Gemini 3.8 Live: Voice-Agenten mit parallelem Reasoning

Was Google am 15. September veröffentlicht hat

Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking sind neue native Audio-Modelle für gesprochene Echtzeitinteraktionen. Anders als eine klassische Kette aus Spracherkennung, Textmodell und Sprachsynthese verarbeiten sie den Dialog als zusammenhängende multimodale Sitzung. Das soll Unterbrechungen, Tonfall, visuelle Hinweise und Werkzeugaufrufe natürlicher in ein Gespräch einbinden.

Beide Varianten sind laut Google seit dem Veröffentlichungstag in der Gemini API und in Google AI Studio verfügbar. Die Verteilung in Google-Produkten ist davon getrennt: 3.8 Live wird unter anderem in Search Live ausgerollt, Extended Thinking erscheint abhängig von Produkt und Abonnement in Gemini Live sowie in ausgewählten Workspace-Angeboten. Für Unternehmen nennt Google teilweise zunächst eine private Vorschau.

Bestätigtes Ereignisdatum: 15. September 2026. Google aktualisierte die Modellankündigung am 17. September; das zugrunde liegende Release blieb der 15. September.

Live und Extended Thinking verfolgen zwei Geschwindigkeiten

Gemini 3.8 Live ist auf geringe Latenz, Kostenkontrolle und hohe Gesprächsvolumen ausgerichtet. Es kann laut Anbieter visuelle Eingaben nahezu in Echtzeit auswerten, zwischen 97 unterstützten Sprachen wechseln und Werkzeuge oder APIs im Hintergrund aufrufen, ohne die Audioausgabe vollständig anzuhalten. Ein Agent kann damit eine Anfrage bestätigen, weiterfragen und parallel auf ein externes Ergebnis warten.

Extended Thinking ergänzt tieferes, konfigurierbares Reasoning für mehrstufige Aufgaben. Das Modell kann nach Googles Beschreibung denken und sprechen, während ein komplexer Ablauf fortgesetzt wird. Frühe Hinweise wie eine kurze Bestätigung und laufende Fortschrittsmeldungen sollen die sonst typische Stille während längerer Werkzeugketten vermeiden. Das ist ein Interaktionsmuster, keine Garantie für korrekte Zwischenschritte.

Was Entwickler technisch bekommen

Die Live API nutzt eine zustandsbehaftete WebSocket-Verbindung. Sie nimmt Text, 16-kHz-PCM-Audio und JPEG-Bilder mit bis zu einem Bild pro Sekunde entgegen und gibt 24-kHz-PCM-Audio aus. Für direkte Browserverbindungen empfiehlt Google kurzlebige Tokens statt eines regulären API-Schlüssels. Alternativ kann ein eigener Server den Medienstrom weiterleiten und dort Authentifizierung, Protokollierung und Werkzeugrechte kontrollieren.

Die Modellkarte nennt für beide 3.8-Audio-Varianten Audio, Bilder, Video und Text als Eingaben, ein Kontextfenster von bis zu 128.000 Tokens sowie Audio und Text mit bis zu 64.000 Ausgabetokens. Zu den angekündigten Funktionen zählen asynchrone Function Calls, visuelle Kontextualisierung, präzisere Erkennung alphanumerischer Angaben und schrittweise Aktualisierungen strukturierter Inhalte.

• Barge-in erlaubt Nutzern, eine laufende Antwort zu unterbrechen
• Werkzeugaufrufe können parallel zum gesprochenen Dialog weiterlaufen
• Ein- und Ausgabe-Transkripte lassen sich für Prüfung und Barrierefreiheit erfassen
• Visuelle Eingaben können einen gesprochenen Vorgang kontextualisieren
• Kurzlebige Tokens begrenzen das Risiko bei direkten Client-Verbindungen

Wie die Nutzung bepreist wird

Die offizielle Preisseite führt Gemini 3.8 Live und Extended Thinking gemeinsam. Im bezahlten Standardtarif kosten Audioeingaben 3 US-Dollar pro eine Million Tokens beziehungsweise geschätzt 0,005 US-Dollar pro Minute. Audioausgaben einschließlich Thinking-Tokens kosten 12 US-Dollar pro eine Million Tokens beziehungsweise geschätzt 0,018 US-Dollar pro Minute. Text, Bilder und Video werden separat nach Tokens oder Medieneinheiten berechnet.

Die Minutenwerte sind deshalb keine vollständige Kostenprognose für einen Voice-Agenten. Gesprächsdauer, Verhältnis von Ein- und Ausgabe, Thinking-Tokens, visuelle Eingaben, Suchanfragen, Telefonie, Streaming-Infrastruktur und eigene Werkzeuge verändern die Gesamtkosten. Ein belastbarer Pilot sollte Kosten pro erfolgreich abgeschlossenem Vorgang messen, nicht nur pro Gesprächsminute.

Google-Listenpreise vom 18. September 2026: 0,005 US-Dollar pro Minute Audioeingabe und 0,018 US-Dollar pro Minute Audioausgabe. Zusätzliche Modalitäten, Werkzeuge und Infrastruktur sind nicht enthalten.

Was die Benchmarks belegen und was nicht

Google meldet für Extended Thinking 82,6 Punkte im Speech-to-Speech Quality Index von Artificial Analysis, 68,6 Prozent auf tau-Voice, 35,1 Prozent auf Sierra tau-Voice-banking und 97,7 Prozent auf Big Bench Audio. Gemini 3.8 Live erreiche außerdem den zweiten Platz in der Speech Agent Arena. Auf ServiceNows EVA-Bench sieht Google beide Modelle an einer günstigen Grenze zwischen Aufgabenerfolg und Gesprächsqualität.

Diese Ergebnisse zeigen, welche Eigenschaften Google für die Modelle priorisiert. Sie sind aber nicht automatisch auf einen Supportfall, Dialekt, Telefonkanal oder eine interne Werkzeugkette übertragbar. Die zentrale Modellankündigung wählt und interpretiert die Werte; unabhängige Reproduktionen aller Angaben sind dort nicht dokumentiert. Besonders agentische Tests hängen stark von Prompt, Werkzeugen, Abbruchregeln und Bewertungsmethode ab.

Herstellerangaben: Die genannten Rangplätze und Messwerte werden von Google berichtet. Sie ersetzen keinen unabhängigen Test unter den eigenen Audio-, Daten- und Werkzeugbedingungen.

Die Modellkarte nennt klare Grenzen

Google weist auf typische Fehler von Foundation Models hin, darunter Halluzinationen. Zusätzlich könne es gelegentlich zu langsamen Antworten oder Timeouts kommen. Der Wissensstand der Modelle endet laut Modellkarte im Januar 2025. Aktuelle Aussagen brauchen daher eine angebundene, überprüfbare Quelle; flüssige Sprache darf nicht mit aktuellem Wissen verwechselt werden.

Die Modellkarte beschreibt interne Evaluationen und Red Teaming, veröffentlicht für die Audio-Varianten aber keine vollständige Aufschlüsselung nach Akzent, Störgeräusch, Sprache oder Unterbrechungssituation. Auch Datenschutz, Aufbewahrung und regionale Verfügbarkeit hängen vom gewählten Google-Produkt und Vertrag ab. Von den Modellen erzeugtes Audio wird laut Google mit SynthID markiert; Betreiber brauchen trotzdem transparente Hinweise, Einwilligungen und eigene Regeln für Aufzeichnungen.

• Halluzinationen, langsame Antworten und Timeouts bleiben möglich
• Wissensstichtag Januar 2025 ohne angebundene aktuelle Quellen
• Produktverfügbarkeit und Vertragsbedingungen unterscheiden sich je Kanal
• Sprachqualität muss für Dialekte, Lärm und Telefonkompression separat getestet werden
• Werkzeugfehler und irreversible Aktionen benötigen technische Freigabegrenzen

So sollte ein Voice-Agent getestet werden

Ein sinnvoller Pilot beginnt mit einem begrenzten Prozess, klaren Abbruchwegen und einer menschlichen Übernahme. Geeignet ist etwa ein interner Auskunftsdienst oder ein Supportablauf, bei dem jede externe Aktion zunächst nur vorgeschlagen wird. Historische Gesprächsskripte sollten bewusst Dialekte, Hintergrundgeräusche, Unterbrechungen, Nummernfolgen und Sprachwechsel enthalten.

Neben Antwortqualität zählen Ende-zu-Ende-Latenz, erfolgreiche Aufgabenabschlüsse, falsche Werkzeugaufrufe, Wiederholungen, Übergaben an Menschen und Kosten pro gelöstem Fall. Transkripte und Werkzeugprotokolle müssen zeitlich zusammengeführt werden, damit Fehler nachvollziehbar bleiben. Zahlungs-, Vertrags- oder Datenänderungen sollten erst nach einer unabhängigen Bestätigung ausgeführt werden.

• Ein enges Szenario mit messbarem Erfolgskriterium auswählen
• 3.8 Live und Extended Thinking gegen denselben bisherigen Prozess testen
• Latenz bis zur ersten sinnvollen Antwort und bis zum Aufgabenabschluss messen
• Unterbrechungen, Codes, Eigennamen, Dialekte und schlechte Verbindungen abdecken
• Werkzeugaufrufe protokollieren und Schreibrechte zunächst sperren
• Kosten je gelöstem Fall inklusive Telefonie und Infrastruktur berechnen
• Menschliche Übergabe und barrierefreie Alternative jederzeit anbieten

Die MindrAils-Einordnung

Gemini 3.8 Live ist relevant, weil Google Sprache, visuelle Wahrnehmung, Werkzeugnutzung und paralleles Reasoning in einer produktnah verfügbaren API zusammenführt. Das verschiebt Voice-Agenten von einer starren Frage-Antwort-Schleife zu laufenden, multimodalen Sitzungen. Extended Thinking adressiert dabei ein reales UX-Problem: komplexe Arbeit kann fortgesetzt werden, ohne dass der Gesprächspartner minutenlang auf ein stummes System wartet.

Der Sprung ist dennoch kein Beleg für einen verlässlich autonomen Agenten. Qualität und Kosten stammen zunächst aus Anbieterangaben, die Modellkarte nennt Halluzinationen und Timeouts ausdrücklich weiter. Entscheidend wird sein, wie gut die Modelle unter realen Leitungen, Sprachen und Werkzeugrechten arbeiten. Wer jetzt testet, sollte Gesprächsqualität und Handlungssicherheit getrennt messen: Eine natürliche Stimme kann einen falschen API-Aufruf nicht harmlos machen.