu tố quyết định. Nếu người gọi của bạn nói một trong bảy ngôn ngữ trên, thì con số đó không còn quan trọng và chất lượng giọng điệu trở thành bài kiểm tra nghe do chính bạn thực hiện. Nếu họ không nói, thì quyết định đã được đưa ra sẵn cho bạn.

Ban độc lập, và vấn đề biến thể

Ở những nơi tồn tại phép đo độc lập, phép đo đó tồn tại cho thế hệ trước ở phía OpenAI. Trên Artificial Analysis Speech to Speech Index, hãy đọc từ bảng xếp hạng như tại thời điểm ngày 16 tháng 10 năm 2026:

• Grok Voice 3.0 — 86.9

• GPT-Live-1 (backend Astra, nỗ lực trung bình) — 83.2

• Gemini 3.8 Suy nghĩ mở rộng trực tiếp (Cao) — 82.6

• Grok Voice 2.0 — 81.3

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

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 75.2

• Grok Voice 1.0 — 73.7

• GPT-Realtime-2 (High) — 73.6

• Gemini 3.1 Flash Live High — 72.0

Hai điều rút ra từ cách sắp xếp đó. Thứ nhất, mô hình được nhắc đến thứ hai trong tiêu đề bài viết này đứng thứ sáu, trong khi một biến thể của mô hình còn lại đứng thứ ba — con số 82.6 được trích dẫn thuộc về Gemini 3.8 Live Extended Thinking, một cấu hình khác với phạm vi triển khai hẹp hơn. Thứ hai, không có dòng GPT-Live-1.1 nào ở bất kỳ đâu trên bảng, nên mô hình kế nhiệm ở đây đang được đại diện bằng con số mà mô hình tiền nhiệm đạt được.

Đối chiếu với cấu hình tiêu chuẩn — 76,0 của Gemini 3.8 Live so với 83,2 của GPT-Live-1 — dòng OpenAI dẫn trước 7,2 điểm dựa trên bằng chứng của phiên bản tiền nhiệm. Đối chiếu với biến thể Extended Thinking, đó là khoảng cách 0,6 điểm theo hướng ngược lại, nằm trong mức biến động mà bạn kỳ vọng ở một bảng xếp hạng được chạy lại khi các mô hình được thêm vào. Cả hai cách đọc đều không phải là phép đo GPT-Live-1.1, và cần nói thẳng điều đó: bằng chứng của chính phiên bản kế nhiệm là một tuyên bố trong thẻ hệ thống rằng nó hoạt động ngang bằng với GPT-Live-1 trên các prompt sản xuất, mà đó là một khẳng định về việc không bị thoái hóa, chứ không phải một điểm số.

Nơi mà kiến trúc vẫn còn chia tách chúng

Sự khác biệt full-duplex vẫn chưa biến mất. Nó chỉ không còn mang tính quyết định nữa.

GPT-Live-1.1 kế thừa cấu trúc của GPT-Live-1: âm thanh vào và âm thanh ra được xử lý liên tục bên trong một mô hình, không có chuỗi chuyển giọng nói thành văn bản → mô hình ngôn ngữ → chuyển văn bản thành giọng nói, những tiếng đáp lời như "mhmm" được tạo ra một cách tự nhiên, và việc ngắt lời được xử lý bằng cách quyết định vài lần mỗi giây xem nên tiếp tục nói hay nhường lượt. Đó vẫn là điều mà các hệ thống theo lượt làm sai, và Gemini 3.8 Live vẫn hoạt động theo lượt.

Điều mà Gemini 3.8 Live làm thay vào đó là giữ cho phiên luôn hữu ích trong khi một lượt đang diễn ra: xử lý đầu vào hình ảnh gần thời gian thực, thực thi công cụ và API chạy nền để xác nhận yêu cầu và duy trì cuộc hội thoại trong khi lệnh gọi hoàn tất, cùng một biến thể Extended Thinking tường thuật tiến trình của nó thành tiếng. Câu trả lời của Google cho vấn đề im lặng là lấp đầy khoảng lặng bằng công việc thay vì loại bỏ ranh giới lượt. Cả hai cách tiếp cận đều giúp người gọi không cúp máy; chúng thất bại theo những cách khác nhau, và các mô hình dựa trên lượt vẫn có thể đánh giá sai một khoảng dừng.

Đầu vào hình ảnh là chi phí cụ thể của sự đánh đổi đó. Camera và chia sẻ màn hình đã là một phần trong bộ tính năng của Gemini 3.8 Live ngay từ khi ra mắt, và tài liệu của chính OpenAI cho dòng Live liệt kê đầu vào hình ảnh và video là không được hỗ trợ một cách rõ ràng — một hạn chế được kế thừa sang GPT-Live-1.1, vì các trang trợ giúp dành cho người dùng của phiên bản mới cũng nhắc lại rằng Live không hỗ trợ video hoặc chia sẻ màn hình. Nếu agent của bạn cần nhìn vào thứ gì đó, điều này quyết định cuộc so sánh trước cả bất kỳ benchmark nào.

So sánh chi phí, kèm theo dấu hoa thị

Theo mức giá front-end đã công bố, Google rẻ hơn một khoảng cách lớn. Gemini 3.8 Live tính $0.018 mỗi phút đầu ra âm thanh, so với $0.05 mỗi phút thoại của GPT-Live-1, và mức $0.05 đó là con số mỗi phút duy nhất mà OpenAI đã công bố cho dòng Live — nó thuộc về mô hình cũ hơn, và chưa có mức giá nào được công bố cho GPT-Live-1.1 vì không tồn tại endpoint nào để gắn một mức giá vào.

Dấu hoa thị nằm ở chỗ cả hai con số đều không phải là hóa đơn. Mức $0.05 của GPT-Live-1 chỉ bao gồm phần front-end thoại. Phần suy luận diễn ra trên một mô hình văn bản được giao phó, và tài liệu Live của OpenAI nói rõ rằng các lệnh gọi Responses ở backend được tính theo mức giá thông thường của mô hình đã cấu hình — vì vậy 5 xu một phút thời gian thoại trở thành 3 đô la một giờ thời gian thoại trước khi tính đến một token suy luận nào. Gemini 3.8 Live có cấu trúc y hệt: việc thực thi công cụ chạy nền là công việc của mô hình văn bản, được tính theo mức giá mô hình văn bản mà Google chưa công bố cho sản phẩm này.

Đó là lý do vì sao bất kỳ con số chi phí mỗi giờ nào bạn thấy cho một trong hai mô hình cũng là một con số không đầy đủ khoác bộ cánh của một con số tổng. Một giờ thời gian thoại GPT-Live-1 là $3.00 cho phần front-end, trước khi backend được tính phí dù chỉ một chút, và con số tổng cộng phụ thuộc hoàn toàn vào việc bạn giao cho mô hình nào cùng tần suất nó được gọi. Với Gemini 3.8 Live, phần front-end rẻ hơn mỗi phút còn backend thì không được tiết lộ. So sánh hai mức giá được nêu chỉ cho bạn biết về nửa rẻ hơn của mỗi hóa đơn.

Lớp mà cả hai người họ giao công việc cho.

Cả hai hệ thống đều ủy thác xử lý, và chính điều đó khiến cuộc so tài này ít mang tính quyết định khóa chặt hơn so với điều mà số lượng ngôn ngữ gợi ý. GPT-Live-1.1 theo thiết kế chuyển các truy vấn khó cho một mô hình văn bản backend; việc thực thi công cụ chạy nền của Gemini 3.8 Live được quy về các lệnh gọi mô hình thông thường. Trong cả hai trường hợp, lớp giọng nói chỉ là một giao diện mỏng bên trên một mô hình suy luận mà nhà cung cấp coi là được cấu hình riêng và tính phí riêng. Biến động chi phí nằm ở đó, khác biệt chất lượng giữa các cấu hình thể hiện ở đó, và việc chuyển đổi cũng rẻ ở đó vì nó không đụng đến tích hợp giọng nói.

Đó là nửa còn lại của một ngăn xếp thoại, nơi một router khẳng định được vị trí của mình, nên cần nói chính xác về ranh giới. Trên OrcaRouter, lớp suy luận là hơn 200 mô hình sau một key duy nhất, với giá niêm yết của nhà cung cấp và không thêm markup, nghĩa là một đợt giảm giá từ thượng nguồn sẽ đến phía chúng tôi ngay trong cùng ngày thay vì phải chờ đến kỳ gia hạn hợp đồng tiếp theo — một đặc tính quan trọng hơn mức thông thường trong cấu trúc tính phí hai đồng hồ đo, nơi backend chính là chiếc đồng hồ đo thay đổi. Routing DSL cho phép bạn chỉ định đích ủy quyền một cách tường minh và hoán đổi nó trên lưu lượng trực tiếp, còn failover tự động giữ phiên tồn tại khi một backend gặp lỗi hoặc timeout giữa cuộc gọi — một kiểu hỏng hóc mà thoại có còn văn bản thì không. Một điểm cần làm rõ, vì rất dễ khiến người ta hiểu sai: chúng tôi không tự host các endpoint thoại GPT-Live-1.1 hay Gemini 3.8 Live. Những endpoint đó đến từ chính nền tảng của các nhà cung cấp, và với GPT-Live-1.1 thì không có endpoint công khai nào để host cả. Các mô hình văn bản mà những hệ thống này giao việc cho nhìn chung đều nằm trên router.

Cách chọn

Chọn Gemini 3.8 Livenếu bạn cần triển khai ngay, nếu ngôn ngữ của bạn vượt ra ngoài bảy ngôn ngữ được nêu tên ở trên, hoặc nếu mô hình phải nhìn thấy một thứ gì đó. Hãy chấp nhận rằng bạn đang mua cấu hình tiêu chuẩn đạt 76,0 trên chỉ số tổng hợp, rằng con số 82,6 thường được trích dẫn thuộc về biến thể Extended Thinking, rằng quyền truy cập dành cho doanh nghiệp là bản xem trước riêng tư, và rằng chi phí trọn gói mỗi giờ cũng không được công bố ở phía bạn của hóa đơn.

Hãy chọn GPT-Live-1.1nếu chất lượng hội thoại chính là sản phẩm và ngôn ngữ của bạn nằm trong tập hợp mà nó hỗ trợ — và nếu bạn có thể chờ đợi. Khả năng luân phiên lượt nói song công toàn phần vẫn là thước đo chuẩn mực cho độ tự nhiên, việc nâng phiên bản là một cải tiến thực sự so với GPT-Live-1, và phần xử lý trọng âm nhắm chính xác vào những ngôn ngữ vốn tệ nhất trước đây. Đồng thời, hiện tại đây cũng không phải là thứ bạn có thể gọi từ code.

Hãy chọn GPT-Live-1 nếu bạn cần giọng nói từ OpenAI và cần nó trong tháng này, vì đó là thành viên duy nhất của dòng đó có ID mô hình, endpoint được tài liệu hóa và mức giá được công bố.

Ngày cần theo dõi là ngày mà gpt-live-1.1 có một trang mô hình. Đó là khi việc này không còn là so sánh giữa một sản phẩm đang được bán và một thông báo, và khi tuyên bố về giọng, số lượng ngôn ngữ và mức giá đều trở nên có thể kiểm chứng trong cùng một buổi chiều.

Những so sánh như thế này cũng là nơi các kiểu thất bại lộ diện: các sự cố AI và lỗi agent được ghi nhận đằng sau các mô hình thuộc lớp này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter, trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.