Gemini 3.8 Live Extended Thinking 對決 GPT-Live-1：1.1 分的平手與兩張不同的帳單

在綜合評分上，這是平手。 Gemini 3.8 Live Extended Thinking 在 Artificial Analysis 的 Speech to Speech Index 上為 82.6； GPT-Live-1 搭配其中等推理強度的 Astra 後端時為 81.5。在底層的代理式元件——τ-Voice 任務完成度——上，差距為 0.7 個百分點，68.6% 對 67.9%。在推理元件上，差距更大且方向相反：Gemini 模型在 Big Bench Audio 上為 97.7%，GPT-Live-1 為 90.1%。這些差距沒有一項禁得起第二次基準測試的考驗，而且它們都不是你該據以做決定的依據。

這兩者的分野不在品質，而在於它們對於什麼是語音代理、由誰負責思考，以及——最先衝擊預算科目的那部分——工作階段如何計費，看法分歧。Gemini 3.8 Live Extended Thinking 依音訊 token 計費，並在負責說話的同一個模型中進行推理。GPT-Live-1 則對工作階段時間收取固定費率，無論是否有人在說話，並把實際的思考交給另一個由你選擇、另行付費的文字模型。這是兩個不同產品披著相同的基準測試分數，而哪一個合適，取決於排行榜從不問的一個問題：在你的線路上，一通平均通話長什麼樣子？

1.1 分的平手，以及它實際上在哪裡瓦解

先從數字開始，因為標題的單薄正是重點：

• 語音轉語音指數 — Gemini 3.8 Live 擴展思考（高）82.6 對 GPT-Live-1（Astra 後端，中等強度）81.5

• 代理式效能（τ-Voice 任務完成率） — 68.6% 對比 67.9%；而 GPT-Live-1 在以低強度執行 Sol 後端時為 59.3%

• 語音推理（Big Bench Audio） — 97.7% 對 90.1%，這是唯一一個差距並非雜訊的元件

• 複雜銀行作業流程（Sierra τ³-Banking，供應商回報） — 35.1% 對 32.0%

• 首次音訊時間 — 1.35 秒，相較於透過 API 的 1.24–1.34 秒

• 實測每小時成本——$3.50，相較之下 Astra 配置為 $5.83，兩者均依據 Artificial Analysis 的輸入音訊測量

誠實的解讀是，這兩個模型在綜合指標上難分軒輊，在語音推理上則可明顯區分，Gemini 模型領先近八分，而在成本上也可明顯區分，領先約 40%。GPT-Live-1 勝出之處，在於基準測試難以評分的體驗部分：它真正是全雙工，邊說邊聽，發出簡短應答，每秒多次決定要開口還是讓出發言權。Gemini 3.8 Live Extended Thinking 則是回合制。它改用敘述來解決同樣的根本問題——代理運作時，來電者被留在沉默中——一邊推理一邊說話，並在任務執行期間使用「讓我查一下……」之類的提示語。

兩種做法都能讓這條線繼續運作。它們給人的感覺不同。但只有其中一種會出現在索引上。

兩種計費模式，以及費率表為何會誤導人

這是決定大多數部署成敗的部分，而這正是涵蓋範圍所略過的環節。

Gemini 3.8 Live Extended Thinking的計費方式與符元（token）模型的計費方式相同。透過 Live API，公布的費率為每百萬音訊輸入符元 $3.00——相當於每分鐘音訊輸入約 $0.005——以及每百萬音訊輸出符元 $12.00，相當於每分鐘約 $0.018，其中思考符元會計入該輸出量。你只需為有音訊流動的部分付費。來電者若暫停、思考或處於保留等候狀態，在他們安靜無聲時不會向你收取任何費用。

GPT-Live-1的計費方式就像電話線一樣。每分鐘工作階段時間固定收費 0.05 美元，並按秒計費，無論是誰在說話，或是否有人在說話都一樣。推理後端不包含在內：負責思考的文本模型，以及它呼叫的任何工具，都會另行計費並加在上面。這就是為什麼 0.05 美元的表面價格，會變成 Sol 後端每小時約 4.47 美元、Astra medium 每小時約 5.83 美元的總體費用，由 Artificial Analysis 測得。

把這些並排放到一起，那種天真的比較——每分鐘 $0.018 對上 $0.05，2.8 倍的差距——在兩個方向上都是錯的。實測的每小時數字顯示，真正的差距是 $3.50 對上 $5.83，更接近 1.7 倍。但工作階段計時模型改變的不只是帳單金額的高低，還有它的形狀：在 GPT-Live-1 上，你的成本跟著通話時長走，所以一條充滿冗長、安靜、低內容通話的線路——客服佇列、驗證步驟、IVR 轉接——付的錢和一條密集通話的線路一樣。在 Gemini 這邊，成本跟著音訊走，所以沉默免費，而冗長不是。先拿你自己的平均通話長度來算，再拿每分鐘費率來算，因為那才是決定這兩者中哪個對你更便宜的數字，而且預約專線和分流專線不會得到相同答案。

思考發生的地方

第二個結構性差異是委派，而它決定了你實際上能替換這套堆疊的多少部分。

GPT-Live-1 是一個前端。它負責處理雙工音訊，而當查詢需要真正的推理時，會把工作交給另一個後端模型——GPT-5.5 與 GPT-6 Astra 都被記載為後端——並附有推理強度選擇器，讓你選擇要購買多少該後端的能力。這就是為什麼排行榜把 GPT-Live-1 列出兩次、分數不同：在 Astra 上以中等強度得到 81.5，在 Sol 上以低強度得到 80.1。它自身這兩種配置之間 1.4 分的差距，比這場對決中兩個模型之間 1.1 分的差距還大，這告訴你：在 OpenAI 這邊，你選擇的配置比你選擇的廠商更重要。

Gemini 3.8 Live Extended Thinking 是在同一個負責發話的模型中進行推理。沒有另一個後端可供選擇，也不會為此另計費用；代價是你要在同一個模型上透過思考層級——低、中、高——來調整深度，而 82.6 與 68.6 這兩個數字是 （高） 配置。背景工具與 API 執行在兩側皆以非同步方式運作，因此兩個模型都不會在運作時停擺。

一個實際後果是：由於 GPT-Live-1 的智慧是語音前端背後一個外購的文字模型，它的品質上限會在 OpenAI 推出文字模型時變動，而不是在它推出語音模型時。Gemini 3.8 Live Extended Thinking 的上限則會在 Google 重新訓練音訊模型時變動。如果你要對一個語音平台下為期兩年的賭注，這種升級節奏的差異，比 1.1 個指數點更值得深思。

無論你選擇哪條路，{{1}}轉換成本{{/1}}是什麼

這兩者都不是單純換個模型 ID 那麼簡單，把它們當成如此看待的團隊，最終都會在正式環境中吃到苦頭。轉換到 Gemini 3.8 Live Extended Thinking，意味著要接受一套不同的回合契約：函式呼叫一律是非同步的，因此宣告為阻塞式的工具會直接回傳硬錯誤，而不是排入佇列；此外，用戶端必須讀取 interaction_status 欄位——IN_PROGRESS 代表仍在推理或工具仍在執行，IDLE 則要等到整個任務完成才會出現——而不是再信任 turnComplete 代表工作已經做完。轉換到 GPT-Live-1，則意味著要採用它的後端選擇機制與另一套計費介面，並忍受一個直到 2026 年 9 月 10 日才正式開放給開發者使用、且早在 7 月 8 日就先在 ChatGPT 亮相的 API——因此圍繞它的第三方工具、SDK 與可觀測性都只有幾個月、而非幾年的成熟度。無論你往哪個方向遷移，都要在 token 帳單之外，額外編列整合工作的預算。在成熟的語音技術堆疊上，重構所需的成本通常比兩者中任何一項都還高。

如何在不押注於它的情況下進行這樣的比較

要解決一個 1.1 分的問題，明智的做法是在你自己的流量上同時跑這兩者，而棘手之處在於，這麼做通常代表兩套整合、兩份合約和兩組憑證。但它不一定要代表兩套架構。在這兩個系統中，語音前端都只是普通文字模型呼叫上的一層薄薄包裝——對 GPT-Live-1 來說這是明確的，而就 Gemini 這邊而言，背景工具執行也以相同方式解析——而那個文字層正是成本差異所在，也是切換真正便宜的地方。

OrcaRouter 提供190 個模型，只要一組金鑰，價格為供應商定價且不加價，因此上游價格變動當天就會在我們這邊生效，而不是等到下一次合約續約。對語音堆疊而言，真正重要的兩個特性是：委派目標可以在不觸及語音整合的情況下，於即時流量上切換；以及當後端發生錯誤或逾時時，自動容錯移轉能讓通話維持不中斷——這正是讓你能在真實流量上試用未經驗證的設定，而不必讓正式生產線也跟著承受風險的原因。為了精確說明我們有託管與沒有託管哪些服務：我們的 router 上既沒有 Gemini 3.8 Live Extended Thinking 端點，也沒有 GPT-Live-1 端點——那些來自 Google 和 OpenAI 自家的 API。它們委派使用的文字模型往往就在我們這裡，Gemini 3.8 Flash 便是其中之一。

排行榜的頂端，以及它有多麼難以穩定下來

下方的截圖拍攝於 2026 年 9 月 16 日：

• Gemini 3.8 Live Extended Thinking (High) — 82.6，第一名

• GPT-Live-1（Astra 後端，中等力度）— 81.5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1（Sol 後端，低投入）— 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

有三件事值得注意。首先，第一名和第三名相差 1.3 分，第一名和第五名相差 6.6 分，所以這個排行榜的頂端是一場混戰，而不是一份排名。其次，這場對戰標題中的模型不是排名第五的 Gemini 條目——那是標準版 Gemini 3.8 Live，是不同且便宜得多的產品，不應與這裡所比較的推理變體混為一談。第三，對於把任何單一指數數字視為暫時性數據，已有先例：xAI 在七月回報 Grok Voice Think Fast 2.0 為 82.9，而該模型在這個排行榜上顯示為 81.3。廠商回報的指數分數，不見得碰上即時排行榜還能站得住腳。68.6% 和 67.9% 的 τ-Voice 數字現在位於由 Artificial Analysis 自家測試框架運作的公開排行榜上，因此它們是獲得佐證，而不只是宣稱——但同一個測試框架上兩個模型之間 0.7 分的差距，並不算差異。用你的流量驗證它，否則就忽略它。

還有一個數字值得納入決策考量，因為它是這番比較中最令人不安的數字：Google 回報，在 Sierra 的 τ³-Banking 排行榜上，Gemini 3.8 Live Extended Thinking 為 35.1%，而 GPT-Live-1 Astra 為 32.0%。這些數字由廠商自行提報、未經重現，而且它們描述的是這樣一個世界：該排行榜上領先的語音代理，在每三次真實銀行任務嘗試中，大約有兩次會失敗。如果你的代理必須完成受監管的多步驟工作，那麼這兩個模型都還稱不上完成——而在該基準上領先 3.1 個百分點，並不是選擇某家廠商的理由，而是必須讓人類留在流程中的理由。

所以：如果對話自然度是產品本身，而你的通話簡短又密集，那麼 GPT-Live-1 的全雙工行為就是指標看不見的真正優勢，而在那樣的通話長度下，以工作階段時長計費也還算可接受。如果通話很長、很安靜或長度不一，或者語音推理與每小時成本是主要考量，那麼 Gemini 3.8 Live Extended Thinking 在真正重要的元件上領先，而且同時每小時還便宜約 40%——但要注意，它是回合制的、企業版仍處於預覽階段，而且需要先重構用戶端，才能執行你的工具。這一切都不能正當化只因 1.1 個指標點就選擇其中一個。就現有證據而言，在這兩者之間做選擇的誠實理由，是計費模式及其底層架構，而這兩者都是你這週就能在自己的流量上測量的東西。

在 OrcaRouter 上，自動容錯移轉能讓通話保持暢通，即使後端發生錯誤或逾時。