Grok Voice 3.0 đối đầu Gemini 3.8 Live: Google bán hai mô hình giọng nói và chỉ một trong số đó góp mặt trong cuộc chiến này

Câu trả lời của Google dành cho Grok Voice 3.0 tốn 0,84 USD một giờ. Đó là con số chi phí mỗi giờ âm thanh đầu vào của Artificial Analysis cho Gemini 3.8 Live ở cấu hình tiêu chuẩn, và nó rẻ hơn 5,7 lần so với mức 4,80 USD một giờ mà Grok Voice 3.0 thu. Đây cũng là mô hình sai để đem ra so sánh. Gemini 3.8 Live thực sự đấu ngang tài với flagship mới của SpaceXAI — bản đang giữ 82,6 trên Speech to Speech Index so với 86,9 của Grok — là biến thể Extended Thinking, và nó tốn 3,50 USD một giờ. Khoảng cách thực sự giữa hai mô hình này là 1,37×, không phải 5,7×, và chọn nhầm dòng trên bảng giá là sai lầm tốn kém nhất có thể mắc phải trong cuộc đối đầu này.

Đây là lần đầu tiên danh mục này có một đường biên giá cả - chất lượng thực sự, thay vì chỉ có một sản phẩm dẫn đầu và một lựa chọn thay thế rẻ hơn. Grok Voice 3.0 ra mắt ngày 14 tháng 10 năm 2026 với mức 0,08 USD mỗi phút, cùng mức giá như Grok Voice 2.0, đạt 86,9 trên chỉ số và có thời gian đến âm thanh đầu tiên dưới một giây. Gemini 3.8 Live ra mắt ngày 15 tháng 9 năm 2026 với hai cấu hình hoạt động như hai sản phẩm khác nhau, một cấu hình dẫn đầu về chi phí và một cấu hình là hệ thống suy luận mà lại biết nói.

Hai mô hình Google không phải là các bậc của nhau.

Cách định khung của chính Google phân biệt chúng theo công việc thay vì theo kích thước. Mô hình tiêu chuẩn được mô tả là được xây dựng để mở rộng quy mô và hiệu quả chi phí, với hội thoại trôi chảy và khả năng gắn kết thị giác. Biến thể Extended Thinking được mô tả là được xây dựng cho các tác vụ có độ phức tạp cao với suy luận nhiều bước, tự tường thuật tiến trình của mình thành tiếng trong khi làm việc.

Khoảng cách đo được giữa chúng không phải là một thang độ chất lượng. Đó là một sự đứt gãy về phạm trù:

• Hoàn thành tác vụ agentic, τ-Voice — Gemini 3.8 Live Extended Thinking 68,6% so với Gemini 3.8 Live 30,1%. Cùng nhà cung cấp, cùng bản phát hành, cùng họ nền tảng, chênh lệch 38,5 điểm.

• Chỉ số Speech to Speech — 82,6 cho Extended Thinking ở mức nỗ lực suy luận Cao so với 76,0 của mô hình tiêu chuẩn.

• Chi phí mỗi giờ âm thanh đầu vào — 3,50 USD so với 0,84 USD.

• Thời gian đến âm thanh đầu tiên — 1,35 giây đối với Extended Thinking so với 1,18 giây đối với mô hình tiêu chuẩn, cả hai đều được đo bởi Artificial Analysis.

Vậy nên khi một tài liệu mua sắm hỏi liệu Gemini 3.8 Live có rẻ hơn Grok Voice 3.0 hay không, thì không có một câu trả lời duy nhất. So với mô hình tiêu chuẩn, xAI có giá gần gấp sáu lần và cao hơn 10,9 điểm chỉ số. So với Extended Thinking, xAI đắt hơn 37% về âm thanh và dẫn trước 4,3 điểm. Đó là những quyết định khác nhau cùng khoác một cái tên mô hình.

Đối đầu trực tiếp, với Gemini phù hợp

Tạm gác biến thể tiêu chuẩn sang một bên và so sánh hai mô hình thực sự đang cạnh tranh cho vị trí đầu bảng. Mọi số liệu dưới đây đều do Artificial Analysis tự kiểm thử từ ngày 13 tháng 10 năm 2026 đối với Grok Voice 3.0 và từ bảng xếp hạng tháng 9 đối với Gemini 3.8 Live Extended Thinking ở mức High effort.

• Chỉ số Speech to Speech — Grok Voice 3.0 86,9 so với Gemini 3.8 Live Extended Thinking 82,6. Khoảng cách 4,3 điểm là có thật nhưng không mang tính quyết định.

• Hiệu năng agentic, τ-Voice — Grok Voice 3.0 71,6% so với Gemini 3.8 Live Extended Thinking 68,6%. Chênh lệch ba điểm, và là mức gần nhất với một kết quả hòa trên bảng xếp hạng.

• Suy luận giọng nói Big Bench Audio — Grok Voice 3.0 đạt 98,5% so với 97,7% được Google báo cáo. Cả hai thực tế đều đã chạm trần; khía cạnh này đã không còn giúp phân biệt nữa.

• Ưu thế tại Speech Agent Arena — Grok Voice 3.0 đạt Elo 1070, mức cao nhất trên bảng xếp hạng. Mô hình của Google không giữ được vị thế tại đấu trường này.

• Giá mỗi phút âm thanh — Grok Voice 3.0 $0.08 cho cả đầu vào và đầu ra; Gemini 3.8 Live $0.005 mỗi phút âm thanh đầu vào và $0.018 mỗi phút âm thanh đầu ra.

• Thời gian đến âm thanh đầu tiên — Grok Voice 3.0 0,81 giây; Gemini 3.8 Live Extended Thinking 1,35 giây và mô hình tiêu chuẩn 1,18 giây theo đo lường của Artificial Analysis. Tài liệu của chính Google không công bố số liệu về độ trễ.

• Chi phí cho mỗi tác vụ hoàn thành, Big Bench Audio — Grok Voice 3.0 0,025 USD mỗi tác vụ. Không biến thể nào của Google có số liệu được công bố.

• Tính khả dụng — Grok Voice 3.0 đã có giá và chính thức hoạt động, kèm thông báo ngừng hỗ trợ đối với phiên bản tiền nhiệm; Gemini 3.8 Live là bản xem trước, không có ngày khả dụng chung, không có số liệu thời gian hoạt động được công bố và không có mức giá nào mà Google cam kết duy trì.

• Phạm vi ngôn ngữ — Gemini 3.8 Live chuyển đổi giữa 97 ngôn ngữ được hỗ trợ ngay trong cuộc trò chuyện; gói chuyển giọng nói thành văn bản của xAI ghi nhận hơn 38 ngôn ngữ.

• Đầu vào hình ảnh — Gemini 3.8 Live xử lý đầu vào hình ảnh gần thời gian thực; Grok Voice 3.0 không có nền tảng thị giác tương đương.

Khía cạnh duy nhất mà ở đó sự im lặng của Google lại chính là câu chuyện

Hãy lưu ý sự bất đối xứng trong danh sách đó. Grok Voice 3.0 bắt đầu nói trong 0,81 giây. Gemini 3.8 Live Extended Thinking bắt đầu trong 1,35 giây và mô hình tiêu chuẩn trong 1,18 giây, cả hai đều theo đo lường của Artificial Analysis — điều này khiến Gemini không suy luận khởi đầu một lượt chậm hơn so với mô hình suy luận, một điều kỳ lạ gần như chắc chắn là hệ quả của việc biến thể suy luận tường thuật tiến trình của nó thành tiếng trong khi làm việc, chứ không phải của một lộ trình thực sự nhanh hơn.

Tài liệu ra mắt của chính Google không công bố con số độ trễ nào cho cả hai mô hình, chỉ có ngôn từ của đối tác về độ trễ ấn tượng. Điều đó quan trọng vì thời gian tới âm thanh đầu tiên là khía cạnh mà sản phẩm thoại thành công hay thất bại trong mắt những người đang dùng chúng, và đó là khía cạnh Google đã chọn không đưa ra con số. Nếu sản phẩm của bạn là dịch vụ điện thoại, nơi 0,81 giây là sự khác biệt giữa một cuộc trò chuyện và một sự chậm trễ, thì đo lường của đối thủ cạnh tranh về nhà cung cấp của bạn không giống với cam kết của nhà cung cấp. Hãy kiểm thử trước khi cam kết, và theo dõi thông báo phát hành chính thức để xem liệu có con số nào xuất hiện cùng với nó không.

Khả năng neo bám thị giác lại có lợi theo hướng ngược lại và rõ ràng thuộc về Google. Một mô hình có thể xử lý video gần thời gian thực có thể giải quyết được những điều mà âm thanh không thể: “this” đang ám chỉ điều gì, liệu người đang hỏi có đang nhìn vào thứ họ đang hỏi hay không, liệu tiếng ồn trên đường truyền có phải là một cỗ máy có thể nhìn thấy hay không. Grok Voice 3.0 là một mô hình âm thanh có công cụ. Đó là một ranh giới năng lực thực sự, không phải một khác biệt về cấu hình, và không mức điểm chỉ số nào có thể xóa nhòa được nó.

Sự khác biệt về giá thực sự mang lại điều gì

Hãy làm phép tính với một khối lượng công việc thực tế. Mười nghìn phút thoại mỗi ngày, ba mươi ngày mỗi tháng, ba trăm nghìn phút.

• Grok Voice 3.0 — $0,08 mỗi phút, tức là $24.000 một tháng.

• Gemini 3.8 Live Extended Thinking — có giá từ $3.50 mỗi giờ âm thanh đầu vào, khoảng $17,500 một tháng cho cùng khối lượng, với bảng giá công khai tính phí riêng cho đầu vào và đầu ra.

• Gemini 3.8 Live standard — khoảng 4.200 USD một tháng, cho một mô hình hoàn thành 30,1% các tình huống τ-Voice.

Hàng ở giữa đó là toàn bộ quyết định. Với mức rẻ hơn khoảng 6.500 USD một tháng so với mô hình chủ lực của xAI, Google bán một mô hình kém nó 4,3 điểm chỉ số ở trạng thái xem trước — đủ gần để bất kỳ nhóm nào có agent đang làm công việc nhiều bước thực sự nên chạy cả hai đối chiếu với bản ghi của chính họ thay vì đọc bảng xếp hạng. Hàng dưới là một cái bẫy trừ khi giao diện thoại của bạn mang tính hội thoại và việc hoàn thành tác vụ diễn ra ở nơi khác trong stack, mà với một phần lớn sản phẩm thoại đã triển khai thì đúng là như vậy.

Có thêm một chỉ số nữa đáng đưa vào bảng tính đó, vì nó phần nào đảo ngược bức tranh. Phép đo theo từng tác vụ của Artificial Analysis trên Big Bench Audio đặt Grok Voice 3.0 ở mức $0.025 để hoàn thành một tác vụ, so với $0.030 của GPT Live 1 trong cấu hình Astra medium. Chi phí cho mỗi tác vụ hoàn thành, không phải chi phí mỗi giờ, mới là con số trụ được khi tiếp xúc với một cuộc họp ngân sách — một mô hình rẻ hơn mà cần thử lại lần hai thì không hề rẻ hơn. Cả hai nhà cung cấp đều không công bố con số đó cho cặp Gemini, đây lại là một khoảng trống khác khi lựa chọn rẻ hơn chưa được đo trên trục quan trọng.

Khi nào bộ định tuyến hữu ích và khi nào không

Hãy chính xác về điều này, vì câu trả lời theo phản xạ là sai. OrcaRouter không phục vụ endpoint thời gian thực nào trong hai endpoint đó. Grok Voice 3.0 đến từ API riêng của xAI và Gemini 3.8 Live từ API của Google, và không router nào có thể xen vào một WebSocket âm thanh song công thuộc về một nhà cung cấp. Nếu ai đó nói với bạn rằng nền tảng của họ cho phép bạn chuyển đổi dự phòng giữa hai dịch vụ này ngay giữa cuộc gọi, thì họ đang mô tả một thứ không hề tồn tại.

Thứ có thể định tuyến được chính là mọi thứ xoay quanh chúng. Một triển khai thoại là một mô hình thoại cộng với một ngăn xếp văn bản — bộ phân loại gán mã xử lý sau cuộc gọi, bộ tóm tắt viết ghi chú CRM, phần truy xuất trả lời câu hỏi mà mô hình thoại phải chuyển giao, mô hình đọc bản ghi để kiểm tra tuân thủ. Lớp đó là suy luận tính phí theo yêu cầu thông thường, đó là nơi một phần đáng kể chi phí mỗi cuộc gọi tích tụ, và đó là lớp chúng tôi vận hành: hơn 200 mô hình ngôn ngữ phía sau một khóa duy nhất, ở mức giá niêm yết của nhà cung cấp, không cộng thêm đồng nào, tự động chuyển đổi dự phòng khi một nhà cung cấp gặp sự cố suy giảm, và một DSL định tuyến cho phép bạn kết hợp nhiều mô hình vào một lời gọi thay vì chọn sẵn một mô hình từ trước. Vì giá niêm yết được chuyển nguyên vẹn, nếu nhà cung cấp giảm giá bất kỳ mô hình nào trong số đó thì bên chúng tôi sẽ áp dụng ngay trong cùng ngày. Phút âm thanh mà bạn trả tiền cho Google hay xAI vẫn là phút đó dù theo cách nào; phần suy luận đằng sau nó mới là phần bạn được chọn.

Quy tắc quyết định

Ba câu trả lời, và chúng bắt nguồn từ các thành phần chứ không phải từ chỉ mục.

Chọn Grok Voice 3.0 nếu khối lượng công việc của bạn mang tính tác tử, nhạy cảm với độ trễ và sẽ được đưa vào vận hành thực tế trong quý này. Nó dẫn đầu ở chỉ số tổng hợp, dẫn đầu ở đấu trường, giữ thời gian từ lúc bắt đầu đến lúc nói được công bố nhanh nhất trong số các mô hình tiên phong, đồng thời được định giá và hỗ trợ với một lộ trình ngừng hỗ trợ thay vì một thông báo bản xem trước.

Chọn Gemini 3.8 Live Extended Thinking nếu bạn cần khả năng liên kết với hình ảnh, nếu bạn cần 97 ngôn ngữ thay vì 38, hoặc nếu bạn đang chạy đủ số phút thoại đến mức chênh lệch $1.30 mỗi giờ quan trọng hơn 4.3 điểm chỉ số — và hãy chấp nhận rằng bạn đang xây dựng trên một bản xem trước không có cam kết thời gian hoạt động.

Chỉ chọn Gemini 3.8 Live tiêu chuẩn nếu bạn đã đo lưu lượng truy cập của riêng mình và xác nhận rằng phần nhiều bước trong các cuộc gọi của bạn đã được xử lý bên ngoài mô hình giọng nói. Trên giấy tờ, đây là lựa chọn rẻ nhất trong danh mục với khoảng cách lớn. Trên trục τ-Voice, nó thất bại khoảng bảy trong mười kịch bản, và không có gì trong chỉ số cho bạn biết điều đó cho đến khi bạn nhìn vào.

Điều gì sẽ thay đổi trang này: một ngày phát hành rộng rãi và một con số độ trễ từ Google, những thứ cùng nhau sẽ khiến lựa chọn rẻ hơn trở thành lựa chọn an toàn hơn; hoặc một động thái về giá từ xAI, đòn bẩy duy nhất mà đối thủ của nó không thể sánh bằng, xét việc mức giá flagship đã giữ nguyên suốt cả một thế hệ mô hình.

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