Grok Voice 3.0 對決 Gemini 3.8 Live：Google 銷售兩款語音模型，但這場較量只涉及其中一款

Google 對Grok Voice 3.0所給出的解答，每小時要價 0.84 美元。這是 Artificial Analysis 針對Gemini 3.8 Live標準配置的每小時輸入音訊成本數據，而且比每小時 4.80 美元的Grok Voice 3.0收費便宜 5.7 倍。但這同時也是不該拿來比較的錯誤模型。真正能與 SpaceXAI 新旗艦互有勝負的 Gemini 3.8 Live——在 Speech to Speech Index 上拿下 82.6、對上 Grok 的 86.9 的那款——其實是 Extended Thinking 變體，每小時要價 3.50 美元。這兩款模型之間的真正差距是 1.37 倍，而非 5.7 倍，而在這場對決中，從定價表挑錯一列，就是最昂貴的錯誤。

這是該類別首次出現真正的價格與品質前沿，而不只是有一個領導者和一個更便宜的替代品。Grok Voice 3.0 於 2026 年 10 月 14 日問世，每分鐘 0.08 美元，費率與 Grok Voice 2.0 相同；它在指數上獲得 86.9 分，且首次音訊時間不到一秒。Gemini 3.8 Live 於 2026 年 9 月 15 日登場，提供兩種配置，它們的行為像兩種不同產品：一種是成本領導者，另一種則是碰巧會說話的推理系統。

這兩個 Google 模型並非彼此的層級。

Google 自己的說法是以用途而非規模來區分它們。標準模型被描述為為了規模化與成本效益而打造，具備流暢對話與視覺對應能力。Extended Thinking 變體則被描述為為了高複雜度任務而打造，具備多步驟推理，並會在運作時把自己的進展出聲敘述出來。

它們之間測量出的差距並不是品質梯度。那是一道類別上的斷裂：

• Agentic 任務完成，τ-Voice — Gemini 3.8 Live Extended Thinking 68.6% 對比 Gemini 3.8 Live 30.1%。同一供應商、同一版本、同一底層系列，相差 38.5 個百分點。

• 語音轉語音指數 — 高推理強度下的擴展思考為 82.6，標準模型則為 76.0。

• 每小時輸入音訊成本 — $3.50 對比 $0.84。

• 首次音訊時間 — Extended Thinking 為 1.35 秒，而標準模型為 1.18 秒，兩者均由 Artificial Analysis 測量。

所以當採購文件問到 Gemini 3.8 Live 是否比 Grok Voice 3.0 便宜時，並沒有單一答案。相較於標準模型，xAI 的價格將近六倍，且指數領先 10.9 點。相較於 Extended Thinking，xAI 在音訊上貴 37%，且領先 4.3 點。這些是不同的決策，卻掛著相同的模型名稱。

正面對決，就靠對的 Gemini

暫時把標準版本擱在一旁，比較一下真正在爭奪排行榜榜首的這兩個模型。以下每一項數據都來自 Artificial Analysis 自家的測試：Grok Voice 3.0 為 2026 年 10 月 13 日，Gemini 3.8 Live Extended Thinking 在 High effort 下則來自九月的排行榜。

• 語音轉語音指數 — Grok Voice 3.0 86.9 對比 Gemini 3.8 Live Extended Thinking 82.6。4.3 分的差距真實存在，但不具決定性。

• 代理式效能，τ-Voice — Grok Voice 3.0 71.6% 對比 Gemini 3.8 Live Extended Thinking 68.6%。3 個百分點之差，也是榜上最接近平手的結果。

• Big Bench Audio 語音推理 — Grok Voice 3.0 98.5%，對比 Google 所報告的 97.7%。兩者實際上均已觸及上限；這項維度已不再具區分能力。

• 語音代理競技場偏好 — Grok Voice 3.0 以 Elo 1070 位居榜首，是排行榜上最高者。Google 的模型未能守住該競技場。

• 每分鐘音訊價格 — Grok Voice 3.0 輸入與輸出皆為 $0.08；Gemini 3.8 Live 音訊輸入每分鐘 $0.005，音訊輸出每分鐘 $0.018。

• 首次音訊時間——在 Artificial Analysis 的測量中，Grok Voice 3.0 為 0.81 秒；Gemini 3.8 Live Extended Thinking 為 1.35 秒，標準模型為 1.18 秒。Google 自家資料並未公布延遲數字。

• 每項完成任務的成本，Big Bench Audio — Grok Voice 3.0 每項任務 $0.025。Google 的兩個版本均未公布數據。

• 可用性 — Grok Voice 3.0 已定價並上線，同時對其前身發出棄用通知；Gemini 3.8 Live 是預覽版，沒有正式推出日期，沒有公佈的正常運行時間數字，也沒有 Google 承諾維持的價格。

• 語言涵蓋範圍 — Gemini 3.8 Live 能在對話中途切換 97 種支援語言；xAI 的語音轉文字層級記載了 38 種以上語言。

• 視覺輸入 — Gemini 3.8 Live 可處理近乎即時的視覺輸入；Grok Voice 3.0 則沒有可與之相比的視覺理解能力。

唯一一個 Google 的沉默本身才是重點的層面

請注意那份清單中的不對稱。Grok Voice 3.0 在 0.81 秒時開始說話。Gemini 3.8 Live Extended Thinking 則在 1.35 秒開始，標準模型在 1.18 秒開始，兩者都是根據 Artificial Analysis 的測量——這使得非推理版的 Gemini 比推理版更慢開始一輪對話，而這種反常現象幾乎可以確定是推理變體在運作時把自己的進度說出來所造成的結果，而不是真的有更快的路徑。

Google 自家的發布資料並未公布這兩款模型的任何延遲數據，只有合作夥伴對「令人驚豔的延遲表現」的相關說法。這點很重要，因為首次音訊回應時間（time to first audio）正是語音產品在使用者眼中成敗與否的關鍵面向，而這也正是 Google 選擇不給出數字的那個面向。如果你的產品是電話通訊，其中 0.81 秒就是「對話」與「延遲」之間的差別，那麼競爭對手對你供應商的實測數據，並不等同於你供應商自身的承諾。在正式採用前先測試，並留意正式推出（general availability）公告，看看是否會一併附上具體數字。

視覺接地則相反，且無疑是 {{1}}Google{{/1}} 的。一個能夠處理近乎即時視訊的模型，可以解決音訊無法解決的問題：「{{2}}這個{{/2}}」指的是什麼、提問者是否正看著他們所詢問的事物、線路上的雜訊是否是一台看得見的機器。{{3}}Grok Voice 3.0{{/3}} 是一個帶有工具的語音模型。這是一個真正的能力邊界，而不是配置差異，再多的指標分數也無法彌補這個差距。

價格差異實際上買到的是什麼

用實際工作負載來算算看。每天一萬分鐘的語音，一個月三十天，總共三十萬分鐘。

• Grok Voice 3.0 — 每分鐘 $0.08，所以一個月 $24,000。

• Gemini 3.8 Live Extended Thinking — 輸入音訊每小時 3.50 美元起，相同用量每月約 17,500 美元，並提供公開價目表，將輸入與輸出分開計費。

• Gemini 3.8 Live standard — 每月約 4,200 美元，用於一個能完成 30.1% τ-Voice 情境的模型。

中間那一列就是整個決策的核心。以每月比 xAI 旗艦方案便宜大約 6,500 美元的價格，Google 賣的模型在預覽狀態下只落後它 4.3 個指數點——差距小到任何其代理正在進行真正多步驟工作的團隊，都應該把兩者拿來對自己的錄音資料跑一遍，而不是只看排行榜。最下面那一列是個陷阱，除非你的語音介面是對話式的，而且你的任務完成是在堆疊中的其他地方發生——而對很大一部分已部署的語音產品來說，情況正是如此。

還有一項衡量指標值得納入那張試算表，因為它會部分扭轉整體情況。Artificial Analysis 在 Big Bench Audio 上的每項任務測量顯示，Grok Voice 3.0 完成一項任務的費用為 $0.025，而 GPT Live 1 在其 Astra 中型配置下則為 $0.030。每項完成任務的成本，而非每小時成本，才是能在預算會議上站得住腳的數字——一個需要第二次嘗試的較便宜模型並不真的較便宜。兩家供應商都沒有公佈 Gemini 組合的這項數字，這是另一個空白，顯示較便宜的選項尚未在真正重要的軸線上被衡量。

路由器在哪些情況下有用，哪些情況下沒有用

這件事要說精確，因為直覺反射的答案並不正確。OrcaRouter 並不提供這兩個即時端點中的任何一個。Grok Voice 3.0 來自 xAI 自家的 API，而 Gemini 3.8 Live 則來自 Google 的 API；沒有任何路由器能將自己插入屬於單一廠商的雙工音訊 WebSocket 之中。如果有人告訴你，他們的平台能讓你在通話中途於這兩者之間進行容錯移轉，他們描述的是一種不存在的東西。

可路由的是環繞它們的一切。語音部署是一個語音模型加上一組文字堆疊——通話結束後指派處置代碼的分類器、撰寫 CRM 備註的摘要器、回答語音模型必須轉交的問題的檢索、為了法遵而閱讀逐字稿的模型。這一層是普通的按請求計量推論，每次通話成本中有相當比例累積在這裡，而這正是我們營運的層：200 多個語言模型，只要一把金鑰，以供應商定價、零加成，供應商效能下降時自動容錯移轉，以及一個路由 DSL，讓你把多個模型組構成一次呼叫，而不必事先挑定其中一個。由於定價原封不動地傳遞，這些模型中任一供應商降價，我們這邊當天就生效。你付給 Google 或 xAI 的那一分鐘音訊，兩種做法都一樣；其背後的推論，才是你能選擇的部分。

決策規則

三個答案，而它們是由元件而非索引推導出來的。

若你的工作負載具代理性、對延遲敏感，且本季就要投入正式環境，就選 Grok Voice 3.0。它穩居綜合評比，也穩居競技場；它在前沿模型中擁有已公布的最快從啟動到開始說話時間；而且它的定價與支援附有棄用路徑，而非預覽公告。

選擇 Gemini 3.8 Live Extended Thinking，如果你需要視覺接地、如果你需要 97 種語言而非 38 種，或者如果你運行的語音分鐘數夠多，使得每小時 $1.30 的差異比 4.3 指數點更重要——並且接受你是在一個沒有正常運行時間承諾的預覽版上建構。

唯有在你已量測過自己的流量，並確認你通話中的多步驟部分已由語音模型外部處理時，才選擇標準版 Gemini 3.8 Live。從帳面上看，它以大幅差距成為該類別中最便宜的選項。但在 τ-Voice 軸上，它大約每十個情境就有七個會失敗，而除非你親自查看，否則索引裡沒有任何內容會告訴你這件事。

什麼會改變這個頁面：來自 Google 的正式推出日期與延遲數據，兩者合起來會讓較便宜的選項成為更安全的選擇；或是來自 xAI 的價格調整，這是其競爭對手無法匹敵的唯一槓桿，畢竟旗艦價格如今已在整整一個模型世代中維持不變。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。