GPT-Live-1 vs Gemini 3.8 Live：語音 API 怎麼選，先問要不要吃鏡頭

9 月 10 日，OpenAI 在 API 上線 GPT-Live-1。9 月 15 日，Google 跟著發布 Gemini 3.8 Live 與帶背景推理的 Extended Thinking 版本，官方部落格寫明開發者管道是 Gemini API 與 AI Studio，同時也鋪進一般使用者會碰到的 Search Live 與 Workspace（Docs／Gmail／Keep Live）。兩家只差五天，開發者社群很自然地在問「該選哪一個」——但這篇文章要談的是開發者真正拿得到的 API，不是使用者介面裡的體驗。

但把兩邊的官方技術規格表攤開來看，這其實不是「誰比較好」的問題——是兩種不同的產品。

先問一句：你的產品要不要吃畫面

OpenAI 的 GPT-Live-1 模型頁，Modalities 那張表寫得很直白：Text 支援輸入輸出、Audio 支援輸入輸出，Image 不支援、Video 也不支援。它是一個全雙工（full-duplex）純語音模型，能同時聆聽與說話，但推理和工具呼叫是委派給後端另外配置的模型去做——官方原文是「It can listen and speak at the same time, and delegate reasoning and tool use to a backend agent.」。

Gemini 3.8 Live 不一樣。Google 的技術規格頁列出 Input modalities 是 Audio（16-bit PCM、16kHz）、Images（JPEG，每秒最多一張）、Text；Output modalities 是 Audio（16-bit PCM、24kHz）。它吃得下畫面，只是不是連續視訊串流，而是低幀率的 JPEG 截圖流——鏡頭或螢幕分享在產品層就是這樣實作的。

這一步決定一切，但要分清楚「畫面」是指什麼：如果是「語音 session 進行的當下，AI 要同步看到使用者在做什麼」——客服邊講邊看截圖、智慧眼鏡邊講邊辨識眼前物體——GPT-Live-1 的模態表已經排除了這條路，session 本身收不了 Image／Video。如果只是先把一張截圖或畫面交給另一個支援視覺的模型分析、再由 GPT-Live-1 把分析結果講出來，架構上做得到，只是那已經是另一層系統整合，不是 GPT-Live-1 這顆語音模型本身的能力。如果只需要純語音一問一答，兩邊才算進入同一個擂台。

計費邏輯本來就不是同一種算法

價格是第二個容易被誤讀的地方。GPT-Live-1 前端語音層是每分鐘 0.05 美元，官方寫明「billed per second」、且不會被無條件進位到下一分鐘——但這是連線時間買斷，session 開著多久就算多久，不管當下是誰在講話。背後配的推理模型（Responses API）另外照該模型自己的牌價計費，官方原文直接寫「Backend Responses calls use the normal pricing for the configured model and tools」，沒有指定預設要搭哪個模型。

Gemini 3.8 Live 的音訊費率是輸入每分鐘 0.005 美元、輸出每分鐘 0.018 美元（官方同時給了每百萬 token 的算法，per-minute 是官方換算好的等效值），這是依實際流量計費、端到端價格，沒有另一層後端模型費用。

兩者算法不同，直接相加比較會失真。以下通話成本是 aire 依官方公布的每分鐘費率自己換算的情境數字，不是任何一方官方公布的固定通話方案價。用「雙向同時講滿」的理論上限估：10 分鐘通話，GPT-Live-1 前端層 0.5 美元、Gemini 3.8 Live 純音訊 0.23 美元；60 分鐘則是 3 美元對 1.38 美元。但真實對話很少雙向同時講滿，改用一般輪流對話 50/50 估，Gemini 3.8 Live 10 分鐘會落在約 0.115 美元、60 分鐘約 0.69 美元。GPT-Live-1 這邊還沒完——前端 0.5 美元之外，還要疊加後端模型的 token 費用。舉個情境示範（非官方套餐價，只是示範算法，不是說這是官方推薦或常見的後端搭配）：如果後端配 aire 站內另一篇已查證過牌價的 GPT-6 Astra（每百萬輸入 token 10 美元、輸出 50 美元），一段 10 分鐘對話粗估處理 3,000 輸入加 3,000 輸出 token，後端費用約 0.18 美元，加上前端 0.5 美元，10 分鐘總價落在約 0.68 美元——這只是說明「GPT-Live-1 的帳單是前端加後端兩段疊加」的結構，實際數字取決於你自己配的後端模型。

免費層也是一個對稱的落差：GPT-Live-1 的並行 session 上限表裡，Free 那一列寫著「Not supported」，最低要 Tier 1（25 個並行 session）的付費帳號才進得去；Gemini 3.8 Live 則有 Free tier 可以直接免費打 API 試手感，差別是 Free tier 的資料官方會用來改進產品，Paid tier 才不會。

兩邊都內建逐字稿，但其他附加功能各自不同

先說兩邊都有的：GPT-Live-1 官方模型頁寫明「natively provides ASR transcripts and response text」，也就是原生就有雙向逐字稿；Gemini 3.8 Live 的 Key features 裡同樣列了 Audio transcriptions。這一項不是差異點，兩邊都內建。

差異在其他附加功能。Google 官方列的 Key features 裡，Gemini 3.8 Live 支援 70 種以上語言對話、隨時可被打斷（barge-in）、Proactive audio（模型自己判斷什麼時候該接話）、Affective dialog（語氣會跟著使用者的表達方式調整）。官方頁面另外列了 Live Translation（即時語音對語音翻譯）功能，但那其實是另一顆獨立模型（gemini-3.5-live-translate-preview），有自己另外的一套費率，不包含在 Gemini 3.8 Live 的音訊費率裡，要翻譯得另外呼叫、另外計價。

GPT-Live-1 的功能支援表寫著 Streaming、Function calling 支援，但 Structured outputs、Fine-tuning、Predicted outputs 都不支援。它的定位更像一根「語音管線」——聽與說、逐字稿這一段做得好，但工具使用（tool use）與複雜判斷邏輯、狀態管理，都交給你自己配置的後端模型去處理；端點也和既有的 Realtime API（v1/realtime）分開，是獨立的 v1/live/sessions，兩者並存不是取代關係。事實表裡沒有找到官方寫 GPT-Live-1 支援幾種語言的具體數字，這點留白，不代人猜。

小團隊還要看的一件事：並行上限

如果產品要正式上線，並行使用人數也是門檻之一。GPT-Live-1 的並行 session 上限是按付費 tier 分級的：Tier 1 只有 25 個並行 session，Tier 2 是 50、Tier 3 是 200、Tier 4 是 300、Tier 5 是 500——剛起步的小團隊帳號多半卡在較低的 tier，25 個並行連線對一個小型客服或語音助理產品未必夠用，得先確認自己帳號的 tier，別等上線撞牆才發現。這一點官方頁面沒有寫 Gemini 3.8 Live 的對應數字，本篇不比較，只提醒 GPT-Live-1 這邊有這道門檻要先查。

給繁中小團隊的選型建議

先問「要不要吃畫面」。要，Gemini 3.8 Live 目前是唯一選項；GPT-Live-1 現階段的模態表完全排除鏡頭與螢幕輸入，不是價格或體驗的問題，是規格上做不到。

不需要畫面、純語音對話（客服電話、語音助理這類場景），才進入真正的比價：Gemini 3.8 Live 的檯面費率明顯較低、有免費層可以先試，內建 70+ 語言對話；GPT-Live-1 的前端層費率單純，但要自己另外配後端模型、自己接工具鏈，整體帳單與工程量都取決於你怎麼配置後端。兩邊都內建雙向逐字稿；即時翻譯兩邊都得另外處理——Gemini 那頭是另一顆獨立計價的模型，不是 3.8 Live 本身內建。

兩家上線都在最近兩週內，9 月 29 日 OpenAI DevDay 前後可能還有新公告。這篇的定價與規格數字是發稿當下逐一對過官方頁面查到的，真要導入生產環境前，建議自己再上 developers.openai.com 與 ai.google.dev 重查一次官方頁面。