Google hat Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking auf den Markt gebracht, zwei Live-Dialogmodelle, die das Unternehmen als die bisher fortschrittlichsten für natürliche Sprachkonversation bezeichnet. Die Einführung der Modelle begann am 15. September über die Gemini API, Google AI Studio, Search Live, Gemini Live und Google Workspace, mit Unternehmenszugriff in der privaten Vorschau über Gemini Enterprise.
Die Ankündigung kam von Tom Ouyang, einem leitenden Ingenieur, und Malini Jaganathan, einer technischen Mitarbeiterin, die im Namen des Gemini Audio-Teams schrieben. Es erweitert die Gemini 3.8-Familie, die Anfang dieses Monats mit den Modellen Flash und Flash Cyber auf den Markt kam, und markiert Googles bislang aggressivsten Vorstoß in die multimodale Echtzeit-Sprachunterstützung – einen Markt, in dem der Sprachmodus von OpenAI und eine Welle von Sprach-Startups um denselben täglichen Anwendungsfall konkurrieren.
Die Markteinführung passt in eine bemerkenswert überfüllte Phase für die Modellreihe von Google; Die Berichterstattung über die neuesten KI-Entwicklungen zeigt, dass das Unternehmen nun innerhalb weniger Wochen wiederholt ausgeliefert hat, während es mit Konkurrenten in den Bereichen Preisgestaltung, Codierung und jetzt auch Sprache kämpft.
Entwickelt für Gespräche in Echtzeit
Was die Live-Modelle von einem Standard-Chat-Modell mit angeschlossenem Mikrofon unterscheidet, ist Latenz und Status. Die Live-API-Dokumentation von Google beschreibt eine Schnittstelle mit geringer Latenz, die kontinuierliche Audio-, Bild- und Textströme über eine zustandsbehaftete WebSocket-Verbindung verarbeitet, rohes 16-kHz-PCM-Audio, JPEG-Bilder mit bis zu einem Bild pro Sekunde und Text akzeptiert und gesprochenes Audio in Echtzeit zurückgibt.
Die Modelle verarbeiten visuelle Eingaben nahezu in Echtzeit und lassen den Assistenten sehen, was der Benutzer sieht – die Demonstrationsvideos von Google zeigen, wie Gemini 3.8 Live eine Mitarbeiter-Onboarding-Sitzung mithilfe von visuellem Kontext leitet, nahezu in Echtzeit Schach spielt und vollständige Geschäftspläne und individuelle Marketing-Toolkits durch natürliche Sprache erstellt. Die Modelle können außerdem 97 unterstützte Sprachen während eines Gesprächs automatisch erkennen und zwischen ihnen wechseln, ohne dass der Benutzer die Einstellungen ändern muss.
Für den praktischen Einsatz vielleicht am bedeutsamsten: Die Modelle führen Tools und API-Aufrufe im Hintergrund aus, während das Gespräch weitergeht, bestätigen Anfragen und halten den Dialog am Laufen, während Aufgaben erledigt sind. Dadurch wird der Assistent von einem rein rundenbasierten Befragten zu etwas, das einem Agenten näher kommt, der zufällig spricht.
Die Zahlen, die Google anpreist
Google berichtet, dass Gemini 3.8 Live Extended Thinking mit einem Wert von 82,6 den Spitzenplatz im Speech-to-Speech Quality Index von Artificial Analysis einnahm. Bei der Erledigung von Agentenaufgaben gibt das Unternehmen 68,6 % beim τ-Voice-Benchmark und 35,1 % bei der τ-Voice-Banking-Bewertung von Sierra an, zusammen mit einem Ergebnis von 97,7 % bei Big Bench Audio.
Dabei handelt es sich um die von Google selbst gemeldeten Zahlen, und eine unabhängige Überprüfung wird einige Zeit in Anspruch nehmen – aber der Anspruch auf den Spitzenplatz in der Tabelle von Artificial Analysis würde Google, wenn er Bestand hat, in Bezug auf die allgemeine Konversationsqualität vor den sprachoptimierten Angeboten von OpenAI und engagierten Sprach-KI-Unternehmen platzieren. Laut Google behält Extended Thinking außerdem einen äußerst wettbewerbsfähigen Preis bei, eine implizite Anspielung auf den Preisdruck, der die 3.8-Generation geprägt hat.
Alle von den Modellen generierten Audiodaten sind mit SynthID, dem nicht wahrnehmbaren Wasserzeichen von Google, mit einem Wasserzeichen versehen, sodass KI-generierte Sprache weiterhin erkennbar bleibt – ein Compliance- und Fehlinformationsschutz, der in allen generativen Produkten von Google zum Standard wird.
Wo Sie es verwenden können
Die Verfügbarkeit der beiden Modelle ist unterschiedlich. Gemini 3.8 Live ist für alle in Search Live verfügbar, dem visuellen Echtzeit-Suchmodus von Google. Extended Thinking ist in Gemini Live, in Docs für Google AI Pro- und Ultra-Abonnenten über Workspace und in Gmail und Keep für alle Google-Nutzer verfügbar.
Entwickler erhalten die Modelle über die Gemini API und Google AI Studio, und Google gibt an, dass die Live API bereits von Plattformen wie Agora, Fishjam, LiveKit, Pipecat, Vercel und Vision Agents verwendet wird, um sprachgesteuerte Schnittstellen auf der Echtzeit-Infrastruktur von Google zu erstellen. Als Launch-Partner für die neuen Modelle werden Salesforce, Genspark und Lumeris genannt.
Ein überfüllter Sprach-KI-Markt
Die Sprache wird zum Schnittstellen-Schlachtfeld des Jahres 2026, denn hier entkommt die KI endlich der Tastatur. Ein Modell, das beim Sprechen sehen, zuhören, die Sprache wechseln und Tools ausführen kann, konkurriert nicht mit anderen Chatbots, sondern mit dem Telefonanruf, der Kundensupport-Hotline und dem persönlichen Assistenten.
Der Vorteil von Google liegt in der Verbreitung: Suche, Android, Workspace und Chrome verleihen den Live-Modellen eine installierte Basis, die kein Konkurrent erreichen kann. Das Unternehmen geht davon aus, dass es wichtiger sein wird, in jeder Ecke des Alltags eines Benutzers präsent zu sein – jetzt mit seinen besten Sprachmodellen –, wichtiger zu sein als jeder einzelne Benchmark-Sieg. Konkurrenten werden ihre Chance bekommen, zu antworten, aber Google hat deutlich gemacht, dass Voice, einst eine Demofunktion, jetzt eine erstklassige Produktlinie ist.
Für Entwickler ist die Botschaft ähnlich direkt. Durch die Veröffentlichung exakter Eingabeformate, die Dokumentation der Hintergrundausführung von Tools und die Bereitstellung von Live-API-Plattformen für das Ökosystem versucht Google, seinen Stack zum Standardsubstrat für alle zu machen, die gesprochene Schnittstellen erstellen – von Kundensupport-Bots bis hin zu tragbaren Assistenten. Ob die Qualitätsansprüche von Gemini 3.8 Live den unabhängigen Tests standhalten, die Frage der Verfügbarkeit ist bereits in vollem Gange.
---
Der KI einen Schritt voraus seinErhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Weitere KI-Neuigkeiten lesen →
