Gemini 3.8 Live vs GPT-Live-1: costi degli agenti vocali in produzione

Un agente vocale può sembrare economico finché il chiamante non fa una pausa, cambia argomento, aspetta la risposta di uno strumento o rimane collegato per mezz’ora. Gemini 3.8 Live e GPT-Live-1 rendono questo rischio evidente in modi diversi: Gemini ragiona a token, con effetti legati alla persistenza del contesto, mentre GPT-Live-1 pubblicizza un prezzo semplice di $0.05 al minuto per il livello vocale. In produzione, quindi, non vince necessariamente il numero più basso in evidenza: conta soprattutto quale contatore rispecchia meglio il comportamento reale delle sessioni.

La risposta breve per chi lavora in produzione

La documentazione della Live API di Google identifica la stringa del modello gemini-3.8-live nell’esempio dedicato alla ripresa delle sessioni. La documentazione Live attuale di Google specifica inoltre che l’audio viene fatturato in token e che il contesto conservato può essere elaborato nuovamente nei turni successivi. L’annuncio di GPT-Live-1 di OpenAI indica invece $0.05 al minuto per il livello vocale front-end, mentre il ragionamento back-end e gli strumenti vengono tariffati separatamente.

In pratica, si delineano questi scenari:

Va però fatta una precisazione importante: la pagina dei prezzi della Gemini API di Google non mostra una voce separata per Gemini 3.8 Live nel materiale esaminato qui. Non usare quindi le tariffe di Gemini 3.1 Flash Live al posto di quelle di Gemini 3.8 Live nelle previsioni finanziarie.

Gemini 3.8 Live vs GPT-Live-1: come vengono fatturati

Gemini 3.8 Live: token audio, contesto e compressione

La guida alle buone pratiche della Live API di Google indica che l’audio nativo accumula circa 25 token al secondo di audio. La stessa guida spiega che, in una sessione persistente, il contesto accumulato può essere fatturato nuovamente nei turni successivi. Con la crescita della conversazione, una nuova risposta può quindi includere un input storico più ampio rispetto a quello della risposta precedente.

Il modello di costo, in forma semplificata, è questo:

Costo della sessione Gemini
= utilizzo corrente di audio e testo
+ contesto conservato rielaborato nei turni successivi
+ utilizzo dell’audio generato e del thinking
+ eventuale utilizzo della trascrizione
+ strumenti e infrastruttura

La compressione cambia l’andamento dei costi. Google documenta ContextWindowCompressionConfig e una strategia a finestra scorrevole per le sessioni lunghe. Nell’esempio riportato da Google, la compressione si attiva a 25.000 token, con una finestra scorrevole di 8.000 token. In produzione, però, la configurazione va verificata in base alla capacità di ricordare le informazioni e all’accuratezza degli strumenti, non copiata alla cieca.

Anche le trascrizioni possono aggiungere costi. Google specifica che l’attivazione di inputAudioTranscription o outputAudioTranscription genera un ulteriore utilizzo di token testuali, oltre alla fatturazione dell’audio nativo. Se i transcript devono essere ricercabili, questo sovrapprezzo va incluso nel modello di costo per ogni risoluzione.

GPT-Live-1: il tempo effettivo della sessione vocale

OpenAI indica per GPT-Live-1 un prezzo di $0.05 al minuto, fatturato con granularità al secondo, per il livello vocale front-end. Il calcolo è immediato:

Il punto critico sono i silenzi. Il prezzo pubblicato al minuto è legato alla durata della sessione, non soltanto ai secondi in cui il chiamante parla. Una chiamata di 30 minuti con dieci minuti di silenzio occupa comunque la sessione per tutti i 30 minuti.

GPT-Live-1, inoltre, non rappresenta il costo totale dell’agente: OpenAI lo descrive come un livello vocale capace di delegare il ragionamento più complesso e le chiamate agli strumenti. Token dei modelli back-end, strumenti, telefonia, archiviazione, monitoraggio e trasferimenti a operatori umani vanno quindi conteggiati a parte.

Economia delle sessioni lunghe: quattro scenari

Il confronto seguente usa i calcoli pubblicati per GPT-Live-1 e formule esplicite, senza inventare un prezzo per Gemini 3.8.

1. Chiamata di cinque minuti per fissare un appuntamento

GPT-Live-1 contribuisce con $0.25, prima di aggiungere ragionamento back-end e telefonia. Per Gemini 3.8 Live non è possibile formulare un prezzo affidabile finché Google non pubblica o rende disponibile la tariffa applicabile all’ID esatto del modello.

Con Gemini bisogna misurare, sulle sessioni reali, i secondi di audio in ingresso, i secondi di audio in uscita, i token del contesto conservato, i token delle trascrizioni e le chiamate agli strumenti. Una chiamata breve è il caso in cui la fatturazione a token può sembrare più conveniente, ma solo se prompt e contesto restano sotto controllo.

2. Chiamata di supporto di trenta minuti

GPT-Live-1 contribuisce con $1.50 per il livello vocale. È una cifra facile da mettere a budget, ma non dice nulla sulla capacità della chiamata di risolvere davvero il problema.

Il costo di Gemini dipende da quanto audio viene conservato e dalla frequenza con cui la sessione genera nuovi turni. Due chiamate di 30 minuti possono avere impronte in token molto diverse: una può contenere parlato continuo, l’altra pause lunghe, spiegazioni ripetute o input multimodali.

3. Attesa in silenzio o strumento che risponde in ritardo

GPT-Live-1 continua a essere fatturato finché la sessione rimane aperta. Dal punto di vista operativo, servono un timeout rigido per il silenzio oppure uno stato di passaggio esplicito.

Gemini non diventa automaticamente “gratuito” quando non si parla. La connessione, l’orchestrazione degli strumenti, la gestione del contesto e il turno successivo devono comunque rientrare nel modello di costo. Il silenzio va trattato come uno stato del prodotto, non soltanto come un dettaglio dei prezzi del provider.

4. Sessione di ascolto per l’intera giornata

Alla tariffa pubblicata per il livello vocale di GPT-Live-1, otto ore con sessione aperta ininterrottamente costano $24. Dieci sessioni di questo tipo costano $240 al giorno, prima di aggiungere modelli back-end e altra infrastruttura.

Il modello a token di Gemini può essere più efficiente nelle interazioni sporadiche, se l’applicazione evita di inviare audio non necessario e comprime la cronologia. Può però risultare meno prevedibile quando l’applicazione conserva il contesto grezzo della conversazione e permette cicli conversazionali senza limiti. Un design sempre attivo va sottoposto a test di carico, non stimato partendo da una demo di cinque minuti.

I vincoli di produzione che cambiano i calcoli

Durata del contesto e della connessione

La documentazione di Google sulla gestione delle sessioni indica sessioni non compresse di solo audio della durata di 15 minuti e sessioni audio-video della durata di 2 minuti. La stessa documentazione descrive le singole connessioni WebSocket come connessioni che durano circa 10 minuti, un limite distinto dalla durata logica della sessione. I client di produzione hanno bisogno sia della compressione del contesto sia della ripresa delle sessioni.

Gli handle di ripresa di Google restano validi per due ore dalla terminazione dell’ultima sessione. Prima della chiusura della connessione, il server invia inoltre GoAway. Ignorare questi eventi può trasformare una chiamata lunga in una chiamata interrotta, in un’azione duplicata dello strumento o nella perdita dello stato del chiamante.

La concorrenza è un costo a sé

Il prezzo al minuto risponde alla domanda “quanto costa una sessione aperta?”, ma non a “quante sessioni posso eseguire contemporaneamente?”. La documentazione di GPT-Live-1 descrive la capacità in termini di sessioni concorrenti, con livelli indicati che vanno da 25 sessioni al Tier 1 a 500 al Tier 5. Un picco improvviso di chiamate può raggiungere questo limite anche quando la spesa mensile resta entro il budget. Prima del lancio, bisogna verificare il riferimento aggiornato al modello GPT-Live-1 di OpenAI per conoscere la quota di concorrenza effettivamente disponibile.

Con Gemini bisogna registrare WebSocket simultanei, tasso di riconnessione, eventi di compressione ed errori di quota. Il throughput dei token e il numero di sessioni simultanee sono colli di bottiglia diversi.

Telefonia e ponte audio

Un agente telefonico aggiunge costi esterni a entrambi i modelli. La guida all’integrazione telefonica di Gemini utilizza un bridge come Twilio Media Streams. Descrive la conversione dall’audio μ-law a 8 kHz di Twilio all’input PCM a 16 kHz di Gemini e dall’output PCM a 24 kHz di Gemini. Questo relay comporta costi e attività aggiuntive a livello di operatore, trasporto, calcolo e gestione operativa.

Il posizionamento full-duplex di GPT-Live-1 può ridurre la necessità di orchestrare manualmente le interruzioni, ma non elimina i costi dell’operatore telefonico né il lavoro back-end. Il confronto va fatto sul costo completo della chiamata, non solo su quello dell’inferenza.

“Ho messo in produzione un agente vocale Gemini Live per la raccolta di contatti marketing. Continuava a bloccarsi durante la prenotazione.” — @ramanpal, che segnala un bug nella gestione di turnComplete su Gemini 3.8 Live Extended Thinking (X).

È il resoconto iniziale di un singolo sviluppatore, non una percentuale di errore misurata. Resta però un promemoria utile: la semantica del protocollo può costare più di una piccola differenza nel prezzo dei token.

La regola decisionale che userei

Sceglierei GPT-Live-1 quando l’incognita principale è il livello vocale e il reparto finance ha bisogno di una stima chiara basata sulla durata. Vanno imposti limiti rigidi per silenzio, durata massima della chiamata, concorrenza e ragionamento back-end. Il dato di $0.05 è il punto di partenza del costo del livello vocale, non il costo totale per chiamata.

Sceglierei Gemini 3.8 Live quando il team è in grado di strumentare l’utilizzo dei token e trae vantaggio dalla compressione del contesto, dalla multimodalità o da un controllo dettagliato sui token. Meglio partire da un flusso di lavoro delimitato, non da un assistente aperto a qualsiasi conversazione. La metrica da seguire è il costo per attività completata, non il costo al minuto:

costo per risoluzione riuscita
= costo totale di modelli + strumenti + telefonia + infrastruttura
  / risoluzioni valide completate

Prima di prendere una decisione, bisogna eseguire lo stesso mix di chiamate su entrambi i sistemi e raccogliere durata mediana e p95, secondi di audio, token del contesto conservato, utilizzo delle trascrizioni, nuovi tentativi degli strumenti, tasso di trasferimento, riconnessioni e tasso di risoluzione. Il vincitore è il sistema che mantiene stabili queste metriche anche quando le chiamate si allungano.

FAQ

Gemini 3.8 Live è ufficialmente disponibile?

La documentazione attuale di Google sulla gestione delle sessioni usa gemini-3.8-live in un esempio di ripresa della sessione. Prima della distribuzione in produzione, verifica nel tuo progetto Google l’accesso, la regione, le quote e la voce di prezzo esatta.

GPT-Live-1 fa pagare anche i silenzi?

Il prezzo pubblicato è riferito ai minuti di sessione vocale front-end ed è fatturato al secondo. A meno che il contratto del tuo account non stabilisca diversamente, considera fatturabile il tempo della sessione, compresi i silenzi.

I $0.05 al minuto di GPT-Live-1 rappresentano il costo totale della chiamata?

No. OpenAI descrive questa cifra come il prezzo del livello vocale front-end. Ragionamento back-end, strumenti, telefonia, archiviazione, monitoraggio ed escalation verso un operatore umano sono centri di costo aggiuntivi.

La compressione del contesto di Gemini può rendere gratuita una sessione lunga?

No. La compressione è un meccanismo per gestire il contesto, non una modalità a costo zero. Può limitare la cronologia conservata e aiutare a evitare i limiti di durata, ma audio live, output, strumenti e infrastruttura restano fatturabili o comunque rilevanti dal punto di vista operativo.

Quale modello costa meno per le sessioni vocali lunghe?

Non esiste una risposta universale difendibile finché non si conoscono la tariffa applicabile a Gemini 3.8 Live e la forma reale del traffico. GPT-Live-1 è più facile da prevedere; Gemini può premiare una gestione accurata del contesto e degli input. La scelta va misurata sulle risoluzioni completate.

Un agente vocale in produzione non si valuta in base alla prima conversazione piacevole. Il prezzo vero sta nella coda lunga: silenzi, nuovi tentativi, crescita del contesto, riconnessioni e chiamate che hanno ancora bisogno di una persona. Il contatore dei costi va progettato insieme all’architettura, prima di scegliere il modello.