Gemini 3.8 Live 對決 Grok Voice Think Fast 2.0：0.3 分的差距與 3.2 倍的帳單

Both Gemini 3.8 Live 與 Grok Voice Think Fast 2.0在說話的同時進行推理——或者更確切地說，兩者都是在真正競爭排行榜頂尖位置的配置下這麼做，而對 Gemini 3.8 Live 而言，這意味著是 Extended Thinking 版本，而非標準層級。兩者都被各自的開發商描述為 Artificial Analysis 語音對語音指數（Speech to Speech Index）上的第一名。然而，目前在公開排行榜上，這兩項宣稱只有一項看得見，而兩者領先者之間的差距僅為 0.3 分——只比同一張圖表上其他位置相鄰模型之間的差距略大一些，換句話說，這並不是真正的差異。

兩者之間的成本差異不是 0.3 個百分點，而是 3.2 倍。

那種不對稱就是整件事的關鍵，也是在閱讀任一廠商公告之前必須先理解的事。

兩項第一名的宣稱

當 xAI 在 2026 年 7 月底發表 Grok Voice Think Fast 2.0 時，報導中的數據顯示，它在 Artificial Analysis 語音對語音品質指數上達到82.9%，領先 GPT-Realtime-2.1 的 79.1% 與 Gemini 3.1 Flash 的 69.5%。多家獨立媒體重複了這套說法，並將該模型描述為全球語音領域排名第一。

在2026年9月16日擷取的排行榜上，在Google發布之後，同一個模型顯示為 Grok Voice Think Fast 2.0 High 為 81.3。不是82.9。而最上面一列現在是 Gemini 3.8 Live Extended Thinking 為 82.6。

董事會全體成員，依序：

• Gemini 3.8 Live Extended Thinking — 82.6

• GPT-Live-1（Astra 後端，中等投入）— 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

那份清單裡有兩堂課，而兩者都不是在談哪個模型比較好。第一堂是：廠商自行回報的指數分數並不持久：xAI 的 82.9 沒有在公開排行榜上保住，現在顯示的是 81.3。這並不是指控對方不誠實——綜合指數會修訂，組態設定各不相同，而用七月數字對比七月的競爭環境並沒有錯，只是過時了。但這確實意味著，你唯一該拿來做規劃依據的數字，是你自己讀到、且註明日期的數字。第二堂是：在這裡第一名與第三名之間相差的 0.3 分，並不是有意義的品質差異。任何人若因為這個數字而在这兩個模型之間做選擇，就是在根據雜訊做選擇。

讀取元件，而非合成結果

複合指標會掩蓋爭論。Speech to Speech Index 是語音推理、代理式表現、競技場偏好與任務成功率的加權平均——而在這場對決中，兩個模型在這四項裡的兩項上差距不小。

這正是 Google 的主張真正有趣的地方，因為 Grok 的整個賣點就是代理式效能：

• Agentic 效能（τ-Voice） — Google 報告 68.6%，為 Gemini 3.8 Live Extended Thinking 的成績。xAI 報告 56.5%，為 Grok Voice Think Fast 2.0 的成績，大約領先 GPT-Realtime-2.1 的 45.7% 約 11 個百分點，也領先當時 Gemini 3.1 Flash 的 37.7% 約 19 個百分點。如果兩家廠商的數據都成立，Google 已拿下這個 xAI 原先領先約 12 個百分點的類別。

• 語音推理（Big Bench Audio） — Google 報告 97.7% 是 Extended Thinking 模型的表現。xAI 報告 97.2% 是 Grok 的表現。基本上不相上下。

• 銀行工作流程的任務成功率 — Google 報告為35.1%，數據來自 Sierra 的 τ-Voice-banking 基準測試。xAI 尚未公布可直接比較的數據。

• 對話動態（Full Duplex Bench） —— Grok 回報 95.1%，略低於當時 GPT-Realtime-2.1 的 95.7%，但遠高於 Gemini 3.1 Flash 的 74.3%。Google 尚未公布 Gemini 3.8 Live Extended Thinking 的 Full Duplex Bench 數據。

誠實註記在這裡比平時更重要。68.6%、35.1% 和 97.7% 是 Google 自家數字，發表在 Google 的部落格上，而 Google 以外沒有人重現過。Grok 的 56.5%、97.2% 和 95.1% 來自 xAI 或 Artificial Analysis，而且就指數排名而言，是可公開查核的。這項比較中唯一可獨立查證的數字，是兩個指數分數：82.6 和 81.3。其餘全都是各說各話，而且這些說法來自與結果有利害關係的各方。

可以穩妥地說的是：Google 宣稱在 xAI 用來合理化其漲價的那個特定維度上取得大幅領先。如果這項說法禁得起獨立測試，這場對決在能力上就已成定局。如果禁不起，那麼 0.3 點的指數差距就是全部的差異，而價格差距也將變得站不住腳。

帳單：每小時 1.50 美元對比 4.80 美元

成本是這項比較中不取決於任何人基準測試方法論的部分，因為它是已公布的費率。

Grok Voice Think Fast 2.0 的定價為每分鐘音訊 $0.08，約每小時 $4.80。這比 Think Fast 1.0 的每小時 $3.00 上漲了 60%，而使用grok-voice-latest 別名的使用者已於 2026 年 8 月 5 日自動遷移——想要繼續使用舊模型的開發者必須在該日期前鎖定版本化 ID，否則就只能接受這項變更。

Gemini 3.8 Live 發表時，音訊輸入為每分鐘 $0.005，音訊輸出為每分鐘 $0.018。Artificial Analysis 的每小時輸入音訊成本圖表將其列在每小時 $1.50——正好比 Grok 的 $4.80 便宜 3.2 倍。作為參考，同一張圖表顯示 GPT-Realtime-2 High 為 $4.14、Qwen Audio 3.0 Realtime Plus 為 $4.42，而 GPT-Realtime-2.1 High 為 $10.75。

那份名單所呈現的市場格局，值得用一句話來說明。榜上最便宜的項目是 Gemini——Gemini 3.1 Flash Live，每小時 1.42 美元——第二便宜的則是 Gemini 3.8 Live，每小時 1.50 美元。Google 已將其最新的語音模型定位為該類別中第二便宜的選項，價格低於它在品質上與之競爭的模型。

注意這對任何在八月遷移到 Grok 的人意味著什麼。在漲價和 Google 推出新服務之間，同樣的工作負載在這場對決的一方從每小時 3.00 美元漲到每小時 4.80 美元，而在另一方則能以每小時 1.50 美元取得。模型本身沒有任何改變導致這種情況。七月做出的路由決策，如今付出的成本是替代方案成本的兩倍以上，而這正是路由器存在的目的所要避免的情況。

Grok 仍領先之處

兩件事，而其中一件還差得遠。

延遲。Grok Voice Think Fast 2.0 將首次音訊輸出時間從 1.25 秒縮短至0.70 秒，這是該類別中已公佈的最快數據。Google 完全沒有公佈 Gemini 3.8 Live 的任何延遲數據——只有合作夥伴的推薦語，形容其「延遲表現令人印象深刻」。在電話通話中，0.70 秒就是對話與延遲之間的差別，而這是 xAI 的主張既具體又無人能及的唯一個面向。如果你的產品是電話通訊，這一點的重要性可能超越上述所有內容。

轉錄穩健性。 xAI 評估了 24 種語言中數千個短語的詞錯誤率，並報告其錯誤率比包括 Deepgram Nova 3 和 ElevenLabs Scribe v2 在內的專用 STT 模型低 1.5–2.0 倍，比 Think Fast 1.0 低 1.4 倍，而在涉及背景噪音和電話壓縮的嘈雜環境中，錯誤率大約低 10 倍。這些是供應商自行報告且未經獨立驗證，而嘈雜環境的主張是首先應該測試的，因為它最具體，也最容易否證。

Grok 也有值得留意的實用開發者功能：與 OpenAI Realtime 相容的 WebSocket API、24 kHz 的 PCM16 並以 μ-law 支援電話語音、伺服器端語音活動偵測、供瀏覽器應用程式使用的短效權杖、可從約一分鐘的語音進行自訂語音複製，以及推理權杖量約為前一版本的 0.4 倍。

Gemini 3.8 Live Extended Thinking 引領的方向

除了索引位置與所宣稱的代理能力落差之外，差異點在於結構：

• 視覺 — Gemini 3.8 Live 能處理近乎即時的視覺輸入。Grok Voice Think Fast 2.0 則缺乏可比的視覺基礎。

• 語言涵蓋範圍 — 支援 97 種語言，並可在對話中自動切換，相較於 Grok 的 25 種以上。

• 敘述式推理 — Extended Thinking 變體會在運作時同步說明，使用「讓我確認一下……」等提示，以及即時進度敘述；對等待多步驟任務的使用者而言，這是更清晰易讀的行為。

• 浮水印 — 所有生成的音訊皆帶有 SynthID。

• 成本 — 每小時輸入音訊的成本便宜 3.2 倍。

這些制衡力量確實存在。Google 並未公布任何延遲數據、上下文視窗，也沒有公布任何公司外部人士已重現的各元件數據。它的可用形式是預覽版，而非正式全面開放：開發人員可透過 Gemini API 和 Google AI Studio 取得，企業可在 Gemini Enterprise 中以私人預覽方式取得，消費者則可透過 Gemini Live、Docs Live、Gmail Live 和 Keep Live 取得。Grok 的模型今日已正式開放使用，其 API 也有文件說明。

兩者都位於其上的圖層

有一個結構上的相似點很容易被忽略，卻比任何一份規格表都更重要。這兩個模型都會進行委派。Grok 的平行推理幾乎總是以一次工具呼叫或一次查找作結，而 Google 的背景工具執行則是明確設計成讓對話在 API 呼叫完成的同時繼續進行。這兩個語音前端底下，都是一個普通的文字模型工作負載——而你那整體成本的大部分，以及幾乎所有切換上的彈性，都正存在於此。

OrcaRouter 以單一金鑰運行 190 個模型，按供應商定價、零加成，這意味著供應商降價當天我們這邊就會同步生效，而不是等到下一次續約。在一個主要模型短短數週內就把每分鐘費率調高 60% 的類別裡，這絕非小事。對語音而言，另一項關鍵特性是自動容錯移轉：因後端逾時而中斷的通話，就等於流失的客戶；而能夠在不改寫語音整合的情況下，對即時流量更換委派目標，正是讓前端選擇保持可逆的關鍵。精確說明一下範圍——Grok Voice Think Fast 2.0 與 Gemini 3.8 Live 端點並不在我們的路由器上；那些是來自供應商自家的 API。它們所委派的文字模型一般而言則在。

什麼能讓它塵埃落定

這場對戰異常容易解決，因為決定性的證據既具體又尚待確認。只要三件事就能搞定：

• 獨立 τ-Voice 採用 Gemini 3.8 Live Extended Thinking 運行。Google 宣稱 68.6%，對比 Grok 的 56.5%。在 Google 歷來未曾領先的類別中，這是一項 12 個百分點的宣稱，而它正是最能改變判定的單一數字。

• 一個已公布的延遲數據。在 Google 公布一個延遲數據之前，Grok 的 0.70 秒依然無人能敵，而電信買家只有一個站得住腳的選擇。

• 正式推出與穩定定價。預覽版定價會變動。每小時 1.50 美元的費率若在正式推出時翻倍，這項比較結果將徹底改寫。

在那些功能正式上線之前，站得住腳的立場比任一聲明所暗示的都更狹隘。當延遲是限制條件、且工作負載屬於電話語音型態時，Grok Voice Think Fast 2.0 仍是正確選擇。當推理深度、視覺或語言廣度很重要，且你能容忍預覽狀態與未公布的延遲時，Gemini 3.8 Live Extended Thinking 則是正確選擇。而它們之間的 0.3 分不該決定任何事——該由 3.2× 來決定。