Grok Voice 3.0 对决 Gemini 3.8 Live：谷歌推销两款语音模型，但只有一款参与这场较量

谷歌对Grok Voice 3.0的回应是每小时 0.84 美元。这是 Artificial Analysis 对Gemini 3.8 Live标准配置下每小时输入音频成本的统计数字，比Grok Voice 3.0每小时 4.80 美元的收费便宜 5.7 倍。但它也是错误的对比模型。真正能与 SpaceXAI 新旗舰一较高下的 Gemini 3.8 Live——在 Speech to Speech Index 上以 82.6 对 Grok 的 86.9 的那一款——是 Extended Thinking 变体，每小时收费 3.50 美元。这两款模型之间的真实差距是 1.37 倍，而不是 5.7 倍，而从价目表上选错行是这场对决中最昂贵的错误。

这是该品类首次出现真正的价格—质量前沿，而非一个领跑者和一个更便宜的替代品。Grok Voice 3.0 于 2026 年 10 月 14 日推出，每分钟 0.08 美元，与 Grok Voice 2.0 费率相同，指数得分为 86.9，首次输出音频的时间不到一秒。Gemini 3.8 Live 于 2026 年 9 月 15 日推出，提供两种配置，表现得像两款不同的产品：一种是成本领先者，另一种则是恰好能说话的推理系统。

这两款 Google 模型并非彼此的层级版本。

Google 自己的说法是按任务而非规模来区分它们。标准模型被描述为专为规模化与成本效益而打造，具备流畅的对话和视觉接地能力。Extended Thinking 变体则被描述为专为高复杂度任务而打造，具备多步推理能力，会在工作时大声叙述自己的进展。

它们之间测量出的差距不是质量梯度，而是类别断裂：

• 智能体任务完成率，τ-Voice —— Gemini 3.8 Live Extended Thinking 68.6% 对比 Gemini 3.8 Live 30.1%。同一厂商，同一发布版本，同一个底层系列，相差 38.5 个百分点。

• 语音到语音指数——高推理努力下的扩展思维为 82.6，而标准模型为 76.0。

• 每小时输入音频的成本 — 3.50 美元 vs 0.84 美元

• 首次音频输出时间——扩展思维为1.35秒，而标准模型为1.18秒，两者均由Artificial Analysis测量。

当一份采购文件询问 Gemini 3.8 Live 是否比 Grok Voice 3.0 更便宜时，并没有单一的答案。与标准模型相比，xAI 的价格接近其六倍，并领先 10.9 个指数点。与 Extended Thinking 相比，xAI 在音频上贵 37%，并领先 4.3 点。这些是不同的决策，却顶着同一个模型名称。

与合适的 Gemini 正面交锋

先把标准版放在一边，来比较真正在争夺榜首的那两个模型。下面每一个数字都来自 Artificial Analysis 自己的测试：Grok Voice 3.0 的数据取自 2026 年 10 月 13 日，Gemini 3.8 Live Extended Thinking 在高努力（High effort）下的数据则取自 9 月的榜单。

• Speech-to-Speech 指数 — Grok Voice 3.0 为 86.9，Gemini 3.8 Live Extended Thinking 为 82.6。4.3 个百分点的差距确实存在，但并不具有决定性。

• 智能体性能，τ-Voice——Grok Voice 3.0 71.6% 对 Gemini 3.8 Live Extended Thinking 68.6%。相差三个百分点，是榜单上最接近平局的一组。

• Big Bench Audio 语音推理 — Grok Voice 3.0 98.5% 对比 Google 报告的 97.7%。两者实际上均已触及天花板；该维度已不再具备区分度。

• Speech Agent Arena 偏好 — Grok Voice 3.0 以 Elo 1070 位居榜首，是榜单上最高的。Google 的模型未能占据该竞技场。

• 每分钟音频价格 — {{1}}Grok Voice 3.0{{/1}} 输入和输出均为 $0.08；{{2}}Gemini 3.8 Live{{/2}} 音频输入每分钟 $0.005，音频输出每分钟 $0.018。

• 首次音频输出时间 — Grok Voice 3.0 为 0.81 秒；Gemini 3.8 Live Extended Thinking 为 1.35 秒，标准模型在 Artificial Analysis 的测量中为 1.18 秒。Google 自己的材料未公布任何延迟数据。

• 每完成一项任务的成本，Big Bench Audio — Grok Voice 3.0 每项任务 0.025 美元。Google 的两个变体均未公布相关数据。

• 可用性 — Grok Voice 3.0 已定价并正式上线，其前代产品已发布弃用通知；Gemini 3.8 Live 仍为预览版，没有正式可用日期，没有公布正常运行时间数据，也没有 Google 承诺维持的价格。

• 语言覆盖范围——Gemini 3.8 Live 可在对话中途切换 97 种受支持的语言；xAI 的语音转文字服务层级记录支持 38 种以上语言。

• 视觉输入 — Gemini 3.8 Live 可处理近乎实时的视觉输入；Grok Voice 3.0 则不具备与之相当的视觉基础能力。

在唯一一个维度上，谷歌的沉默本身就是新闻。

注意那份列表中的不对称。Grok Voice 3.0 在 0.81 秒后开始说话。Gemini 3.8 Live Extended Thinking 在 1.35 秒开始，标准模型则在 1.18 秒开始，二者均依据 Artificial Analysis 的测量——这使得非推理版 Gemini 开始一轮对话比推理版更慢。这一奇怪现象几乎可以肯定是推理变体在工作时把自身进展实时说出来所造成的，而非真正更快的路径所致。

谷歌自己的发布材料没有为这两款模型公布任何延迟数据，只有合作伙伴关于延迟表现令人印象深刻的说法。这一点很重要，因为首次音频输出时间正是语音产品在用户眼中成败所系的维度，也正是谷歌选择不给出具体数字的维度。如果你的产品是电话语音类应用，0.81秒就是对话与延迟之间的分界线，那么竞争对手对你所采用供应商的测量，并不等同于该供应商自身的承诺。在做出承诺之前先测试，并留意正式全面可用（GA）公告，看是否会同时出现一个具体数字。

视觉接地能力则让优势倒向另一边，而且毫无疑问属于谷歌。一个能处理近乎实时视频的模型，可以解决音频无法解决的那些问题：“这个”指的是什么，提问者是否正看着自己所问的东西，线路里的噪声是不是一台能被看到的机器。Grok Voice 3.0 是一个带工具的音频模型。这是实打实的能力边界，而非配置上的差异，再高的指数得分也无法弥合。

差价实际上能买到什么

拿真实工作负载来算一算。每天一万分钟语音，每月三十天，就是三十万分钟。

• Grok Voice 3.0 — 每分钟 $0.08，即每月 $24,000。

• Gemini 3.8 Live Extended Thinking — 输入音频每小时 $3.50 起，相同用量下每月约 $17,500，并附有公开价目表，输入和输出分别计费。

• Gemini 3.8 Live 标准版——每月约 4,200 美元，而该模型仅能完成 30.1% 的 τ-Voice 场景。

中间那一行才是整个决策的关键。每月比 xAI 的旗舰便宜约 6,500 美元，Google 却卖出一个处于预览状态、在指数上落后它 4.3 个点的模型——近到任何其智能体真正在做多步骤工作的团队，都应该拿自己的录音把两者都跑一遍，而不是去看排行榜。最下面那一行是个陷阱，除非你的语音界面是对话式的，而任务完成发生在技术栈的其他地方——对很大一部分已部署的语音产品来说，情况正是如此。

还有一项指标值得放进那张电子表格，因为它会部分扭转局面。Artificial Analysis 在 Big Bench Audio 上按任务进行的测量显示，Grok Voice 3.0 完成一项任务需要 $0.025，而 GPT Live 1 在其 Astra 中等配置下需要 $0.030。每项已完成任务的成本，而不是每小时成本，才是经得起预算会议检验的数字——一个需要第二次尝试的“更便宜”模型并不更便宜。两家供应商都没有公布 Gemini 这对模型的这一数字，这又是一个空白：更便宜的选项尚未在真正重要的维度上得到衡量。

路由器在哪些情况下有用，在哪些情况下没用

这个问题上要准确，因为条件反射式的答案是不对的。OrcaRouter 并不提供这两个实时端点中的任何一个。Grok Voice 3.0 来自 xAI 自己的 API，Gemini 3.8 Live 来自 Google 的 API，而任何路由器都无法把自己插入到属于某一家供应商的双工音频 WebSocket 之中。如果有人告诉你，他们的平台能让你在这两者之间于通话中途进行故障转移，那他们描述的是某种并不存在的东西。

可路由的是它们周边的一切。一次语音部署等于一个语音模型加上一套文本栈——通话结束后为其分配处置代码的分类器、撰写 CRM 备注的摘要器、回答语音模型不得不转交的问题的检索，以及为合规而读取转录文本的模型。那一层是普通的按请求计费的推理，每次通话成本中有相当大一部分都累积在那里，而它正是我们所运行的那一层：200 多个语言模型藏在一个密钥之后，按提供商标价、零加价提供，提供商性能下降时自动故障转移，以及一个让你能把多个模型组合成一次调用的路由 DSL，而不必事先选定其中一个。由于标价原样传递，这些模型中任何一个的供应商降价，在我们这边当天就会生效。你向 Google 或 xAI 付费购买的音频分钟无论走哪条路都是同一分钟；而其背后的推理，才是你可以选择的部分。

决策规则

三个答案，它们来自组件而不是索引。

如果你的工作负载是智能体式的、对延迟敏感，并且本季度就要投入生产，那就选 Grok Voice 3.0。它在综合评测中领先，在竞技场中也领先，在前沿模型中拥有已公布的最快从开始到开口说话时间，而且它的定价和支持都带有弃用路径，而不是预览通知。

如果你需要视觉基础能力，如果需要 97 种语言而不是 38 种，或者你运行的语音分钟数足够多，以至于每小时 1.30 美元的差异比 4.3 个指数点更重要，那就选择 Gemini 3.8 Live Extended Thinking——并接受你是在一个没有正常运行时间承诺的预览版上构建。

只有在您已测量过自己的流量，并确认调用中的多步骤部分已由语音模型之外处理时，才选择标准版 Gemini 3.8 Live。纸面上，它是该类别中最便宜的选项，且优势很大。在 τ-Voice 轴上，它大约每十个场景中会失败七个，而指数中没有任何内容会告诉你这一点——除非你亲自去看。

可能改变这一页格局的，是来自谷歌的正式商用日期和延迟数据——两者合在一起，会让更便宜的那个选项变成更稳妥的选择；或者是 xAI 的一次降价——鉴于旗舰价格已经整整维持了一代模型不变，这正是其竞争对手无法匹敌的唯一杠杆。

像这样的比较，也正是故障模式暴露之处：OrcaRouter AI Incident Archive 收录了这类模型背后有记录的 AI 事件和智能体故障，其中每个条目都带有各自的来源、严重程度、置信度等级和争议标记。