GPT-Live-1 對比 Gemini 3.8 TTS：一個能進行對話，一個只是照稿念——而只有其中一個便宜

將 G​PT-Live-1 與 Gemini 3.8 Flash TTS並排放在每分鐘計價表上比較，答案看起來就顯而易見。G​oogle 的旁白收費約為 每分鐘 1.35 美分，這是生成語音在 2026 年費率下的價格。O​penAI 的對話模型收費 每分鐘 5 美分，這是通話中的價格——而且在後端思考時、使用者停頓時，甚至完全沒有人在說話時，都持續計費。大約二十七倍的差距，而這還是在任何人提出兩者是否在做同一件事之前。

它們並不是，而且其方式比一般那種「不同類別」的含糊帶過更有意思。Gemini 3.8 Flash TTS 聽不見。G​PT-Live-1 無法批次處理。而這個命名讓情況比原本需要的更糟，因為「G​emini 3.8 TTS」這個詞——半個網際網路都在用的這個標籤——並不對應任何你能呼叫的模型。

首先，名稱問題，因為這決定了你報的價格

沒有名為 G​emini 3.8 TTS 的模型。G​oogle 自家的說明文件把這個詞當作兩個可呼叫端點的統稱，而兩者定價差異之大，使得引用錯的那一個就是真正的錯誤：

• gemini-3.8-flash-tts — 完整等級，支援 130 多種語言，文字輸入每百萬個權杖 0.50 美元、音訊輸出每百萬個權杖 9.00 美元，並將於 2027 年 1 月 1 日調漲至 1.00 美元與 18.00 美元。

• gemini-3.8-flash-lite-tts — 支援 101 種語言，輸入費率相同，每百萬音訊輸出 token 為 6.00 美元，將調漲至 12.00 美元。

• 兩者皆提供 Batch 和 Flex 費率，價格為標準價格的一半（輸入 $0.25，輸出 $4.50 或 $3.00），以及 Priority 費率為 1.8 倍（輸入 $0.90，輸出 $16.20 或 $10.80）。

音訊以每秒 25 個 token 計費，這就是每分鐘數字的來源：25 個 token × 60 秒 = 每分鐘 1,500 個音訊 token，因此每百萬 $9.00 換算下來約為每分鐘 $0.0135。Flash-Lite 則落在約 $0.009 附近。

該模型的狀態確實尚未底定，值得公開說清楚，因為 Google 自家各處的說法並不一致。Gemini API 的變更記錄將這兩個模型都列為正式可用（generally available）。API 模型清單則將它們標示為「New Stable」。Google Cloud 的文字轉語音說明文件則描述它們僅能透過 Gemini Enterprise API 以預覽版（Preview）形式使用。那篇於 2026 年 9 月 23 日發布的公告部落格文章，則兩者皆未採用。本月若要撰寫採購說明，任何人都應把 GA 標籤視為變更記錄的說法，而非已確定的事實。

當你呼叫每個模型時，它實際上會做什麼

Gemini 3.8 Flash TTS 接收文字並回傳音訊。它沒有音訊輸入、沒有可發言的回合、沒有被打斷的概念，也沒有逐字稿可交回，因為它從未聽見任何東西。單次請求端點（unary endpoint）回傳 24 kHz 單聲道的 WAV；串流則回傳無標頭的 16 位元 PCM，並接受 mulaw 與 alaw，且取樣率可設定。內嵌的舞台指示會以角括號事件的形式寫入腳本 —— <laugh>、<sigh>、<breath>、<short pause> —— 除此之外，輸入文字會被視為逐字稿，而非指令。Live API 完全不支援這些模型。

GPT-Live-1 則負責相反的工作。它是全雙工：在產生輸出音訊的同時處理傳入音訊，每秒會多次判斷使用者是否已說完話，並將語音辨識轉錄內容作為工作階段的一部分回傳。其輸入為音訊與文字；輸出為音訊與文字；不支援圖片與影片。它支援串流與函式呼叫，但不支援結構化輸出，知識截止日為 2025 年 7 月 31 日。只有一個端點提供其服務——v1/live/sessions——而 Chat Completions、Responses、Realtime 與 Batch 全都不可用。

最後那個細節，正是讓許多工作負載的比較到此為止的關鍵。如果你的產品要唸出腳本，GPT-Live-1 既不是便宜的選項，也不是正確的選項。如果你的產品要接聽電話，Gemini 3.8 Flash TTS 只是整條流程的三分之一，前後還得各接上一個 ASR 模型和一個語言模型——而 GPT-Live-1 的整套重點就在於：這三個部分之間的接縫，正是對話斷掉的地方。

這些數字，以及它們屬於誰

在 Artificial Analysis 的 Provider Voice Arena——一個針對各廠商自家原生語音進行盲投的 Elo 排行榜——上，Google 的新模型落在中段，而非名列前茅：

• Gemini 3.8 Flash TTS — Elo 1,275，排名第 5，在 2,783 個樣本上的 95% 區間約為 1,260 至 1,290，標價為每百萬字元 16.5 美元。

• Gemini 3.8 Flash-Lite TTS — Elo 1,248，排名第 8，區間約 1,234 至 1,262，每百萬字元 11.0 美元。

• 在上述兩者之上——Eleven v4 Turbo 為 1,330，Eleven v4 為 1,329，Q​wen-Audio-3.1-TTS-Plus 為 1,296，以及 Cartesia Sonic 3.6 為 1,285。

Google 自家的說法比那個排行榜更有力，而且這是廠商說法：9 月 23 日的貼文稱，這些模型以 71.4 在 Hume AI 的 Voice Design Benchmark 拿下第一名，並以 60.8 在 Hume 的口音建模中居首，還在日語、巴西葡萄牙語、越南語、現代標準阿拉伯語、墨西哥西班牙語和印地語的盲測偏好中名列前茅。那些是 Google 回報、落在他人的評估上的名次，並非重現。

轉到對話這一側，G​PT-Live-1 的數據完全來自另一個榜單。Artificial Analysis 的語音對語音指數——語音推理、代理式效能、競技場偏好與任務成功率的加權平均——如今將 G​PT-Live-1 列在具名的後端配置之下，而非單一列：G​PT-Live-1（Astra, medium）與 G​PT-Live-1（Sol, low）位居該指數頂端，而 G​rok Voice 3.0 領先群雄。這是有用的提醒：在此架構中，語音模型只佔該列的一半；真正推動分數的是受委派的後端。

有一個重要卻無處可尋的數字：Google 並未公布這兩款 TTS 模型的任何官方延遲數據。所有流傳中的首次音訊時間數字都是第三方數據——某個聚合服務商的 p50 約為 Flash TTS 的 3.47 秒、Flash-Lite 的 2.66 秒——而這些數據都無法直接與 GPT-Live-1 的對話節奏相比，因為它們衡量的是不同的東西。

語音設計是兩者匯聚之處，也是兩者再度分歧之處。

現在兩家廠商都讓你用文字描述聲音。這在 2026 年是全新的功能，也是這兩款產品最接近彼此重疊的一次。

Google 的做法是透過 Gemini API：以提示為基礎的語音人設會持續儲存為voice_ ID，可從約 30 秒的樣本複製語音，並進行同意檢查，附加 SynthID 浮水印與 C2PA 憑證，且每個專案最多可有 200 個具狀態的自訂語音，自最後一次使用起保留一年。書面描述涵蓋角色、口音與聲音特質。

O​penAI 於 2026 年 10 月 16 日向所有 API 客戶發布的做法，是向 /v1/audio/voices發出 POST 請求，並附上 type: "prompt"、名稱、描述，以及 "model": "auto"。建立語音免費；使用該語音則按一般工作階段費率計費。它只回傳中介資料——沒有音訊，也沒有預覽。你可以調整的特質包括口音、年齡、呈現方式、音高、音色、質感、響度、語速與獨特性，全部以日常語言表達，沒有數值參數。

兩個差異決定你實際上可以使用哪一個：

• 在 G​PT-Live 上由提示詞生成的語音僅能與 G​PT-Live 搭配運作。它們與 Text to Speech、Realtime 及 Chat Completions API 明確不相容。相較之下，G​oogle 的自訂語音是渲染引擎用的語音，這正是它們能夠在整個目錄中重複使用的原因。

• OpenAI 端的組織上限是 100 個由提示詞生成的語音，而且這也適用於代表你的客戶所生成的語音。Google 的上限則是每個專案 200 個。如果你是一個為每位客戶生成一個語音的平台，這兩個數字就是你真正的產品限制，而不是附註。

回傳的內容也有差異。G​oogle 語音會附帶 SynthID 與 C2PA 來源資訊。O​penAI 由提示生成的語音則會以 ID、建立時間戳記和你自己的提示文字形式回傳——而且文件明確表示，生成的語音不保證是唯一的。請將描述納入版本控制；它是你要求內容的唯一紀錄。

價格差距不再高達 27 倍的分界線

按分鐘的比較是常被引用的那個，也是會造成誤導的那個，因為 G​PT-Live-1 的計量器衡量的並不是同一種資源。有三件事會左右真正的比率：

• 閒置時間同樣計費。語音工作階段只要還開著，就按秒計費，包括後端模型正在運算期間，以及使用者沉默不語的時候。Google 的計量器只有在產生音訊時才會推進。一通支援電話中，使用者講了四分鐘、你的後端思考了兩分鐘，在 Live 上就是六個計費分鐘，在 renderer 上則更少——而這還沒算上 renderer 仍需要的 ASR 與語言模型環節。

• 輸出長度在其中一方是可控的。渲染工作是個已知量：你可以在生成前先為一篇 900 字的文章估價，而 Batch 費率又會再把它減半。對話則不然。

• 後端是另外計費的。在 G​PT-Live-1 上進行的委派推理與工具使用，會按一般模型費率計費，並加在每分鐘 $0.05 之上；而 O​penAI 自家的成本指引把這個槓桿描述成讓使用者更快完成——例如，執行更快的後端並搭配平行工具呼叫，讓對話提早一分鐘結束，省下 $0.05。語音費率固定不變；工作階段長度才是調節鈕。

最後這一點，正是路由層不再只是可有可無的地方。用戶端委派讓你能把 GPT-Live 工作階段指向自己的代理或服務，這意味著被委派的後端可以是任何模型——而「任何模型」真正實用的版本，是一個端點與一把金鑰，而不是每間供應商各自一份合約。 OrcaRouter 以供應商定價提供 200 多款模型，且不收取加成，因此後端供應商一旦降價，當天就能反映到你這邊，而自動容錯移轉也能在來電者毫無察覺的情況下涵蓋供應商中斷。如果你正在建構委派路徑，後端選擇才是你成本真正所在之處；每分鐘 0.05 美元則是固定不變的。

確切地界定這條界線：OrcaRouter 並不代管 G​PT-Live-1 或 G​emini 3.8 TTS 模型。它所路由的，是受委派 Live 工作階段的推理端。

該選哪一個

如果你正在進行算繪——文章、文件、影片旁白、預先寫好的 IVR 提示——Gemini 3.8 Flash TTS 是正確的工具，而 G​PT-Live-1 每音訊分鐘大約貴 27 倍，且在批次處理上結構性地無法勝任這項工作。如果 101 種語言涵蓋你的需求，就選 Flash-Lite；如果延遲不是限制條件，就採用 Batch 或 Flex 費率；並從一開始就把 2027 年 1 月的價格翻倍納入模型，因為 G​oogle 已把它公布在同一張表裡，而不是把它藏起來。

如果你是在進行對話，TTS 比較就是範疇錯誤，而真正該問的問題是另一個：受委派的後端產出答案的速度，是否快到足以讓工作階段保持簡短。那才是決定你帳單金額的數字，而且正是沒有人會放上產品發表投影片的那個數字。

而如果你只是想弄清楚「G​emini 3.8 TTS」的費用——答案是每百萬個音訊 token 9.00 美元，適用於該名稱所指的兩款模型之一，直到 2026 年底為止。

這些都不是假設：像這次發布這類版本背後那些有紀錄的 AI 失效與代理事件，全都收錄在OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。