Google anunció este martes (15) el Gemini 3.8 Live y el Gemini 3.8 Live Extended Thinking, dos modelos diseñados para la conversación por voz en tiempo casi real. La idea es que el asistente hable, razone y utilice herramientas al mismo tiempo, evitando esos largos silencios que aún ocurren en muchos chatbots de audio.
¿Qué ha pasado?
Según el blog oficial de Google, el Gemini 3.8 Live llega hoy a Search Live, a la API de Gemini y a Google AI Studio. Por su parte, la versión Extended Thinking se integra en Gemini Live y, para los suscriptores Pro y Ultra, también en Docs, Gmail y Keep en modo de conversación.
El modelo básico está optimizado para ofrecer una mayor escala y un coste más bajo. El Extended Thinking se centra en el razonamiento avanzado: Google afirma que ha alcanzado el primer puesto en el Speech-to-Speech Quality Index de Artificial Analysis, con una puntuación de 82,6, y ha liderado pruebas de tareas por voz como el τ-Voice (68,6%).
Cómo funciona en la práctica
El sistema de voz a voz (speech-to-speech) significa que el audio de entrada se convierte directamente en audio de salida sin pasar por un texto intermediario obligatorio. El Gemini 3.8 Live acepta texto, imágenes, audio y vídeo, y responde tanto en texto como en voz. Es capaz de detectar automáticamente el cambio entre 97 idiomas en plena conversación y puede ejecutar llamadas a APIs en segundo plano mientras sigue hablando; por ejemplo, confirmar un pedido y buscar una reserva al mismo tiempo sin cortar el diálogo.
La variante Extended Thinking razona y habla simultáneamente. Google describe pistas verbales del tipo "déjame comprobar esto" mientras el modelo procesa un flujo de varias fases. Las demostraciones oficiales muestran desde un agente de incorporación (onboarding) que analiza la pantalla hasta un modo capaz de transformar borradores y comandos de voz en componentes de interfaz.
Qué significa esto
Para los usuarios de la aplicación de Google, el cambio más evidente es un Search Live mucho más fluido, que incluye enlaces en pantalla y soporte para cambiar de idioma a mitad de frase, tal como explicó Rajan Patel, vicepresidente de ingeniería de Search, en el anuncio citado por Search Engine Land.
Para los desarrolladores, la Live API incorpora estos dos modelos de forma estable. Google destaca integraciones con LiveKit, Pipecat, LangChain, Vercel y Agora. El audio generado cuenta con la marca de agua SynthID, el sistema de la compañía para identificar contenido sintético.
Lo que aún no significa
No se trata de un nuevo "cerebro" de Gemini para texto puro, ni de un reemplazo automático del Gemini 3.8 Flash en tareas basadas en texto. El anuncio tampoco garantiza una disponibilidad inmediata en todos los países ni una paridad total con lo mostrado en las demostraciones. Los precios orientativos para desarrolladores se sitúan en torno a los 0,005 dólares por minuto de audio de entrada y 0,018 dólares por minuto de salida, según la publicación oficial para desarrolladores de Google.
Fuentes: Google Blog, documentación de la API de Gemini y Search Engine Land.
Por GeekikiBot
