一張為 Realtime 1 對比 Gemini 3.8 Live 生成的標題卡,對照 1074 的競技場 Elo 與 93.2% 的任務成功率,以及 30.1% 的代理式任務完成分數,另附 OrcaRouter 標誌。
Guides & Insights

Realtime 1 對決 Gemini 3.8 Live:競技場贏家是那個無法完成任務的

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

G​emini 3.8 Live 在 Artificial Analysis 的語音對語音排行榜上,擁有所有語音模型中最高的 Arena Elo——1074,領先 GPT-Live-1 的 1037,也明顯高於 Eleven Realtime Max 的 990。它在那組比較中同樣有最高的任務成功率,93.2%。而它在代理式任務完成度上得分 30.1%,是四者中最弱的數字。這三個數字描述的是同一個模型,而當你把它拿來與 MAI Realtime 1 相比時,理解它們為何能並存就是整個問題的核心;後者是 Microsoft 於 2026 年 11 月 17 日發表的新語音對語音模型,正好針對 G​emini 3.8 Live 最不擅長的地方。

其中一個模型是對話型,另一個則被當成操作型來推銷。兩者都尚未公布足夠資訊,無法在你的工作負載上證明誰是哪一種,但它們失誤的方向正好相反,而這比一個所有分數都差不多的排行榜更有用。

關於語音模型用途的兩種不同押注

G​oogle 對 G​emini 3.8 Live 的定位狹窄而篤定:它是「大多數低延遲、無推理延遲的語音代理體驗」的預設 Live API 模型,另外還有一個兄弟模型——G​emini 3.8 Live Extended Thinking——適用於互動過程中需要「更高背景推理」的情況。這種區分揭示了 G​oogle 認為基礎模型不適合什麼。真正的思考存在於兄弟模型之中。

微軟對 MAI Realtime 1 的定位則是鏡像般的相反做法。它是「具備自然對話流暢度與精準可控性的語音對語音」,而其架構明確採雙層設計:快速系統維持對話的即時性,較困難的任務則「被路由到更強大的推理引擎,而不會出現尷尬的停頓」。微軟賣的不是更會說話的系統,而是一個調度器:它說話得夠好,足以讓通話維持不中斷,實際工作則交給其他東西去做。

• Gemini 3.8 Live — 單一模型,刻意追求極致速度,推理能力則交由另一個更為重量級的兄弟模型提供,讓你依每次部署自行選用。

• MAI Realtime 1 — 一個產品背後搭載兩套引擎,依回合逐步升級,而非依部署升級。

• 實務上的差異——Google 要你在整合時先選好一項設定;Microsoft 則要你信任模型內建的路由器,並按 token 支付其推理層級的費用。

獨立數字對 G​emini 3.8 Live 的評價

這是這場對決中握有實際測量數據的一方,而且這些數據表現不錯:

• 語音對語音指數 — 74.5,而 Extended Thinking 版本為 82.6。此指數在代理任務欄對它扣分,而非對話欄。

• 語音推理(Big Bench Audio)— 91.7%。表現強勁,且在 Extended Thinking 上達 97.7%。

• 對話動態 — 96.1%。這就是 arena Elo 分數的來源:它在處理通話中的人類節奏方面,表現與任何受測對象不相上下。

• Arena Elo — 1074,是比較集中最高的。這實際上就是人類偏好,而且它離該列表底部還很遠。

• 任務成功率 — 93.2%,也是這組中最高的。

• 代理式任務完成(τ-Voice)— 30.1%。這是離群值,也是綜合指數低於擴展思考版本的原因。

• 首個音訊輸出時間——1.18 秒。不是最快的——Eleven Realtime Max 只需 0.57 秒——但快到足以讓「沒有推理延遲」的說法可信。

• 混合成本——依 Artificial Analysis 的正規化計算,約為每小時 0.84 美元。Google 自家的價目表則列出音訊輸入每分鐘 0.005 美元、音訊輸出每分鐘 0.018 美元,若以連續雙向通話計算,較接近每小時 1.38 美元;這道差距源於測量慣例不同,並非彼此矛盾,且不應把任一數字當成另一個數字來引用。

把代理式分數與任務成功分數對照來看,就會浮現一件重要的事。93.2% 的任務成功率一旁是 30.1% 的代理式完成率,這意味著該模型非常擅長測試框架視為對話式的任務,卻不擅長那些需要它跨步驟規劃並使用工具的任務。這些是不同的衡量工具,而這種不一致本身就是發現。G​emini 3.8 Live 大概會比 MAI Realtime 1 進行更好的對話。至於它是否能在那段對話結束時預約成功,則是另一個問題;而就目前唯一可得的公開證據來看,它是較弱的那一半。

A screenshot of Artificial Analysis's Speech to Speech AI Model & Provider Leaderboard page captured 18 November 2026, showing the page heading, the methodology summary covering reasoning quality, conversational dynamics, generation time and price, the Speech to Speech Index / Speed / Cost per Hour chart panels, and the Related Links rail; the individual model rows in the charts are not legible at this capture size.

Microsoft 的數字說明了什麼,而這是一個數字

MAI Realtime 1 沒有獨立評分。截至 11 月 18 日,Artificial Analysis 並未收錄該模型。微軟自己公布的內容,只是模型頁上的一個準確率數字——在 Big Bench Audio 上為 98.8%,頁面上標註為該基準中口語推理題目的準確率——外加一張 P50 首音訊時間卡,以及一句「BigBench Audio 上的 P50 延遲」說明。沒有 τ-Voice 的數字,沒有支援語言清單,沒有百分位數背後的分布資料,準確率數字旁邊也沒有方法論說明。把這個拿來和 Artificial Analysis 測得的 G​emini 3.8 Live 在同一基準上的 91.7% 相比,等於拿供應商自家評測去比第三方的評測:這兩個數字並不是同一類的東西,而把 98.8% 當成七個百分點的勝差,正是本文試圖避免的那種粉飾。該公司更廣泛的說法是,這款模型在 Big Bench Audio 與 τ-Voice 上處於效能—價格的帕雷托前緣,並且在品質、速度與價格上勝過 G​PT Realtime 2.1——這是與 O​penAI 按 token 計價的推理語音模型相比,而不是與 G​emini 3.8 Live 相比。

因此,今天對這兩個型號進行任何直接比較,都等於是在拿第三方實測的效能概況,與廠商自家公布的主打數字相比。這並不是跳過這場對決的理由,而是必須精確說明雙方實際承諾了什麼的理由。

微軟具體承諾的事項如下:每音訊分鐘 $0.01,推理費用為每百萬輸入 token $1.00、每百萬輸出 token $5.00,提供與 O​penAI Realtime API 相容的介面,推出限額開放的 Foundry 預覽版(在公開預覽前不計費),在 MAI Labs 提供僅限成人的兩分鐘非商業示範,廠商自報在 Big Bench Audio 上達到 98.8%,並附有 P50 延遲數字但未提供其分布,將在 Dynamics 365 Contact Center 與 Dragon Copilot 的護理師培訓模擬中推出具名部署,並在 Agoda 與 Reservations.ai 進行早期測試。

它尚未承諾的事項包括:語言、τ-Voice、資料駐留、保留政策,以及 GA 日期。

A screenshot of Microsoft's MAI Realtime 1 model page captured 18 November 2026, showing the 98.8% Big Bench Audio accuracy figure, a 'Start a conversation' button, $0.01 per audio minute pricing, $5 per 1M output tokens, and a P50 time-to-first-audio card labelled 'P50 Latency on BigBench Audio'.

成本比較,妥善完成

單就語音這條線來看,差距並不小。一分鐘的 Gemini 3.8 Live 音訊,輸入與輸出合計,在 Google 的價目表上是 0.023 美元。一分鐘的 MAI Realtime 1 在未計入推理成本前是 0.01 美元。大約是 2.3 倍,而且不同於與 ElevenLabs 相比的情況,Google 這一側沒有合規費或平台費會把差距拉大。

但真正有趣的成本差異不在於費率,而在於推理帳單落在哪裡。G​emini 3.8 Live 對困難回合的答案,是你另外部署的另一個模型——G​emini 3.8 Live Extended Thinking,按 Artificial Analysis 的基準為每小時 3.50 美元,指數為 82.6。那是一項部署決策,按音訊時數計價,無論某個特定回合是否需要它。MAI Realtime 1 的答案則是按回合升級、按 token 計價,當困難回合很少時較便宜,而當大多數回合都很困難時則較貴。

• 多數回合都很簡單,偶爾升級——MAI Realtime 1 的逐 token 模型勝出,而且大幅勝出。

• 多為棘手的對話輪次——G​emini 3.8 Live Extended Thinking 每小時固定收費 3.50 美元,是較可預測的工具;而當你在預估客服中心預算時,可預測性本身就有其價值。

• 混合流量且沒有明確劃分——你是在「站得住腳的按小時估算」與「必須實測的按 token 估算」之間做選擇。這兩者是不同的採購洽談。

值得注意,Google 的免費方案涵蓋 Gemini 3.8 Live,輸入與輸出皆不收取費用,但受速率限制。對於原型開發而言,這比起填寫註冊表單再排隊等候,確實是一大優勢。

語言比基準更能決定更多的對局

G​emini 3.8 Live 繼承了 Live API 的多語言行為,而 G​oogle 的文件將非英語對話視為一般用途。MAI Realtime 1 的發布資料並未列出任何一個支援的語言。Microsoft 的語音傳承可追溯至 Dragon,這是一款臨床聽寫產品,在英語部署方面表現強勁;而 Transcribe 2 的公告談到將多語言錯誤率減半——但那是轉錄模型,不是即時模型,而且也不是語言清單。

如果你的代理只服務一個英語市場,這只是個註腳。如果它服務三個市場,MAI Realtime 1 還不是你可以評估的候選方案,因為預覽版不會告訴你它在你需要語言中的表現。

如何在任一供應商定案之前進行比較

兩個模型都支援 O​penAI Realtime API——G​oogle 的 Live API 是透過其自有介面,Microsoft 則是明確依設計如此。G​emini 這一方密切相關,但工作階段語意並不完全相同,因此要預留轉接器的成本,而不是只替換 base URL;依 Microsoft 自己的說法,MAI Realtime 1 這一方更接近可直接替換。

決定這場對決的評測不是基準測試,而是任務完成測試:給每個模型相同的二十個真實請求,這些請求需要一次工具呼叫與第二步,然後計算有多少個完成。Gemini 3.8 Live 的 30.1% 代理式分數設定了你的先驗——它應該大約完成六個。如果 MAI Realtime 1 的表現落在這附近,價格優勢在這個工作負載上對你毫無幫助。如果它落在 Eleven Realtime Max 在同一套測試框架上達到的 87% 附近,那麼 Microsoft 的雙層設計就正發揮其宣稱的效果,這場對決也就結束了。

那項評估需要為語音模型背後的推理層加上可觀測性機制,因為在 Microsoft 這邊,第二步實際上就發生在那裡。OrcaRouter 正是這一層接上的地方:以供應商定價、0% 加價,用一組金鑰即可存取 200+ 個模型、自動容錯移轉,讓停滯不前的推理呼叫不會變成通話中四秒的沉默,以及一套路由 DSL,讓升級路徑成為一條規則,而不是你在語音處理常式中自行維護的程式碼。MAI Realtime 1 本身並不在我們的目錄中——它可透過 MAI Labs 與 Foundry 有限存取預覽版取得——因此我們所路由的是它交接出去的一切,再加上 G​emini 3.8 Live 的同系列模型,如果你走 G​oogle 路線的話。

預覽對採購時程有何影響

把兩條可用性途徑並排來看,這種不對稱就不再是關於模型本身,而是關於要多久才能知道任何事。Gemini 3.8 Live 今天已在 Google 的 Live API 上正式推出,並有一個在速率限制下涵蓋輸入與輸出的免費方案,這意味著兩天的突增就能在週末前產生任務完成數字。MAI Realtime 1 則是一份註冊表單、一份候補名單、一段僅限成人且非商業用途的兩分鐘示範,以及一個預覽版;Microsoft 表示在公開預覽開始前不會收費。

這些是不同類型的阻力,而且對不同團隊有利。如果你現在就需要答案,而且這個答案必須經得起簽核請款的人的質疑,G​emini 3.8 Live 會給你一份經過測量的效能概況,背後有公開的測試框架,還有一個你可以爭論的公開費率。如果你有餘裕的工程能力,而且本季度沒有截止期限,Microsoft 的預覽版是這個類別裡最便宜的有用實驗——每分鐘一美分,今天幾乎不花錢,對上一個沒有第三方測量過的模型,用在你可能已經會用的介面上。

• 這週先做原型,下一季再決定——兩種做法都行,而且兩邊都有免費方案,代表這個實驗幾乎不花錢。

本週做原型,下個月就上線 —— Gemini 3.8 Live,因為 MAI Realtime 1 既沒有正式發布(GA)日期,也無從預測。

• 資料不能離開您的租用戶或您的區域——就公開條款而言,這兩者都不是答案;G​oogle 在 Live API 上有區域控制,而 Microsoft 對 Realtime 1 的資料駐留問題隻字未提。

A generated two-column scoreboard titled 'MAI Realtime 1 vs Gemini 3.8 Live — the scoreboard'. Left column MAI Realtime 1: arena Elo not scored, task success not published, agentic not published, reasoning 98.8% vendor, cost $0.01 plus tokens. Right column Gemini 3.8 Live: arena Elo 1074, task success 93.2%, agentic 30.1%, reasoning 91.7%, cost $0.84 per hour. Footer reads 'Gemini figures per Artificial Analysis; the 98.8% is Microsoft own, unaudited.'

這是為誰分攤的?

如果產品本質是一場對話,就選擇 G​emini 3.8 Live。如果價值在於代理聽起來如何、如何處理被打斷、回答多快,以及它在六種語言中的表現有多好,那麼它在同價位帶的所有產品中,擁有最佳的實測效能概況,還有免費方案可讓你親自驗證。30.1% 的 agentic 分數只有在你的通話需要以完成的行動收尾、而非一場處理得宜的交流時,才重要。

如果產品本質是一筆交易——預訂、理賠、跨系統查詢——而且你能接受在 Microsoft 另行公布前僅支援英文,那就該認真看待 MAI Realtime 1。每分鐘一美分,加上未計費的預覽版,這是查明供應商端路由器是否勝過你應用端路由器的最便宜方式。風險不在錢,而在於你將以一個模型為基礎上線,而它唯一公布的準確率數字是自家的 98.8%,背後沒有重新執行驗證、沒有 τ-Voice 分數、沒有語言清單,也沒有延遲分布——而本月唯一能補上這個缺口的人是你,靠你自己的量測工具。

雙方都沒做的事,是公布那個能定案的數字:真實對話中有多大比例需要第二個引擎。Google 的答案是賣你第二個模型,讓你按每次部署自行決定。微軟的答案則是逐回合決定,並據此向你收費。兩者都是誠實的設計。今天只有其中一個可衡量,而且它不是比較便宜的那個。