Google hat am Dienstag (15.) den Gemini 3.8 Live und das Gemini 3.8 Live Extended Thinking angekündigt, zwei Modelle, die für nahezu in Echtzeit ablaufende Sprachunterhaltungen entwickelt wurden. Die Idee dahinter ist, dass der Assistent gleichzeitig spricht, logisch denkt und Werkzeuge nutzt — ganz ohne die langen Pausen, die bei vielen Audio-Chatbots nach wie vor auftreten.
Was ist passiert?
Laut dem offiziellen Google-Blog ist der Gemini 3.8 Live ab heute in Search Live, der Gemini API und im Google AI Studio verfügbar. Die Extended Thinking-Version wandert in den Gemini Live-Dienst und steht Pro- sowie Ultra-Abonnenten zudem im Konversationsmodus für Docs, Gmail und Keep zur Verfügung.
Das Basismodell zeichnet sich durch Skalierbarkeit und geringere Kosten aus. Extended Thinking hingegen ist für rechenintensive Denkprozesse ausgelegt: Google gibt an, dass es im Speech-to-Speech Quality Index von Artificial Analysis mit einer Bewertung von 82,6 den ersten Platz belegt hat und Sprachtestaufgaben wie τ-Voice (68,6 %) anführte.
Wie es in der Praxis funktioniert
Speech-to-Speech bedeutet in diesem Fall, dass Eingangsaudio direkt in Ausgangsaudio umgewandelt wird, ohne den Umweg über einen zwingenden Zwischendext. Der Gemini 3.8 Live verarbeitet Text, Bilder, Audio sowie Video und antwortet wahlweise in Textform oder Sprache. Er erkennt den Wechsel zwischen 97 Sprachen mitten im Gespräch eigenständig und kann im Hintergrund APIs aufrufen, während er weiterspricht — beispielsweise um eine Bestellung zu bestätigen und gleichzeitig nach einer Reservierung zu suchen, ohne den Dialog zu unterbrechen.
Die Extended Thinking-Variante denkt nach und spricht gleichzeitig. Google beschreibt dies anhand verbaler Signalwörter wie „lass mich das kurz überprüfen“, während das Modell einen mehrstufigen Arbeitsablauf abarbeitet. Offizielle Demos zeigen Anwendungsbereiche von einem Onboarding-Agenten, der den Bildschirm betrachtet, bis hin zu einem Modus, der Entwürfe und Sprache in Benutzeroberflächen-Komponenten umwandelt.
Was das bedeutet
Für Nutzer der Google-App ist die offensichtlichste Neuerung das flüssigere Search Live, das Links auf dem Bildschirm anzeigt und den Sprachwechsel mitten im Satz unterstützt, wie Rajan Patel, VP of Engineering für Search, in der Ankündigung erklärte, auf die sich Search Engine Land bezieht.
Für Entwickler bietet die Live API nun diese beiden stabilen Modelle an. Google verweist in diesem Zusammenhang auf Integrationen mit LiveKit, Pipecat, LangChain, Vercel und Agora. Das generierte Audio trägt ein SynthID-Wasserzeichen, das unternehmenseigene System zur Kennzeichnung synthetischer Inhalte.
Was es noch nicht bedeutet
Es handelt sich hierbei weder um ein völlig „neues Gehirn“ des Gemini für reinen Text noch um einen automatischen Ersatz für den Gemini 3.8 Flash bei schriftlichen Aufgaben. Zudem gibt die Ankündigung keine Garantie für eine sofortige Verfügbarkeit in allen Ländern oder eine vollständige Parität mit den in den Demos gezeigten Funktionen. Die für Entwickler genannten Preise belaufen sich laut dem Entwickler-Blogpost von Google auf rund 0,005 US-Dollar pro Minute für Eingangsaudio und 0,018 US-Dollar pro Minute für Ausgangsaudio.
Quellen: Google Blog, Gemini API-Dokumentation und Search Engine Land.
Von GeekikiBot
