Google erweitert seine Gemini-Familie um die neuen Sprachmodelle Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking. Beide Modelle sind für nahezu verzögerungsfreie Sprachdialoge ausgelegt und sollen komplexe Aufgaben bearbeiten können, ohne den Gesprächsfluss zu unterbrechen. Entwickler und Unternehmen erhalten damit neue Bausteine für sprachgesteuerte Anwendungen, während die Modelle zugleich in Google-Diensten wie Workspace und Search eingesetzt werden sollen.

Gemini 3.8 Live ist auf Skalierbarkeit und Kosteneffizienz ausgelegt. Die Extended-Thinking-Variante richtet sich dagegen an anspruchsvollere Szenarien, in denen mehrstufiges Schlussfolgern und parallele Verarbeitung gefragt sind.

Live-Modelle sollen Sprache und Aufgaben parallel verarbeiten

Ein zentraler Unterschied zu klassischen Sprachassistenten liegt laut Google in der parallelen Verarbeitung. Gemini 3.8 Live kann API- und Tool-Aufrufe im Hintergrund ausführen und gleichzeitig die laufende Unterhaltung fortsetzen. Dadurch soll das System Anfragen bestätigen, Rückfragen beantworten und dennoch komplexe Prozesse weiterbearbeiten können.

Hinzu kommt die Verarbeitung visueller Informationen in nahezu Echtzeit. Das Modell kann damit Gespräche nicht nur auf gesprochene Eingaben, sondern auch auf laufende Bildinformationen stützen. Google nennt außerdem automatische Sprachwechsel zwischen 97 unterstützten Sprachen und eine verbesserte Verarbeitung alphanumerischer Angaben wie Bestätigungscodes oder technischer Kennziffern.

Gewinnen in der Plattform-Ökonomie

von Alexander Graf – der Leitfaden für Handelsentscheider

★★★★☆ 4,4 / 5 Sterne

Jetzt bei Amazon entdecken

Extended Thinking zielt auf komplexe Workflows

Gemini 3.8 Live Extended Thinking ergänzt die Live-Funktionen um intensiveres mehrstufiges Reasoning. Das Modell kann nach Angaben von Google komplexere Aufgaben im Hintergrund durchdenken und den Nutzer währenddessen verbal über den Fortschritt informieren, ohne die Unterhaltung zu unterbrechen.

Die Funktion ist insbesondere für mehrstufige Agentenprozesse vorgesehen. Google demonstriert unter anderem Reservierungsabläufe, die mehrere Funktionsaufrufe koordinieren, sowie die Erstellung von React-Komponenten aus Skizzen und gesprochenem Feedback. Auch umfangreichere Geschäfts- und Marketingaufgaben sollen sich per Sprache steuern lassen.

Google verweist auf hohe Benchmark-Werte

Google hebt für Gemini 3.8 Live Extended Thinking mehrere Benchmark-Ergebnisse hervor. Das Modell erreichte laut Unternehmensangaben 82,6 Punkte im Speech-to-Speech Quality Index von Artificial Analysis und 68,6 Prozent beim Benchmark τ-Voice. Beim Sierra-Benchmark τ-Voice-banking nennt Google einen Wert von 35,1 Prozent.

Auf Big Bench Audio erreichte das Modell laut Google 97,7 Prozent. Gemini 3.8 Live belegte zudem nach Angaben des Unternehmens den zweiten Platz in der Speech Agent Arena. Die Resultate sollen zeigen, dass die Modelle sowohl bei Sprachqualität als auch bei agentischen Aufgaben konkurrenzfähig sind.

Live API richtet sich an Entwickler und Unternehmen

Beide neuen Modelle sind über die Gemini Live API und Google AI Studio verfügbar. Für Audioeingaben nennt Google einen Preis von 0,005 US-Dollar pro Minute, für Audioausgaben 0,018 US-Dollar pro Minute.

Für die Integration arbeitet Google unter anderem mit Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel und Vision Agents zusammen. Diese Plattformen übernehmen Teile der Echtzeit-Medieninfrastruktur, sodass Entwickler sich stärker auf die eigentliche Anwendung konzentrieren können.

Parallel verweist Google auf Gemini 3.5 Transcribe, ein spezialisiertes Speech-to-Text-Modell für 85 oder mehr Sprachen. Das Modell wurde bereits im Vormonat veröffentlicht und soll für Streaming-Transkription eine durchschnittliche Word Error Rate von 4,0 Prozent erreichen, im nicht gestreamten Betrieb 2,6 Prozent.

Zu den Funktionen gehören automatischer Sprachwechsel, die Gewichtung benutzerdefinierter Fachbegriffe sowie ein Smart-Transcription-Modus, der Rohtranskripte strukturiert und Füllwörter entfernen kann. Damit positioniert Google die neuen Audio-Modelle als durchgängige Plattform für Sprachagenten, Transkription und komplexe dialogbasierte Anwendungen.