Nel giro di cinque giorni le due aziende più grandi del settore hanno messo in vendita un modello che parla e ascolta nello stesso momento. OpenAI ha aperto GPT-Live-1 agli sviluppatori il 10 settembre 2026, Google ha risposto il 15 con Gemini 3.8 Live e la sua variante Extended Thinking. Chi deve costruire un assistente parlato — un centralino, un supporto clienti, una voce dentro un’applicazione — si trova davanti a due prodotti che sembrano la stessa cosa e che sono costruiti su due idee opposte di come si fa ragionare una voce.
Questo confronto mette in fila quello che le due aziende hanno dichiarato per iscritto: prezzi, lingue, limiti, misurazioni. Tutti i numeri che seguono sono stati verificati sulle fonti ufficiali il 16 settembre 2026, e vale la pena tenerlo a mente perché in questo settore un listino resta fermo poche settimane.
Due modi opposti di far ragionare una voce
La differenza vera tra i due non sta nella qualità del parlato, che in entrambi i casi è alta, ma in dove finisce il pensiero.
OpenAI ha scelto la separazione. GPT-Live-1 è, per ammissione della documentazione, uno strato vocale: gestisce l’ascolto, la voce, le interruzioni, il riconoscimento di lettere e numeri, la telefonia. Quando serve ragionare o consultare qualcosa, il modello delega a un secondo modello che sta dietro — nei test dell’azienda quel ruolo lo fa GPT-6 Astra a ragionamento medio — e che si paga a parte, a token. È un’architettura pulita: la voce è un componente, il cervello è un altro, e si possono sostituire separatamente.
Google ha scelto l’opposto. La versione Extended Thinking ragiona e parla contemporaneamente, riempiendo i vuoti con segnali verbali del tipo «fammi controllare» mentre porta avanti l’operazione in sottofondo. È lo stesso comportamento di un operatore umano che dice «un attimo che verifico» invece di restare muto. Il risultato è un modello unico che tiene dentro sia la conversazione sia il ragionamento, senza una seconda chiamata da coordinare.
Chi ha già una catena di strumenti collaudata troverà il modello di OpenAI più facile da incastrare. Chi parte da zero e non vuole gestire due sistemi che devono restare sincronizzati troverà quello di Google più semplice da far funzionare al primo colpo. I dettagli operativi dello strato vocale di OpenAI sono raccolti nella guida su come si costruisce un assistente vocale con GPT-Live-1, mentre il giorno del lancio abbiamo raccontato cosa Google ha presentato con Gemini 3.8 Live.
Quanto costa davvero un’ora di conversazione
Qui il divario è ampio e va letto con attenzione, perché le due aziende contano in modo diverso.
OpenAI pubblica un prezzo solo: 0,05 dollari al minuto di sessione vocale, fatturati al secondo. Sono circa 4,3 centesimi di euro al minuto al cambio del 15 settembre 2026. Un’ora piena di conversazione costa 3 dollari, cioè circa 2,60 euro — ma soltanto per la voce. Il modello che ragiona dietro si somma, e non è una voce di contorno.
Google pubblica due prezzi, divisi tra quello che l’assistente sente e quello che dice: 0,005 dollari al minuto di audio in ingresso e 0,018 in uscita. In una telefonata l’audio entra per tutta la durata, mentre esce solo quando il modello parla. In una conversazione equilibrata, dove la macchina occupa metà del tempo, un’ora costa circa 0,84 dollari, cioè circa 73 centesimi di euro.
Tradotto in un volume realistico: mille telefonate da tre minuti sono tremila minuti di conversazione. Con GPT-Live-1 fanno 150 dollari di solo strato vocale, circa 130 euro, ai quali va aggiunto tutto quello che il modello di ragionamento ha macinato nel frattempo. Con Gemini 3.8 Live, contando millecinquecento minuti di parlato in uscita, fanno circa 42 dollari, sotto i 37 euro. Il rapporto resta di uno a tre abbondante anche prima di sommare il conto del ragionamento.
Due avvertenze, però. La prima: la cifra di Google compare nell’annuncio riferita ai modelli Live nel loro insieme, e chi mette a budget la variante Extended Thinking fa bene a controllare la pagina prezzi prima di firmare un preventivo. La seconda è più generale, e l’abbiamo già affrontata quando abbiamo spiegato perché il prezzo per token non dice più quanto costa l’AI: il listino unitario è il numero meno utile di tutti quando il consumo dipende da quanto il sistema ragiona.
Le lingue, e perché in Italia la differenza pesa
Google dichiara 97 lingue e, cosa che conta di più, il riconoscimento automatico del cambio di lingua a metà conversazione: nessuna impostazione da decidere prima, il modello se ne accorge da solo. Accanto ai due modelli conversazionali l’azienda ha messo in listino anche Gemini 3.5 Transcribe, che ne gestisce più di 85 e accetta file audio fino a un’ora, e Gemini 3.5 Live Translate, che traduce da voce a voce su oltre 70.
OpenAI, sul suo modello vocale, non ha pubblicato un elenco. L’annuncio si limita a dire che le voci disponibili e la copertura linguistica cresceranno nei mesi successivi. Per un assistente che deve rispondere in italiano questo non è un ostacolo — l’italiano c’è — ma per chi ha centralini che ricevono chiamate in più lingue, o clienti che passano dall’italiano all’inglese a metà frase, un numero dichiarato vale più di una promessa di ampliamento.
Quello che uno vede e l’altro no
C’è una funzione che appartiene a uno solo dei due, ed è pesante: Gemini 3.8 Live elabora immagini quasi in tempo reale, quindi l’assistente può commentare quello che la fotocamera sta inquadrando mentre la conversazione prosegue. Un tecnico che descrive un guasto puntando il telefono, un cliente che mostra l’etichetta di un prodotto, un modulo inquadrato al posto di essere letto a voce: sono casi in cui la telefonata cambia natura.
La documentazione di OpenAI è esplicita nel senso opposto: immagini e video non sono supportati in ingresso su GPT-Live-1. Chi ha bisogno che l’assistente guardi, oggi ha una scelta sola.
Sull’audio in uscita c’è invece una differenza che riguarda chi pubblica: Google applica la filigrana SynthID a tutto quello che i suoi modelli generano, così l’origine resta riconoscibile. OpenAI non dichiara un marcatore equivalente per questo modello. Per una redazione o per un’azienda che deve dichiarare quali contenuti nascono da una macchina, è un dato da mettere in conto.
I numeri dei benchmark, letti con prudenza
Entrambe le aziende portano misurazioni di terzi, ed entrambe le hanno scelte.
Google cita l’indice Speech to Speech Quality di Artificial Analysis, dove Extended Thinking ottiene 82,6 punti e il primo posto assoluto; su τ-Voice, che misura il completamento di compiti via voce, arriva al 68,6 per cento; su Big Bench Audio segna 97,7 per cento; la versione base si colloca seconda su Speech Agent Arena. Il numero più interessante è però il peggiore: sulla variante bancaria di τ-Voice sviluppata da Sierra il punteggio scende al 35,1 per cento. Tradotto: i compiti vocali davvero complicati, quelli in cui bisogna incrociare dati sensibili e non sbagliare, restano un terreno difficile.
OpenAI misura altro. Dichiara trenta punti percentuali di miglioramento rispetto al modello precedente su Full Duplex Bench, il test che valuta la capacità di ascoltare e parlare insieme, il primo posto su Tau3 quando GPT-Live-1 lavora in coppia con GPT-6 Astra, e una riduzione vicina all’80 per cento delle interruzioni indesiderate rispetto ai sistemi precedenti.
I due insiemi di numeri non si sovrappongono quasi mai, e questo è il punto: nessuno dei due permette di dire che un modello è migliore dell’altro in assoluto. Vale la stessa cautela che abbiamo usato nel confronto tra GPT-6 Astra e Claude Fable 5.1: un punteggio è una fotografia scattata da chi vende il prodotto, in un giorno preciso.
I limiti che si incontrano il secondo giorno
OpenAI dichiara con precisione quante conversazioni si possono tenere insieme, e la cifra dipende da quanto si spende: 25 sessioni in parallelo al primo livello, poi 50, 200, 300 e 500 all’ultimo. Il piano gratuito non contempla questo modello. Venticinque telefonate contemporanee sono poche per un servizio clienti vero, e il livello si alza spendendo, non chiedendo. La documentazione segnala anche che il modello non supporta gli output strutturati né l’addestramento su dati propri, e che la sua conoscenza del mondo si ferma al 31 luglio 2025.
Google, sul fronte opposto, non ha pubblicato un limite di sessioni in parallelo per questi modelli. È un’informazione che manca e che serve, perché è esattamente il vincolo contro cui si sbatte quando un servizio smette di essere un prototipo. Chi progetta un centralino dovrebbe chiederla per iscritto prima di scegliere.
Sulla disponibilità, invece, Google copre più superfici: i due modelli si chiamano da Gemini API, Google AI Studio e Live API, sono in anteprima privata dentro Gemini Enterprise e compaiono già lato utente in Search Live, in Gemini Live e dentro Workspace — Documenti, Gmail e Keep — per chi ha un abbonamento Pro o Ultra. Tra i servizi che ne gestiscono l’infrastruttura l’azienda elenca Agora, Fishjam, LiveKit, LangChain, Pipecat, Vercel e Vision Agents. GPT-Live-1 vive nelle API di OpenAI e nelle conversazioni parlate di ChatGPT; la scheda completa dell’assistente di Google è nella nostra pagina dedicata a Gemini.
A chi conviene l’uno, a chi conviene l’altro
Volumi alti e budget stretto
Vince Gemini 3.8 Live, senza discussione. Su tremila minuti al mese la differenza supera i novanta euro al mese, e cresce in proporzione al traffico. Chi gestisce un centralino con traffico costante trova qui il margine più grande.
Infrastruttura OpenAI già in piedi
Vince GPT-Live-1. Se dietro c’è già un agente costruito su GPT-6 Astra, con i suoi strumenti, le sue chiavi e i suoi controlli, sostituire lo strato vocale è un intervento di giorni. Rifare tutto su un fornitore diverso per risparmiare sulla voce ha senso solo quando i minuti sono tanti.
L’assistente deve vedere
Vince Gemini, per assenza di avversari. L’elaborazione delle immagini in tempo reale non ha un equivalente sul modello di OpenAI, e nei casi in cui la telecamera è parte del servizio la scelta è obbligata.
Molte chiamate in parallelo, subito
Vince GPT-Live-1, ma per un motivo che non è tecnico: il limite è scritto. Sapere di avere 200 sessioni al terzo livello permette di dimensionare un servizio; non sapere quante ne regge il concorrente costringe a chiedere e ad aspettare una risposta.
Conversazioni multilingue
Vince Gemini, con 97 lingue dichiarate e il cambio riconosciuto durante la telefonata. È il vantaggio meno appariscente e uno dei più concreti per chi lavora con clienti stranieri.
Cosa resta da verificare
Il quadro qui sopra vale al 16 settembre 2026 e poggia su quello che le due aziende hanno scritto. Tre caselle restano vuote e nessuna delle due le ha riempite: il prezzo separato della variante Extended Thinking, il numero di sessioni contemporanee sui modelli di Google e l’elenco delle lingue del modello di OpenAI. Sono esattamente le tre informazioni che servono per fare un preventivo serio, ed è un caso curioso che manchino proprio quelle.
Guardando la cosa da lontano, le due aziende non stanno vendendo lo stesso prodotto. Google vende un modello vocale completo, che pensa da solo e costa poco al minuto. OpenAI vende una voce da montare sopra un impianto che il cliente ha già, e il conto finale dipende da quell’impianto più che dal listino della voce. Chi firma il contratto sta scegliendo un’architettura, non una tariffa: il risparmio dichiarato sulla voce si misura in centesimi, mentre la decisione su dove mettere il ragionamento si paga per anni.
Fonti primarie: annuncio di Google su Gemini 3.8 Live e documentazione di OpenAI su GPT-Live-1. Conversioni in euro al cambio del 15 settembre 2026.
