Am 15. September 2026 stellte Google zwei neue Modelle vor — Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking. Sie werden als die fortschrittlichsten Modelle für den Live-Dialog positioniert, optimiert auf niedrige Latenz und Echtzeit.
Der Hauptunterschied zu Vorgängern wie Gemini 3.1 Flash Live besteht in der Unterstützung von interleaved reasoning und asynchronen Funktionsaufrufen. Das Modell kann reasoning betreiben und gleichzeitig Sprache generieren, während Tools im Hintergrund ausgeführt werden, ohne das Gespräch zu unterbrechen.
Dies wird durch eine native Audio-Architektur erreicht, bei der Ein- und Ausgabe Audio und Text in Echtzeit sind. Visueller Kontext in near real-time, automatisches Umschalten zwischen 97 Sprachen und Aktualisierungen des Sitzungsinhalts werden unterstützt. Der Preis liegt bei $0.005 pro Minute Audioeingabe und $0.018 pro Minute Ausgabe.
Extended Thinking führt die Benchmarks an: 82.6 Punkte im Artificial Analysis Speech to Speech Quality Index, 68.6% bei τ-Voice, 35.1% bei Sierra’s τ-Voice-banking und 97.7% bei Big Bench Audio. Die Basisversion belegt den zweiten Platz in der Speech Agent Arena und zeigt starke Ergebnisse bei EVA-Bench.
Die Methodik der Benchmarks konzentriert sich auf agentic task completion und die Qualität der Sprache, offenbart jedoch nicht immer Details zu held-out-Tests oder Vergleichen mit Zero-Shot-Szenarien. Dies lässt Fragen zur tatsächlichen Generalisierung über konkrete Enterprise-Aufgaben hinaus offen.
In der Landschaft unterscheidet sich dies von den Ansätzen von OpenAI mit GPT-Live und xAI mit Grok Voice Think Fast. Google legt den Schwerpunkt auf die parallele Ausführung von Aufgaben und visuelles grounding, nicht nur auf die Reaktionsgeschwindigkeit. Frühere Modelle erforderten oft Pausen für reasoning, was die Natürlichkeit des Dialogs beeinträchtigte.
Die neuen Möglichkeiten ebnen den Weg zu production-grade Voice-Agenten, bei denen das Modell komplexe mehrstufige Operationen ausführen kann, während der Gesprächsfluss erhalten bleibt. Dies zeigt sich besonders deutlich in den Integrationen mit Search Live, Gemini Live und Workspace.
Es bleibt unklar, wie stabil die Ergebnisse bei unabhängiger Verifizierung und unter realen Bedingungen mit Lärm oder Akzenten sind. Die Community wird wahrscheinlich die Latenz in Edge-Cases testen und mit Open-Source-Alternativen vergleichen.
Der entscheidende Wandel ist der Übergang von reaktiven Sprachschnittstellen zu truly agentic, bei denen reasoning die natürliche Kommunikation nicht beeinträchtigt.
