Một thẻ tiêu đề được tạo cho Realtime 1 so với Gemini 3.8 Live, đối chiếu Elo đấu trường 1074 và tỷ lệ thành công tác vụ 93,2% với điểm hoàn thành tác vụ agentic 30,1%, kèm logo OrcaRouter.
Guides & Insights

Realtime 1 so với Gemini 3.8 Live: Người chiến thắng tại Arena là bên không thể hoàn thành nhiệm vụ

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

G​emini 3.8 Live có Elo đấu trường tốt nhất trong số mọi mô hình giọng nói trên bảng speech-to-speech của Artificial Analysis — 1074, cao hơn 1037 của GPT-Live-1 và vượt xa 990 của Eleven Realtime Max. Nó cũng có tỷ lệ thành công tác vụ cao nhất trong nhóm so sánh đó, 93,2%. Và nó đạt 30,1% ở mức hoàn thành tác vụ agentic, con số yếu nhất trong bốn mô hình. Ba con số đó mô tả cùng một mô hình, và việc hiểu vì sao chúng cùng tồn tại chính là toàn bộ câu hỏi khi bạn đặt nó cạnh MAI Realtime 1, mô hình speech-to-speech mới của Microsoft được công bố ngày 17 tháng 11 năm 2026, vốn nhắm thẳng vào đúng thứ mà G​emini 3.8 Live yếu nhất.

Một trong hai mô hình này là một kẻ chuyên trò chuyện. Mô hình còn lại đang được chào bán như một cỗ máy vận hành. Cả hai đều chưa công bố đủ để chứng minh cái nào là cái nào trên khối lượng công việc của bạn, nhưng chúng thất bại theo hai hướng ngược nhau, và điều đó hữu ích hơn một bảng điểm mà ở đó mọi thứ đều sát nút.

Hai canh bạc khác nhau về mục đích của một mô hình giọng nói

Cách G​oogle định vị G​emini 3.8 Live thì hẹp và đầy tự tin: đây là mô hình Live API mặc định cho “hầu hết trải nghiệm tác nhân thoại có độ trễ thấp mà không có độ trễ suy luận”, cùng với một mô hình anh em — G​emini 3.8 Live Extended Thinking — dành cho những trường hợp cần “suy luận nền cao hơn” trong tương tác. Sự phân tách đó cho bạn biết G​oogle cho rằng mô hình cơ sở không dành cho điều gì. Suy nghĩ thực sự nằm ở mô hình anh em.

Cách Microsoft định vị MAI Realtime 1 là hình ảnh phản chiếu. Đó là "giọng nói sang giọng nói với luồng hội thoại tự nhiên và khả năng điều khiển chính xác", và kiến trúc rõ ràng là hai tầng: một hệ thống nhanh giữ hội thoại theo thời gian thực, còn các tác vụ khó hơn được "định tuyến đến một engine suy luận mạnh hơn mà không có những khoảng dừng gượng gạo". Microsoft không bán một cỗ máy nói chuyện giỏi hơn. Họ bán một bộ điều phối nói đủ tốt để giữ đường dây hoạt động trong khi thứ khác làm việc.

• G​emini 3.8 Live — một mô hình, được thiết kế để nhanh, với khả năng suy luận có sẵn dưới dạng một mô hình anh em nặng hơn, riêng biệt mà bạn chọn theo từng lần triển khai.

• MAI Realtime 1 — một sản phẩm với hai engine phía sau, nâng cấp theo từng lượt thay vì theo từng lần triển khai.

• Sự khác biệt thực tế — G​oogle yêu cầu bạn chọn một cài đặt tại thời điểm tích hợp. Microsoft yêu cầu bạn tin tưởng vào một bộ định tuyến bên trong mô hình và trả phí cho tầng suy luận của nó theo từng token.

Những con số độc lập nói gì về G​emini 3.8 Live

Đây là phía của màn so tài có số đo thực tế, và chúng đều tốt:

• Chỉ số giọng nói sang giọng nói — 74,5, so với 82,6 của biến thể Extended Thinking. Chỉ số này trừ điểm nó ở cột agentic, không phải ở phần hội thoại.

• Suy luận giọng nói (Big Bench Audio) — 91.7%. Mạnh, và 97.7% ở Extended Thinking.

• Động lực hội thoại — 96,1%. Đây là nguồn gốc của điểm arena Elo: nó xử lý nhịp điệu con người của cuộc gọi tốt ngang với bất kỳ thứ gì được đo lường.

• Arena Elo — 1074, mức cao nhất trong tập so sánh. Trên thực tế, đó là sở thích của con người, và nó không hề nằm gần cuối danh sách đó.

• Tỷ lệ thành công nhiệm vụ — 93,2%, cũng là mức cao nhất trong nhóm.

• Hoàn thành tác vụ dạng tác nhân (τ-Voice) — 30,1%. Đây là điểm dị biệt, và là lý do chỉ số tổng hợp thấp hơn phiên bản extended-thinking.

• Thời gian đến âm thanh đầu tiên — 1,18 giây. Không phải nhanh nhất — Eleven Realtime Max đạt 0,57 giây — nhưng đủ nhanh để tuyên bố “không có độ trễ suy luận” là đáng tin.

• Chi phí hỗn hợp — khoảng $0.84 mỗi giờ theo cách chuẩn hóa của Artificial Analysis. Bảng giá của chính Google ghi $0.005 mỗi phút đầu vào âm thanh và $0.018 mỗi phút đầu ra âm thanh, mà với một cuộc gọi hai chiều liên tục thì gần với $1.38 một giờ hơn; khoảng cách này là do quy ước đo lường, không phải mâu thuẫn, và không nên trích dẫn con số này thay cho con số kia.

Đọc con số agentic đối chiếu với con số thành công nhiệm vụ và một điều quan trọng hiện ra. Tỷ lệ thành công nhiệm vụ 93,2% bên cạnh tỷ lệ hoàn thành agentic 30,1% nghĩa là mô hình rất giỏi những nhiệm vụ mà harness coi là hội thoại và kém ở những nhiệm vụ đòi hỏi nó phải lập kế hoạch qua nhiều bước và sử dụng công cụ. Đó là những công cụ đo khác nhau, và sự bất đồng chính là phát hiện. G​emini 3.8 Live sẽ duy trì một cuộc hội thoại tốt hơn mức MAI Realtime 1 nhiều khả năng làm được. Liệu nó có đặt được lịch hẹn vào cuối cuộc hội thoại đó hay không là một câu hỏi riêng, và dựa trên bằng chứng công khai duy nhất hiện có thì nó là nửa yếu hơn.

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

Những con số của Microsoft nói lên điều gì, mà đó chỉ là một con số

MAI Realtime 1 không có điểm số độc lập. Tính đến ngày 18 tháng 11, Artificial Analysis không đưa mô hình này vào danh mục. Điều Microsoft tự công bố là một con số độ chính xác duy nhất trên trang mô hình — 98,8% trên Big Bench Audio, được ghi nhãn ở đó là độ chính xác trên các câu hỏi suy luận dạng nói từ bộ đánh giá đó — cùng một thẻ P50 thời gian đến âm thanh đầu tiên và một chú thích "Độ trễ P50 trên BigBench Audio". Không có con số τ-Voice, không có danh sách ngôn ngữ được hỗ trợ, không có phân bố đằng sau phân vị, không có ghi chú phương pháp luận bên cạnh con số độ chính xác. Đem điều đó so với 91,7% của G​emini 3.8 Live trên cùng bộ đánh giá do Artificial Analysis đo, và bạn đang so sánh đánh giá của chính nhà cung cấp với đánh giá của bên thứ ba: hai con số này không cùng loại đối tượng, và coi 98,8% là mức hơn bảy điểm sẽ đúng kiểu tẩy trắng số liệu mà bài viết này đang cố tránh. Tuyên bố rộng hơn của công ty là mô hình nằm trên biên giới Pareto hiệu năng-giá đối với Big Bench Audio và τ-Voice, và rằng nó vượt G​PT Realtime 2.1 về chất lượng, tốc độ và giá — một sự so sánh với mô hình giọng nói suy luận tính theo token của O​penAI, chứ không phải với G​emini 3.8 Live.

Vì vậy, mọi so sánh trực tiếp giữa hai mô hình này hiện nay chính là so sánh giữa một hồ sơ do bên thứ ba đo lường và một con số tiêu đề do chính nhà cung cấp công bố. Đó không phải là lý do để bỏ qua màn đối đầu. Đó là lý do để chính xác về những gì mỗi bên thực sự đã cam kết.

Cụ thể, Microsoft đã cam kết những gì: 0,01 USD mỗi phút âm thanh, suy luận ở mức 1,00 USD mỗi triệu token đầu vào và 5,00 USD mỗi triệu token đầu ra, một giao diện tương thích với OpenAI Realtime API, bản xem trước Foundry có quyền truy cập hạn chế và chưa tính phí cho đến bản xem trước công khai, bản demo phi thương mại dài hai phút trong MAI Labs giới hạn cho người lớn, mức 98,8% do nhà cung cấp báo cáo trên Big Bench Audio cùng một con số độ trễ P50 và không có dữ liệu phân phối kèm theo, các triển khai được nêu tên sắp có trong Dynamics 365 Contact Center và các mô phỏng đào tạo điều dưỡng của Dragon Copilot, và thử nghiệm sớm tại Agoda và Reservations.ai.

Những gì nó chưa cam kết: ngôn ngữ, τ-Voice, vị trí lưu trú dữ liệu, thời gian lưu giữ, hay ngày GA.

A screenshot of Microsoft's MAI Realtime 1 model page captured 18 November 2026, showing the 98.8% Big Bench Audio accuracy figure, a 'Start a conversation' button, $0.01 per audio minute pricing, $5 per 1M output tokens, and a P50 time-to-first-audio card labelled 'P50 Latency on BigBench Audio'.

So sánh chi phí, đúng cách

Chỉ riêng phần thoại thôi, khoảng cách đã không hề nhỏ. Một phút âm thanh Gemini 3.8 Live, tính gộp cả đầu vào và đầu ra, là $0.023 theo bảng giá của Google. Một phút MAI Realtime 1 là $0.01 trước khi tính phần suy luận. Khoảng 2,3 lần, và khác với cuộc đối chiếu với ElevenLabs, phía Google không có phí tuân thủ hay phí nền tảng nào để làm khoảng cách đó rộng thêm.

Nhưng khác biệt chi phí đáng quan tâm không nằm ở mức giá. Mà ở chỗ hóa đơn suy luận rơi vào đâu. Câu trả lời của G​emini 3.8 Live cho một lượt khó là một mô hình khác mà bạn triển khai — G​emini 3.8 Live Extended Thinking, với $3.50 mỗi giờ theo cách tính của Artificial Analysis và 82.6 trên chỉ số. Đó là một quyết định triển khai, được tính giá theo mỗi giờ âm thanh bất kể một lượt cụ thể có cần đến nó hay không. Câu trả lời của MAI Realtime 1 là cơ chế nâng cấp theo từng lượt, được tính giá theo token, rẻ hơn khi ít lượt khó và đắt hơn khi hầu hết các lượt đều khó.

• Chủ yếu là các lượt dễ, thỉnh thoảng leo thang — mô hình theo từng token của MAI Realtime 1 thắng, và thắng áp đảo.

• Chủ yếu là các lượt rẽ khó — mức $3.50 một giờ cố định của G​emini 3.8 Live Extended Thinking là công cụ dễ dự đoán hơn, và khả năng dự đoán có giá trị nhất định khi bạn đang lập dự toán ngân sách cho trung tâm liên hệ.

• Lưu lượng hỗn hợp không có sự phân tách rõ ràng — bạn đang lựa chọn giữa ước tính theo giờ mà bạn có thể bảo vệ và ước tính theo token mà bạn phải đo lường. Đó là những cuộc trao đổi mua sắm khác nhau.

Đáng lưu ý rằng gói miễn phí của G​oogle bao gồm G​emini 3.8 Live không tính phí cho đầu vào và đầu ra, có giới hạn tốc độ. Đối với một bản nguyên mẫu, đó là một lợi thế thực sự so với biểu mẫu đăng ký và danh sách chờ.

Ngôn ngữ, thứ quyết định nhiều cặp đấu hơn là các bài kiểm chuẩn.

Gemini 3.8 Live kế thừa hành vi đa ngôn ngữ của Live API và tài liệu của Google coi hội thoại không phải tiếng Anh là cách sử dụng thông thường. Tài liệu ra mắt của MAI Realtime 1 không liệt kê một ngôn ngữ được hỗ trợ nào. Dòng dõi giọng nói của Microsoft bắt nguồn từ Dragon, một sản phẩm đọc chính tả lâm sàng có triển khai tiếng Anh mạnh mẽ, và thông báo về Transcribe 2 nói về việc giảm một nửa tỷ lệ lỗi đa ngôn ngữ — nhưng đó là mô hình phiên âm, không phải mô hình thời gian thực, và đó không phải là danh sách ngôn ngữ.

Nếu tác nhân của bạn phục vụ một thị trường nói tiếng Anh, đây chỉ là một chú thích. Nếu nó phục vụ ba thị trường, MAI Realtime 1 vẫn chưa phải là ứng viên bạn có thể đánh giá, vì bản xem trước sẽ không cho bạn biết nó hoạt động thế nào trong những ngôn ngữ bạn cần.

Cách thực hiện so sánh trước khi một trong hai nhà cung cấp giải quyết xong việc đó

Cả hai mô hình đều nói được API Realtime của OpenAI — API Live của Google thông qua bề mặt riêng của nó, còn của Microsoft thì rõ ràng là theo thiết kế. Phía Gemini có liên quan chặt chẽ nhưng không hoàn toàn giống nhau về ngữ nghĩa phiên, vì vậy hãy dự trù một bộ chuyển đổi thay vì chỉ hoán đổi URL gốc; phía MAI Realtime 1 thì gần với kiểu thay thế trực tiếp hơn, theo chính mô tả của Microsoft.

Đánh giá quyết định cuộc so tài này không phải là một lần chạy benchmark. Mà là một lần chạy hoàn thành tác vụ: đưa cho mỗi mô hình cùng hai mươi yêu cầu thực tế đòi hỏi một lệnh gọi công cụ và một bước thứ hai, rồi đếm xem bao nhiêu yêu cầu được hoàn thành. Con số agentic 30,1% của Gemini 3.8 Live định hình kỳ vọng ban đầu của bạn — nó sẽ hoàn thành khoảng sáu. Nếu MAI Realtime 1 đạt gần mức đó, lợi thế giá chẳng mang lại cho bạn điều gì trên khối lượng công việc này. Nếu nó đạt gần 87% mà Eleven Realtime Max đạt được trên cùng bộ kiểm thử, thì thiết kế hai tầng của Microsoft đang làm đúng như tuyên bố và cuộc so tài kết thúc.

Đánh giá đó cần lớp suy luận phía sau mô hình giọng nói được thiết lập để đo lường, vì ở phía Microsoft thì đó chính là nơi bước thứ hai thực sự diễn ra. OrcaRouter là nơi lớp đó được cắm vào: hơn 200 mô hình sau một khóa duy nhất theo giá niêm yết của nhà cung cấp với mức phụ trội 0%, chuyển đổi dự phòng tự động để một lệnh gọi suy luận bị treo không trở thành bốn giây im lặng trên một cuộc gọi trực tiếp, và một DSL định tuyến cho phép đường leo thang trở thành một quy tắc thay vì mã bạn phải bảo trì trong trình xử lý giọng nói. Bản thân MAI Realtime 1 không nằm trong danh mục của chúng tôi — nó có thể truy cập được thông qua MAI Labs và bản xem trước giới hạn quyền truy cập của Foundry — nên thứ chúng tôi định tuyến là mọi thứ mà nó chuyển giao cho, cộng với các mô hình anh em của G​emini 3.8 Live nếu bạn đi theo hướng G​oogle.

Bản xem trước ảnh hưởng thế nào đến tiến độ mua sắm

Đặt hai lộ trình khả dụng cạnh nhau, sự bất đối xứng không còn nói về các mô hình nữa mà bắt đầu nói về việc phải mất bao lâu mới biết được bất cứ điều gì. G​emini 3.8 Live hiện đã được cung cấp rộng rãi trên Live API của G​oogle, với gói miễn phí bao gồm đầu vào và đầu ra ở một giới hạn tốc độ, nghĩa là một đợt tăng vọt hai ngày có thể tạo ra một con số hoàn thành nhiệm vụ trước cuối tuần. MAI Realtime 1 là một biểu mẫu đăng ký, một danh sách chờ, một bản demo phi thương mại dài hai phút giới hạn cho người lớn, và một bản xem trước mà Microsoft đã nói sẽ không tính phí cho đến khi bản xem trước công khai bắt đầu.

Đó là những kiểu ma sát khác nhau và chúng phù hợp với những nhóm khác nhau. Nếu bạn cần câu trả lời ngay bây giờ và câu trả lời phải đứng vững trước người ký hóa đơn, G​emini 3.8 Live cho bạn một hồ sơ được đo lường với bộ kiểm thử công khai phía sau và mức giá công bố mà bạn có thể tranh luận. Nếu bạn dư năng lực kỹ thuật và không có hạn chót trong quý này, bản xem trước của Microsoft là thử nghiệm hữu ích rẻ nhất trong danh mục — một xu mỗi phút mà hôm nay chẳng tốn gì, so với một mô hình chưa bên thứ ba nào đo lường, trên một giao diện mà bạn có lẽ đã quen dùng.

• Tạo nguyên mẫu trong tuần này, quyết định vào quý sau — cách nào cũng được, và các gói miễn phí ở cả hai phía nghĩa là thử nghiệm gần như không tốn kém.

• Tạo bản nguyên mẫu trong tuần này, phát hành vào tháng sau — G​emini 3.8 Live, vì MAI Realtime 1 không có ngày GA và không có cách nào để dự báo ngày đó.

• Dữ liệu không thể rời khỏi tenancy hoặc khu vực của bạn — cả hai đều không phải là câu trả lời theo các điều khoản đã công bố; Google có các kiểm soát theo khu vực đối với Live API, Microsoft chưa nói gì về lưu trú dữ liệu đối với Realtime 1.

A generated two-column scoreboard titled 'MAI Realtime 1 vs Gemini 3.8 Live — the scoreboard'. Left column MAI Realtime 1: arena Elo not scored, task success not published, agentic not published, reasoning 98.8% vendor, cost $0.01 plus tokens. Right column Gemini 3.8 Live: arena Elo 1074, task success 93.2%, agentic 30.1%, reasoning 91.7%, cost $0.84 per hour. Footer reads 'Gemini figures per Artificial Analysis; the 98.8% is Microsoft own, unaudited.'

Điều này chia rẽ những ai

Chọn G​emini 3.8 Live nếu sản phẩm là một cuộc hội thoại. Nếu giá trị nằm ở cách tác nhân nghe, cách nó xử lý khi bị ngắt lời, tốc độ trả lời và mức độ hoạt động tốt trong sáu ngôn ngữ, thì nó có hồ sơ được đo lường tốt nhất so với bất kỳ thứ gì trong cùng phân khúc giá và có gói miễn phí để chứng minh điều đó. Điểm agentic 30,1% chỉ quan trọng nếu các cuộc gọi của bạn cần kết thúc bằng một hành động đã hoàn tất thay vì một cuộc trao đổi được xử lý tốt.

Hãy xem xét MAI Realtime 1 một cách nghiêm túc nếu sản phẩm là một giao dịch — một lượt đặt chỗ, một yêu cầu bồi thường, một tra cứu xuyên hệ thống — và nếu bạn có thể chấp nhận chỉ dùng tiếng Anh cho đến khi Microsoft công bố khác. Với một xu một phút cùng bản xem trước chưa tính phí, đây là cách rẻ nhất để biết liệu bộ định tuyến phía nhà cung cấp có vượt trội bộ định tuyến phía ứng dụng của bạn hay không. Rủi ro không nằm ở tiền. Mà là bạn sẽ phát hành sản phẩm dựa trên một mô hình mà con số độ chính xác công bố duy nhất là 98,8% của chính nó, không có lần chạy lại nào đằng sau, không có điểm τ-Voice, không có danh sách ngôn ngữ và không có phân bố độ trễ — và bên duy nhất có thể thu hẹp khoảng cách đó trong tháng này là bạn, bằng chính hệ thống đo đạc của mình.

Điều mà cả hai bên đều chưa làm là công bố con số có thể giải quyết chuyện này: bao nhiêu phần trong các cuộc trò chuyện thực tế cần đến engine thứ hai. Câu trả lời của G​oogle là bán cho bạn một mô hình thứ hai và để bạn quyết định theo từng lần triển khai. Câu trả lời của Microsoft là quyết định theo từng lượt và tính tiền bạn vì điều đó. Cả hai đều là những thiết kế trung thực. Chỉ một trong số chúng là có thể đo lường được ngay hôm nay, và đó không phải là cái rẻ hơn.