Phonic 1 对比 Gemini 3.8 Live：一块板，四个数字，以及你说的到底是哪个 Gemini 的问题

首先要明确的是Phonic 1 与 Gemini 3.8 Live 的比较中，“Gemini 3.8 Live”并不是一个模型。谷歌于 2026 年 9 月 15 日发布了两款——gemini-3.8-live，针对成本和延迟进行了调优；以及 gemini-3.8-live-extended-thinking，它边说话边推理，并在后台运行工具——它们表现得像不同的产品。在 Artificial Analysis 的语音到语音排行榜上，标准模型得分为 74.5，扩展思考变体得分为 82.6。于 2026 年 10 月下旬推出的 Phonic 1 得分为 87.1。你拿哪个 Gemini 与 Phonic 1 对比，会让差距从 12.6 分变成 4.5 分，也会改变你争论的究竟是哪一半。

所以，真正有用的问题不是“谁赢了”，而是“这四项测量指标中，你实际需要哪一项”，因为综合指数在底下掩盖了一个分裂式决策。Phonic 1 赢得的那个指标，决定一通电话能否把事情办成。Google 的模型赢得的指标，则决定这通电话的体验是否良好以及能否完成，而且 Google 每小时收费还更低。只看到 87.1 对 82.6 的读者，大约有一半概率会为自己的工作选错模型。

有两款 Gemini 模型，但其中只有一款出现在与 Phonic 对比的榜单上。

Gemini 3.8 Live 取代了 gemini-3.1-flash-live-preview，并已通过 Gemini API 和 AI Studio 正式可用，而 Gemini Enterprise 和 Search Live 仍处于私密预览阶段。标准模型针对手机智能体在大规模场景下的需求进行了优化：快速、低成本、自然。扩展思考变体在回答前会先进行推理，这提升了它在困难的多步骤请求上的准确率，但也会增加延迟。它们分别命名、在 token 层面分别定价，并分别评分。

• Gemini 3.8 Live（标准版）——语音转语音指数 74.5，推理 92，动态表现 96.1，智能体 30.1，竞技场偏好 1,074，任务成功率 93.2%，首音频时间 1.18s。

• Gemini 3.8 Live Extended Thinking（High）—— 指数 82.6，推理 98，动态表现 91.9，智能体能力 68.6，arena 966，任务成功率 89.1%，首次音频响应时间 1.35 秒。

• Phonic 1（高）— 指数 87.1，推理 99，动态未报告，智能体 79.9，竞技场 1,012，任务成功率 92.3%，首次音频时间 0.61s。

请注意 Google 自家产品阵容中的内部矛盾。开启扩展思考会使指数提高 8.1 分，但它会降低竞技场偏好 108 Elo，并使任务成功率下降 4.1 分。更深入地推理会让模型在综合得分上表现更好，却在四个输入项中的两个上表现更差。这并不是模型本身的缺陷；它提醒我们，单一加权平均值可能会朝着没有任何用户会投票支持的方向变化。

组件运算，逐行进行

Artificial Analysis 的语音到语音指数由四项输入构成——语音推理、智能体表现、竞技场偏好和任务成功率——并将其标注为加权平均值。若将这四项分开来看，这一对比所呈现出的差异远比 4.5 分的差距具体得多。

• 语音推理 — Phonic 1 99 分，对比 Gemini 3.8 Live Extended Thinking 98 分、标准版 92 分。榜首实际上打平；这一项并不起决定性作用。

• 智能体性能——Phonic 1 为 79.9，而扩展思考为 68.6，标准模式为 30.1。这就是全部论点。扩展思考是唯一能在此项上与之竞争的 Gemini 配置，且仍落后 11.3 分。

Arena 偏好——Phonic 1 为 1,012，对比扩展思考的 966 和标准的 1,074。标准模型以 62 Elo 的优势击败 Phonic；思考模型落后 46。人类听众更喜欢便宜的 Gemini。

• 任务成功率——Phonic 1 为 92.3%，而扩展思考为 89.1%，标准模式为 93.2%。标准模型再次以微弱优势胜出，而思考模型则落败。

把这四个并排列在一起，整个情况就说得通了。Phonic 1 是能力最强的智能体，也是三者中最不受青睐的语音。Gemini 3.8 Live 标准版是最受青睐的语音、任务完成能力最强，却是最差的智能体。Gemini 3.8 Live Extended Thinking 介于两者之间，可以说是集两者之短——它为推理付出了延迟和偏好上的代价，却仍在自主性上追不上 Phonic。

每种每分钟要花多少钱，以及为什么宣传费率会产生误导

在 Artificial Analysis 的“每输入音频小时归一化成本”这一衡量指标上，Gemini 是更便宜的模型：Gemini 3.8 Live Extended Thinking 为每小时 3.50 美元，而 Phonic 1 为 4.20 美元。这正是 Phonic 自己的发布材料也承认的数字——其对比表显示 Gemini 的价格低于它——而这一点值得直说，因为一个后来者在 agentic 得分上击败谷歌模型、却在价格上输给它，这比一边倒的完胜是更有意思的故事。

Google公布的价格为每百万音频输入token 3美元、每百万音频输出token 12美元，按典型密度计算，大约相当于输入每分钟0.005美元、输出每分钟0.018美元。Phonic的计费则是统一的每对话分钟0.07美元，Pro层级为0.065美元且每月最低消费200美元；该厂商明确表示不转嫁LLM成本，也不按token收费。

• 每输入小时成本——Gemini 3.8 Live Extended Thinking 为 3.50 美元，Phonic 1 为 4.20 美元，依据 Artificial Analysis 的标准化计算。

• 计费模式——Gemini 按 token 费率分别对音频输入和音频输出计费；Phonic 按对话分钟收取统一费率，涵盖模型层。

• 两种模式的分歧之处——在一通电话中，如果智能体说得多、听得少，在 Gemini 按输出量计费的计价表上花费更高，而在 Phonic 的固定费率上花费相同；如果智能体大部分时间在听，则在 Gemini 上花费更低，在 Phonic 上花费相同。

• 免费套餐 — Gemini 对输入和输出均提供免费 token，Live 模型的免费套餐速率限制尚未公布；Phonic 没有免费套餐，但在 2026 年 11 月 30 日前针对注册用户推出过 250 美元额度促销活动。

这正是路由器天生就该处理的那类决策，但有一个实话实说的前提：这两个对话模型都不在 OrcaRouter 的目录里，因此无法在这里对它们进行比较或故障转移。目录里真正有的是它们的文本侧同类——Gemini 3.8 Flash，今天就能与 200 多个其他模型一起，通过单个密钥按标价路由，无任何加价。如果你的语音代理把推理任务交给文本模型，而不是在自身内联完成，那么这一段就是你可以路由、比价和故障转移的部分，而且它通常也是账单中占大头的部分。

延迟、会话，以及没人读的上限

Phonic 1 对首段音频的响应时间为 0.61 秒。Gemini 3.8 Live 用时 1.18 秒，扩展思考版本则为 1.35 秒。在该指数自身的速度图表上，这将 Phonic 与 0.81 秒的 Grok Voice 3.0 归入同一区间，而两种 Gemini 配置均落后约三分之一秒——这正是通话者在等待，与通话者意识到自己正在等待之间的差别。

谷歌公布了硬性会话时长限制，对某些产品来说，这比延迟差距更重要：Gemini 3.8 Live 会话在纯音频交互下上限为十五分钟，而一旦流中引入视频，就降至两分钟。对于客服通话来说，这没问题。但对于预约的接收面谈、辅导会话或长时间运行的语音助手来说，十五分钟的上限是一个必须围绕其进行设计的设计约束，而 Phonic 并未声明这样的限制。Phonic 的公开材料还列出了 50 多种语言，而谷歌为 97 种，这与新入局者通常的语言劣势恰好相反。

• 上下文与输出 — Gemini 3.8 Live 具有 131K 上下文，最大输出 token 数为 65,536；Phonic 未公布上下文数值。

• 多模态——Gemini 3.8 Live 可接收最高约每秒一帧的视觉输入，并内置 30 种具名语音；Phonic 1 为原生音频，未标明支持视觉输入。

• 来源 — Google 对生成的音频应用 SynthID 水印；Phonic 未作出同等声明。

• 合规性 — Phonic 声明其具备 SOC 2 Type II、可提供 HIPAA BAA 以及零数据保留，并支持云端、单租户、VPC 和自托管部署；Gemini 3.8 Live 是由 Google 托管的 API。

每个读者实际上正在做出哪个决定

如果你的智能体要负责预订、验证、退款或升级处理——如果一通电话的成功与否取决于某个数据库行是否被改写——那么 Phonic 1 的 79.9% 智能体评分，就值得更高的时薪，以及那份尚未经过验证的业绩记录。相比最佳 Gemini 配置领先 11.3 个百分点，这是本次对决中最大的真实差距，而且它体现为完成率上的差异，而非偏好上的差异。

如果你的智能体主要需要能进行一场好的对话、准确作答，而且听起来不像机器人在照本宣科，那么标准版 Gemini 3.8 Live 在四项组件中的三项以及成本上都更值得购买。它在任务成功率上直接胜出，在与 Phonic 的竞技场偏好度上直接胜出，并且每输入小时的成本低 17%。它做不到的是"行动"——30.1% 的智能体能力意味着这个模型能谈论你的预订系统，却无法真正使用它。

如果你是会因为“思考”听起来像更强的模型就默认选用扩展思考的团队，数据告诉你别这么做。Gemini 3.8 Live Extended Thinking 相对于自家更便宜的同类模型，会在延迟、竞技场偏好和任务成功率上有所牺牲，只换来 38.5 个百分点的智能体性能提升——仍低于 Phonic，也不足以证明应该发起一次必须完成交易的通话。

这场对比之所以值得细读而非草草略过，是因为胜者会随你更看重四个数字中的哪一个而改变。Phonic 1 拿下综合得分，因为自主性占了其中三分之一，而它在这一项上领先得很干脆。Google 则在偏好、任务完成度和价格三项上取胜，而且靠的是一个运行成本只有一半的模型。这个指数是一份公正的总结，却是一份糟糕的操作手册。先读各分项，再挑一个你能在两周内用自家流量测出来的指标。