Gemini 3.8 Live и GPT-Live-1: два подхода к созданию голосового агента

Gemini 3.8 Live и GPT-Live-1: ключевые отличия

Чего не видно в таблице ниже: в обоих случаях реальную работу по-прежнему делает ваше приложение — например, запускает ваши функции и отслеживает, что запросил пользователь.

Что такое Gemini 3.8 Live и GPT-Live-1?

Обе — модели «речь-в-речь»: на вход подаётся аудио, на выходе — аудио, без отдельной транскрипции.

Что такое Gemini 3.8 Live?

Gemini 3.8 Live — низколатентная модель живого диалога от Google. Принимает текст, изображения, аудио и видео, рассуждает между репликами и асинхронно вызывает функции. Для обеих версий Gemini указан лимит ввода 131 072 токена на их страницах моделей.

Gemini 3.8 Live Extended Thinking — это отдельная модель, а не настройка. Она добавляет фоновое рассуждение на низком, среднем или высоком уровне, параллельно озвучивая прогресс.

В релиз-нотах Google обе модели отмечены как доступные для общего использования, хотя гайд по возможностям Live API всё ещё помечает API как превью.

Что такое GPT-Live-1?

GPT-Live-1 — полудуплексная голосовая модель OpenAI. Full duplex — технический термин для поведения «слушает, пока говорит», о котором шла речь во вступлении.

OpenAI называет передачу работы на бэкенд «делегированием» (delegation). Голос может продолжать говорить, пока выполняется эта работа.

GPT-Live-1 — это не то же самое, что линейка GPT-Realtime-2 от OpenAI или бэкенд-модель, на которую он делегирует. GPT-Realtime-2.1 держит рассуждение и инструменты в одной realtime-модели, так что всё, что сказано о делегировании, относится только к GPT-Live-1.

В чём главное отличие между Gemini 3.8 Live и GPT-Live-1?

Краткая версия уже была выше, теперь полная. Gemini 3.8 Live выбирает вызовы функций внутри живого сеанса, тогда как GPT-Live-1 передаёт рассуждение на отдельный бэкенд. В обеих схемах ваши функции запускает ваше приложение.

Где каждая модель «думает». Изображение автора.

Большинство дальнейших отличий вытекают из этого разделения, поэтому сначала — каждая сторона по отдельности.

Как Gemini 3.8 Live планирует в рамках одного сеанса

С Gemini не нужно настраивать вторую модель. Живая модель выдаёт вызов функции, когда ей нужны данные, а ваш клиент возвращает результат — как описано в гайде Google по thinking.

Переход на Extended Thinking сохраняет тот же WebSocket-эндпоинт и не требует бэкенд-модели, хотя клиентский код меняется.

Как работает делегирование в GPT-Live-1

GPT-Live-1 обрабатывает речь и решает, когда попросить помощи; бэкенд отвечает за рассуждение, инструменты и бизнес-правила. В гайде по промптам OpenAI полный порядок выполнения задачи помещается в инструкции бэкенда.

С Responses delegation OpenAI запускает модель, которую вы настроили. С client delegation работа уходит в любую модель или сервис, которые запускает ваше приложение. В любом случае гайд по делегированию говорит, что ваше приложение владеет правами, записями и состоянием задач.

Почему архитектурная разница важна

Цена за разделение — больше компонентов: голосовой сеанс, бэкенд и общее состояние между ними. Взамен можно менять модель рассуждения, не трогая голос.

Этот компромисс хуже выглядит, если у вас ещё нет бэкенда, и лучше — если нужно обновить существующего агента, не меняя его голос.

Как Gemini 3.8 Live и GPT-Live-1 справляются с перебиваниями?

Обе модели умеют обрабатывать перебивания, но GPT-Live-1 строится вокруг них, а также пауз и «поддакивания» (то самое «угу» слушателя). Gemini 3.8 Live поддерживает barge-in, а его проактивное аудио всегда включено, хотя в документации Google это не называют полным дуплексом.

По очереди или одновременно. Изображение автора.

В запускном посте OpenAI цитирует языковое приложение Speak, по словам которого GPT-Live-1 сократил перебивания почти на 80% по сравнению с покомандными системами; это отзыв клиента, а не независимый тест.

В Gemini проактивное аудио позволяет модели пропускать речь, обращённую не к ней. В нашем туториале по Gemini выяснилось, что звук с ноутбука, попадающий в микрофон, считается перебиванием со стороны пользователя, поэтому тестируйте с наушниками и без.

Как Gemini 3.8 Live и GPT-Live-1 работают с рассуждением и вызовами инструментов?

Gemini масштабирует рассуждение, переключаясь с базовой Live на Extended Thinking. GPT-Live-1 масштабирует его сменой бэкенда, поэтому сравнивайте Extended Thinking с полным стеком GPT-Live-1, а не с одной голосовой моделью.

Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking

Базовая Gemini 3.8 Live не имеет настройки thinking_level и поддерживает BLOCKING-функции для старого кода. Extended Thinking меняет четыре поведения клиента:

• Инструменты: работают только NON_BLOCKING-функции; блокирующая приведёт к жёсткой ошибке.

• Уровни рассуждения: минимального варианта нет, только три уровня, указанные выше.

• Окончание реплики: turnComplete: true больше не означает, что модель закончила, поэтому клиент отслеживает interaction_status до состояния IDLE.

• Планирование: планирование функций не поддерживается.

Google рекомендует Extended Thinking для многошаговых задач и медленных инструментов. Это стоит большего лага и большего числа выходных токенов.

Есть момент, который в документации Google раздражает. В запускном посте говорится, что Gemini 3.8 Live может «продолжать разговор, пока задачи завершаются в фоне», но гайд по thinking пишет, что базовая модель «ждёт выполнения инструмента, прежде чем говорить». В нашем туториале по Gemini наблюдалось второе поведение при получении погоды, так что пока лучше ориентироваться на гайд, пока Google не прояснит.

Какие бэкенд-модели работают с GPT-Live-1?

GPT-Live-1 может стоять перед любым настроенным вами бэкендом. В документации OpenAI указаны три бэкенда на GPT-6:

• GPT-6 Luna (gpt-6-luna) — рекомендуемая отправная точка в гайде по делегированию

• GPT-6 Sol (gpt-6-sol) — рекомендация для более сложных задач

• GPT-6 Astra, которую рекомендуют для сложных клиентских кейсов

Строки Artificial Analysis «GPT-Live-1 (Astra, medium)» и «GPT-Live-1 (Sol, low)» — это конфигурации системы, а не версии голосовой модели. Artificial Analysis не указывает поколение Sol, а OpenAI выпустила GPT-6.1 Sol после тех тестов.

Что происходит, если абонент меняет запрос посреди задачи

Предположим, абонент просит перенести бронь на пятницу, а затем говорит «вернее, на четверг», пока идёт поиск. Актуальным остаётся только второй запрос.

Изменение запроса во время долгой операции. Изображение автора.

В GPT-Live-1 прерывание голоса не отменяет работу бэкенда. При Responses delegation устаревший результат всё ещё может вернуться голосу, тогда как при client delegation ваш код может отбросить его заранее.

В Gemini ваш клиент тоже может отбросить устаревший результат инструмента. В любом случае ваше приложение решает, какая задача сейчас актуальна.

Поддерживают ли Gemini 3.8 Live и GPT-Live-1 изображения и видео?

Gemini 3.8 Live нативно принимает изображения и видео; GPT-Live-1 указывает оба как не поддерживаемые. Приложение на GPT-Live-1 всё же может отправить фото на отдельный vision-бэкенд, но не может само смотреть живую камеру.

В Gemini кадры попадают в тот же сеанс, что и аудио, так что модель может ответить «это тот кабель?» пока пользователь держит его перед камерой. У этого есть две цены. Видеокадры отправляются по умолчанию, и в руководстве по сеансам Google ограничивает сеансы с аудио и видео двумя минутами (против 15 минут только для аудио), если не включить сжатие контекстного окна.

Телефонные звонки против сессий починки с камерой. Изображение автора.

Линия бронирований никогда не увидит кадр, а рейтинги речи ниже не измеряют зрение.

Бенчмарки Gemini 3.8 Live и GPT-Live-1

Не сушествует одного бенчмарка, который бы расставил точки в этом сравнении. Среди четырёх конфигураций двух моделей Astra лидирует в основном индексе, Sol — в «динамике разговора», а базовая Gemini имеет самый высокий Arena Elo из этих четырёх.

Сначала — как работает основной индекс, так как это объясняет большинство расхождений.

Как работает Artificial Analysis Speech to Speech Index

Индекс равномерно взвешивает четыре разные компетенции:

• Big Bench Audio: вопросы на рассуждение, заданные вслух
• τ-Voice: многошаговые задачи поддержки клиентов, например изменение рейса
• Оценка Arena: слепые голосования людей, какого агента они предпочли
• Доля успешных задач: как часто диалог завершался правильным финальным вызовом инструмента

«Динамика разговора» публикуется отдельно по методологии v2.0.

Вот четыре конфигурации, которые здесь важны.

И у тех, и у GPT-Live-1 значения τ-Voice получены в одном прогоне, так что относитесь к ним с осторожностью.

Агентные задачи против предпочтений людей

В τ-Voice Astra набирает 74,5%, Extended Thinking — 68,6%, а базовая Gemini — 30,1%. Дополнительное рассуждение важно, когда инструменты выстраиваются в цепочки.

В разговорной манере картина иная: Sol — самый высокий, а доверительные интервалы Arena для базовой Gemini и Sol пересекаются.

Разрыв индекса в 0,6 пункта между Astra и Extended Thinking публикуемого доверительного интервала не имеет. Они уже менялись местами, так что это скорее ничья.

Какая модель отвечает быстрее?

Базовая Gemini 3.8 Live имеет самое быстрое время до первого аудио (TTFA) в таблице, но разброс между всеми четырьмя — менее 0,2 секунды. TTFA — это время, за которое модель выдаёт первый аудио-токен.

TTFA не отражает реакцию на перебивание и время, нужное для завершения бронирования или поиска. Последнее больше зависит от вашего бэкенда и инструментов.

Три вида ожидания в голосе. Изображение автора.

И Extended Thinking, и GPT-Live-1 могут продолжать говорить во время медленного поиска. Абонент всё равно ждёт бронирования.

Чего не измеряют голосовые бенчмарки

Для линии поддержки рейтинги не скажут вам:

• перенесёт ли ваш телефонный провайдер и кодек звук без искажений
• соблюдает ли агент ваш скрипт через десять минут разговора
• как он слышит звонящего с сильным акцентом на шумной улице
• сколько стоил звонок с учётом бэкенда и инструментов

Пилот на ваших собственных записях ответит на эти вопросы лучше.

Цены: что дешевле — Gemini 3.8 Live или GPT-Live-1?

Базовая Gemini — самая дешёвая в тесте Artificial Analysis, но модели считают разные вещи. Важнее стоимость успешной задачи, а не прайс за единицу.

Ниже — прайс-листы на странице цен Google и на странице модели GPT-Live-1 на момент написания; минутные цифры Gemini — это пересчёт цен за токены от самого Google.

Токены thinking делают Extended Thinking дороже базовой Gemini. По оценке Artificial Analysis: $0,84 за час входящего аудио для базовой Gemini, $3,50 для Extended Thinking, $4,47 для Sol и $5,83 для Astra — без учёта инструментов и скидок кэша. Gemini Live не поддерживает кэширование; у бэкенда GPT-Live-1 оно может быть.

Что считает каждый счётчик во время звонков. Изображение автора.

Часы GPT-Live-1 тикают и в тишине, и мутинг их не останавливает. Сложите статьи из таблицы и телефонные расходы, затем поделите на число завершённых задач.

Браузер, сервер и телефония в Gemini 3.8 Live и GPT-Live-1

Браузерные и серверные приложения могут подключаться к любой модели, но телефония их разводит. Диаграмма показывает варианты подключения; операционные различия — это длительность соединения и то, кто находится на пути звонка.

Пути подключения для браузера, сервера и телефона. Изображение автора.

Подключения Gemini сбрасываются примерно через 10 минут, поэтому для длинных звонков нужна резюмпация сеанса. В GPT-Live-1 логируйте голосовое соединение и делегированную бэкенд-работу отдельно.

Телефонные звонки и поддержка SIP

Прямой SIP исключает одного поставщика из цепочки звонка в GPT-Live-1. Партнёрский маршрут Gemini добавляет ещё один сервис для настройки, мониторинга и отладки.

Несколько разработчиков на форуме OpenAI сообщают о случаях, когда GPT-Live-1 обещает действие, не создавая делегирования. Поддержка OpenAI не назвала это багом; она указала на гайд по промптам, где отмечено, что устное подтверждение не означает, что бэкенд-работа началась. Рекомендуется логировать события делегирования отдельно от речи.

С 2 ноября OpenAI также поддерживает исходящие SIP-звонки для всех организаций, так что GPT-Live-1 может не только принимать звонки, но и совершать их.

Gemini 3.8 Live или GPT-Live-1: что выбрать?

Выбор сводится к двум вопросам: нужно ли ассистенту «видеть» и есть ли у вас уже бэкенд? «Да» на первый вопрос указывает на Gemini; «да» на второй — на GPT-Live-1.

Перейдите к сценарию ниже, который соответствует вашему продукту.

Телефонная поддержка и бронирования

Телефонной линии нужны обработка перебиваний и подтверждения до любых необратимых действий. GPT-Live-1 хорошо подходит: есть поддержка SIP и логика бронирования остаётся в бэкенде.

Диагностика по камере и экрану

Когда пользователь наводит телефон на роутер, модель должна рассуждать о том, что видит прямо сейчас. Gemini 3.8 Live делает это в одном сеансе, без отдельного vision-компонента, если учесть 2-минутный лимит видео из раздела про изображения.

Многошаговая работа в фоне

Для задач с цепочками инструментов сравнивайте Extended Thinking с GPT-Live-1 плюс Astra. Astra лидирует в τ-Voice в одном прогоне, так что выбор по-прежнему сводится к тому, где должно жить рассуждение.

Добавление голоса к уже работающему агенту

Client delegation позволяет добавить GPT-Live-1 к существующему агенту без переписывания его цикла рассуждения. В случае Gemini планировщиком становится живая модель.

Большой объём звонков при ограниченном бюджете

Короткие простые звонки склоняют к базовой Gemini — самой дешёвой конфигурации в тесте Artificial Analysis. Многошаговые инструменты меняют расчёт.

Заключение

Самый наглядный способ сформулировать сравнение: Gemini 3.8 Live объединяет «видение», рассуждение и речь в одной модели, а GPT-Live-1 отделяет голос от «интеллекта» за ним. Ни одна не доминирует, и обе достаточно близки по «естественности» речи и скорости ответа, так что архитектура определит большинство реальных решений.

Интересно, как быстро лидерство по агентным задачам сместилось в сторону GPT-Live-1 с Astra. Этот результат принадлежит всей системе, а не только голосовой модели, так что это аргумент в пользу делегирования — хотя один прогон — это сигнал, а не приговор.

Ещё стоит следить за линейкой бэкендов OpenAI, поскольку GPT-6.1 Sol вышла в конце сентября 2026 года. Каждая новая бэкенд-модель может сдвигать показатели GPT-Live-1, не трогая голос, тогда как у Google сопоставимая смена означала бы переключение живой модели.

Пока что Gemini 3.8 Live — более простой выбор для всего, что использует камеру, а GPT-Live-1 — более простой выбор для телефонных продуктов с уже существующим бэкендом. В любом случае вашему коду всё равно предстоит решить проблему «переноса с пятницы на четверг».

Базовые концепции агентов на любом пути рассматривает наш курс Introduction to AI Agents, включая инструменты, память и планирование.