제미나이 3.8 라이브, 음성 1분에 2.3센트

effidev·2026년 9월 16일

AI랑 목소리로 10분 떠드는 값이 310원까지 내려왔다.

2026년 9월 15일, 구글이 **제미나이 3.8 라이브(Gemini 3.8 Live)**와 제미나이 3.8 라이브 익스텐디드 싱킹(Extended Thinking) 두 모델을 공개했다. 둘 다 “말로 대화하는” 용도의 모델이다. 글자를 주고받는 게 아니라 소리를 넣으면 소리가 나온다.

값이 눈에 띈다. 구글 공식 요금표에 오디오 입력 분당 0.005달러, 오디오 출력 분당 0.018달러라고 적혀 있다. 내가 말하고 AI가 답하는 1분을 합치면 0.023달러다. 2026년 9월 16일 환율(1달러 1,360원)로 옮기면 약 31원이다.

이 글은 두 사람을 위한 것이다.

하나는 음성으로 뭔가를 만들어 볼까 생각만 하던 사람이다. 전화 상담을 받아주는 봇이든, 말로 물으면 답하는 앱이든, 지금까지 이걸 못 만든 가장 큰 이유가 값이었다면 그 전제가 바뀌었다.

다른 하나는 이미 오픈AI 실시간(Realtime) API로 뭔가를 돌리고 있는 사람이다. 같은 일을 다른 값으로 할 수 있는지, 대신 무엇을 포기해야 하는지가 이 글의 본론이다.

수치는 전부 구글 공식 발표문, 제미나이 API 요금표, 모델 문서, 그리고 오픈AI 공식 요금표에서 직접 읽은 것만 적는다. 발표문에 없는 것은 없다고 쓴다.

1분에 2.3센트라는 숫자는 어디서 나왔나

용어부터 반 문장으로 풀고 가자.

토큰은 AI가 글이나 소리를 세는 단위다. 글자 하나도 아니고 단어 하나도 아닌, 그 중간쯤 되는 조각이다. AI 요금은 보통 “토큰 100만 개당 몇 달러”로 붙는다.

문제는 음성이다. 사람이 “토큰 100만 개어치 말하기”가 몇 분인지 감이 안 온다. 그래서 구글은 요금표에 분당 값을 같이 적어 뒀다. 이번 발표에서 실질적으로 가장 친절한 부분이다.

제미나이 3.8 라이브의 유료 등급 요금은 이렇다.

분당 환산은 내가 계산한 게 아니라 구글 요금표에 그대로 적혀 있는 값이다. 오디오 입력 0.005달러와 오디오 출력 0.018달러를 더하면 0.023달러, 그러니까 2.3센트다.

10분 통화면 0.23달러, 약 310원이다. 하루 100통이면 23달러, 약 3만 1,000원이다.

그리고 무료 등급이 있다. 요금표의 무료 등급 칸은 입력·출력 전 항목이 “Free of charge”다. 값을 내기 전에 그냥 붙여 볼 수 있다는 뜻이다.

같은 오디오를 오픈AI에 넣으면 단가가 5.3배다

비교는 같은 단위로 해야 한다. 오픈AI 요금표에는 분당 값이 없고 토큰당 값만 있으니, 100만 토큰당 단가로 맞춰서 본다.

오픈AI의 상위 실시간 모델과 비교하면 입력이 10.7배, 출력이 5.3배 차이다. 경량 모델(mini)과 비교해도 입력 3.3배, 출력 1.7배다.

여기서 조심할 것이 하나 있다. “5.3배 싸다”가 곧 “내 청구서가 5.3분의 1이 된다”는 뜻은 아니다. 실제 청구서는 대화가 얼마나 길어지는지, 모델이 얼마나 길게 답하는지, 도구를 몇 번 부르는지에 따라 달라진다. 단가 비교는 출발점이지 결론이 아니다.

가격 구조가 결과를 어떻게 뒤집는지는 클로드 페이블 5.1 캐시 요금 분석에서 한 번 다뤘다. 표에 찍힌 단가와 월말 청구서가 다른 이유가 거기 정리돼 있다.

왜 “라이브” 모델이 따로 있나 — 받아쓰기+낭독과 뭐가 다른가

여기서 한 번 짚고 가야 할 게 있다. “말로 대화하는 AI”는 예전에도 만들 수 있었다. 그런데 왜 전용 모델이 따로 나오나.

기존 방식은 세 조각을 이어 붙이는 것이었다.

1. STT(음성 인식) — 사람 말을 글자로 받아쓴다.
2. LLM(언어 모델) — 그 글자를 읽고 답할 글자를 쓴다.
3. TTS(음성 합성) — 그 글자를 소리로 읽어 준다.

이 구조의 문제는 지연이 세 번 쌓인다는 것이다. 받아쓰는 데 걸리는 시간, 생각하는 시간, 읽어 주는 시간이 순서대로 붙는다. 사람끼리 대화할 때의 자연스러운 간격은 0.2초 근처인데, 세 단계를 거치면 그보다 훨씬 길어진다.

더 큰 손실은 중간에 버려지는 정보다. 사람 목소리에는 글자로 옮기는 순간 사라지는 게 잔뜩 들어 있다. 말끝을 흐렸는지, 짜증이 났는지, 말하다 멈췄는지, 웃으면서 말했는지. STT는 이걸 전부 버리고 글자만 남긴다. 그다음 단계의 LLM은 사라진 것을 알 방법이 없다.

네이티브 오디오 모델은 이 세 조각을 하나로 합친 것이다. 소리를 그대로 받아 소리를 그대로 낸다. 중간에 글자로 갈아타지 않으니 지연도 한 번이고, 목소리에 묻은 정보도 살아 있다.

제미나이 3.8 라이브의 입출력 형식이 이걸 그대로 보여 준다. 모델 문서상 입력은 텍스트·이미지·오디오·영상, 출력은 텍스트와 오디오다. 같은 세대의 플래시는 출력이 텍스트뿐이다.

그래서 요금표가 오디오 입력과 오디오 출력에 각각 값을 매기는 것이다. 소리가 모델 안으로 직접 들어가고 직접 나오기 때문에, 텍스트와는 별개의 단가가 붙는다. 앞의 표에서 오디오 출력(100만 토큰당 12달러)이 텍스트 출력(4.50달러)보다 비싼 것도 같은 이유다.

거꾸로 말하면 이런 정리가 된다. 단순히 “말로 물어보면 글로 답해도 되는” 서비스라면 라이브 모델이 아니라 플래시에 받아쓰기를 붙이는 쪽이 싸다. 라이브 모델의 값은 “소리로 답해야 하고, 그 답이 빨라야 한다”는 조건에서 회수된다.

구글이 자기 발표문에 “2위”라고 적었다

새 모델 발표문은 보통 자기가 1등인 지표만 고른다. 이번 발표문에는 2위라고 적힌 줄이 있다.

“Gemini 3.8 Live has shown a high preference among users, securing a second place in the Speech Agent Arena.”

스피치 에이전트 아레나(Speech Agent Arena)는 사람이 두 음성 AI를 직접 써 보고 어느 쪽이 나은지 고르는 방식의 순위표다. 벤치마크 점수가 아니라 사람의 선호를 세는 자리다. 구글은 거기서 2위라고 스스로 적었다.

누가 1위인지는 발표문에 없다. 없는 것을 추측해서 채우지 않는다.

숫자로 적힌 지표는 이렇다.

눈여겨볼 대비가 여기 있다. 소리를 알아듣고 추론하는 능력은 97.7%인데, 은행 업무를 끝까지 해내는 비율은 35.1%다.

“알아듣는 것”과 “일을 끝내는 것”은 전혀 다른 문제라는 뜻이다. 은행 시나리오는 본인 확인, 조회, 이체 같은 단계가 줄줄이 이어지는데, 중간에 한 번만 어긋나도 과제는 실패로 잡힌다.

그러니 “음성 상담원을 통째로 대체한다”는 결론은 이 표에서 나오지 않는다. 세 번에 한 번 정도 끝까지 간다는 숫자를 구글이 직접 적어 둔 것이다.

이름이 비슷한 두 모델은 쓰임이 다르다

이번에 나온 건 하나가 아니라 둘이다. 모델 문서에 적힌 코드와 설명이 서로 다르다.

gemini-3.8-live — 문서 설명은 “대부분의 저지연 음성 에이전트 경험을 위한 기본 라이브 API 모델”이다. 추론하느라 생기는 지연이 없는 쪽이다.

gemini-3.8-live-extended-thinking — “더 높은 배경 추론이 필요할 때 권장하는, 음성 상호작용용 고추론 라이브 API 모델”이다. 발표문 표현으로는 “추론하면서 동시에 말한다”.

보통 AI에게 어려운 걸 물으면 잠깐 멈췄다가 답한다. 그 멈춤이 대화에서는 어색한 침묵이 된다. 익스텐디드 싱킹은 생각이 끝날 때까지 기다렸다 말하는 대신, 말을 이어가면서 뒤에서 계속 생각하는 구조다.

고를 때의 기준은 단순하다. 주문 받기·예약 확인처럼 정해진 흐름이면 기본 모델, 조건을 따져 판단해야 하는 상담이면 익스텐디드 싱킹이다.

요금은 두 모델이 같다. 요금표가 둘을 한 줄로 묶어 같은 단가를 적어 뒀다.

131,072 — 플래시의 8분의 1이다

여기가 이번 발표에서 가장 조용히 넘어간 대목이다.

모델 문서에 적힌 제미나이 3.8 라이브의 입력 토큰 한도는 131,072개, 출력 한도는 65,536개다.

같은 세대의 제미나이 3.8 플래시는 입력 100만 토큰을 받는다. 라이브는 그 8분의 1이 채 안 된다.

왜 이게 음성에서 특히 문제가 되냐면, 오디오는 토큰이 빠르게 쌓이기 때문이다. 구글 문서는 오디오 토큰이 초당 약 25개 붙는다고 설명한다. 가만히 있어도 대화가 길어지는 만큼 계속 차오른다는 뜻이다.

그래서 라이브 API에는 세션 길이 제한이 따로 있다. 구글 문서 기준으로 압축을 쓰지 않으면 음성만 있는 세션은 15분, 음성+영상 세션은 2분이다.

물론 빠져나갈 길은 문서에 같이 적혀 있다. 컨텍스트 창 압축(contextWindowCompression) 을 켜면 오래된 토큰을 밀어내면서 세션을 무제한으로 이어갈 수 있다. 압축 발동 기준(예: 25,000토큰)과 밀어낼 창 크기(예: 8,000토큰)를 지정하는 방식이다.

정리하면 이렇다. 긴 통화를 받을 생각이라면 압축 설정은 선택이 아니라 필수다. 안 켜고 붙였다가 15분에서 끊기는 걸 운영 중에 발견하면 늦다.

“말하면서 도구를 부른다”는 말의 실제 의미

발표문에 이런 문장이 있다.

“It executes tools and API calls in the background while continuing the conversation, so the model can acknowledge requests and keep chatting while tasks finish in the background.”

도구 호출(tool call) 은 AI가 대화 도중에 외부 기능을 부르는 것이다. 재고를 조회하거나, 예약을 걸거나, 날씨를 가져오는 식이다.

지금까지 음성 봇에서 이게 어색했던 이유는 순서 때문이었다. 사용자가 “다음 주 화요일로 옮겨줘”라고 하면, 봇은 말을 멈추고 → 캘린더 API를 부르고 → 응답을 기다렸다가 → 다시 말을 시작했다. 그 사이의 공백이 통화에서는 “끊겼나?” 싶은 정적이다.

이번 모델은 “네, 화요일로 옮기겠습니다” 하고 먼저 대답한 뒤, 실제 API 호출은 뒤에서 돌린다. 사람 상담원이 “확인해 드릴게요” 하면서 키보드를 두드리는 것과 같은 순서다.

주의할 점도 같은 자리에서 나온다. 먼저 대답하고 나중에 실행하는 구조는 실패했을 때 되돌리기가 어색하다. “옮기겠습니다”라고 말한 다음에 API가 오류를 내면, 봇은 방금 한 말을 취소해야 한다. 이건 모델이 아니라 만드는 쪽이 설계해야 하는 부분이다.

이 구조가 왜 까다로운지는 에이전트에 권한을 붙이기 전에 정할 것에서 다룬 문제와 같은 계열이다. 말하는 것과 실행하는 것이 분리되는 순간, 책임 경계가 흐려진다.

97개 언어와, 대화 중간에 말을 바꿔도 따라온다는 것

발표문이 적은 언어 지원은 97개 언어다. 그리고 그냥 많이 지원한다는 얘기가 아니라, 대화 도중에 언어가 바뀌는 것을 감지한다고 적혀 있다.

한국어로 이야기하다가 영어 제품명을 섞어 말하거나, 중간에 통째로 언어를 바꿔도 따라온다는 뜻이다. 한국에서 쓰는 사람에게는 이 부분이 실제로 체감이 큰 기능이다. 한국어 대화에는 영어 고유명사가 늘 섞여 들어간다.

영상도 같이 넣을 수 있다. 발표문 표현은 “시각 입력을 거의 실시간으로 처리한다” 이다. 카메라를 켜 놓고 “이거 뭐야?” 하고 물어보는 형태가 된다. 다만 앞서 본 대로 음성+영상 세션은 압축 없이는 2분이 한계다.

생성된 오디오에는 SynthID 워터마크가 전부 붙는다. 사람 귀로는 안 들리지만 기계는 “이건 AI가 만든 소리”라고 판별할 수 있는 표식이다. 끌 수 있다는 언급은 발표문에 없다.

지금 어디서 만져볼 수 있나

발표문 기준으로 오늘부터 순차 적용되는 자리는 이렇다.

개발자 — 제미나이 API, 구글 AI 스튜디오.

기업 — 제미나이 엔터프라이즈(비공개 프리뷰). 고객 경험용 제미나이 엔터프라이즈는 “곧”이라고 적혀 있고, 익스텐디드 싱킹의 엔터프라이즈·워크스페이스 적용도 “곧”이다.

일반 사용자 — 서치 라이브, 제미나이 라이브(워크스페이스의 프로·울트라 구독자), 지메일과 킵(모든 AI 구독자).

그래서 오늘 뭘 하면 되냐면, 구글 AI 스튜디오에 들어가 모델을 gemini-3.8-live로 놓고 마이크 버튼을 누르는 것이다. 무료 등급이 있으니 카드 등록 없이 말을 걸어볼 수 있고, 그 5분이 요금표를 읽는 30분보다 판단에 도움이 된다.

그다음에 볼 것이 두 가지다. 하나는 압축 설정이다. 15분을 넘길 서비스라면 contextWindowCompression을 처음부터 켜 둔다. 다른 하나는 검색 그라운딩 요금이다. 구글 검색으로 근거를 붙이는 기능은 월 5,000건까지 무료(제미나이 3.x 전 모델 공유)고, 넘으면 1,000건당 14달러다. 오디오 단가만 보다가 이쪽에서 값이 붙는 경우가 생긴다.

발표문에 없어서 아직 판단할 수 없는 것

이 글을 쓰면서 찾았는데 없던 것들을 남겨 둔다. 다음에 누가 “몇 밀리초래”라고 말할 때 출처를 물어볼 근거가 된다.

지연 시간 수치가 없다. 발표문은 “거의 실시간”, “매끄러운 대화” 같은 표현만 쓰고 첫 응답까지 몇 밀리초인지는 적지 않았다. 음성 대화에서 지연은 가격만큼 중요한 값인데 숫자가 없다.

이전 세대와의 직접 비교 수치가 없다. 제미나이 3.7이나 그 이전 네이티브 오디오 모델 대비 얼마나 나아졌는지를 숫자로 적은 줄이 발표문에 없다. 앞서 본 벤치마크들은 전부 절대값이다.

지식 컷오프가 모델 문서에 없다. 모델이 언제까지의 정보를 아는지가 적혀 있지 않다. 검색 그라운딩을 붙이라는 뜻으로 읽을 수도 있지만, 적혀 있지 않은 건 적혀 있지 않은 것이다.

스피치 에이전트 아레나 1위가 누구인지 없다. 2위라고만 적혀 있다.

그래서 오늘의 계산

값은 확실히 내려왔다. 분당 2.3센트, 약 31원. 오픈AI 상위 실시간 모델과 토큰 단가로 비교하면 출력 기준 5.3배 차이다. 무료 등급도 있다.

대신 두 가지를 같이 안고 가야 한다. 컨텍스트가 131,072토큰이라 긴 대화에는 압축 설정이 필수고, 은행 시나리오 완수율 35.1%라는 숫자를 구글이 직접 적어 뒀다는 것이다.

이 둘을 붙여 놓고 보면 답이 나온다. 지금 이 모델이 확실히 잘하는 자리는 짧고, 흐름이 정해져 있고, 틀려도 사람이 이어받을 수 있는 대화다. 주문 접수, 예약 확인, 1차 안내 같은 것들이다.

전화를 통째로 맡기는 건 그다음 이야기다. 그리고 그 판단은 벤치마크가 아니라, 무료 등급으로 내 시나리오를 열 번 돌려 보고 몇 번 끝까지 갔는지 세는 쪽이 더 정확하다.