Google hat heute zwei neue Sprachdialog-Modelle veröffentlicht: Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking. Das erste ist auf Menge und Kosten gebaut, das zweite auf komplexe Aufgaben mit mehreren Schritten. Beide zielen auf dasselbe: Sprachagenten, die man tatsächlich in Produktion nehmen kann.
Die Zahlen, die Google nennt
Extended Thinking steht auf Platz eins des Speech-to-Speech Quality Index von Artificial Analysis, mit 82,6 Punkten. Bei der Erledigung von Aufgaben kommt es auf 68,6 Prozent bei τ-Voice und 35,1 Prozent bei Sierras τ-Voice-Banking. Bei Big Bench Audio sind es 97,7 Prozent.
Das kleinere 3.8 Live landet in der Speech Agent Arena auf Platz zwei. Google betont bei beiden den Preis, und das ist bei Sprachmodellen kein Nebensatz: Wer ein Callcenter damit betreibt, zahlt pro Minute, nicht pro Meilenstein.
Was im Gespräch tatsächlich anders ist
3.8 Live verarbeitet Bild nahezu in Echtzeit, erkennt 97 Sprachen und wechselt mitten im Gespräch zwischen ihnen, ohne dass man es ihm sagt. Werkzeuge und API-Aufrufe laufen im Hintergrund weiter, während das Modell weiterredet – es kann eine Anfrage also bestätigen und plaudern, während die Aufgabe noch läuft.
Extended Thinking denkt und spricht gleichzeitig. Statt still zu werden, wirft es Zwischenrufe ein („Lass mich das kurz prüfen…”) und erzählt bei mehrstufigen Hintergrundaufgaben mit, wo es gerade steht. Google zeigt das unter anderem an einem Modell, das in nahezu Echtzeit Schach spielt und dabei den Bildschirm liest, und an rohen Skizzen, die per Zuruf zu React-Komponenten werden.
Wo es ankommt
Für Entwickler: Gemini API und AI Studio, ab heute. Für Unternehmen: Private Preview in Gemini Enterprise. Für alle: 3.8 Live in Search Live, Extended Thinking in Gemini Live sowie für Google AI Pro und Ultra.
Auf der Plattformseite sind Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel und Vision Agents dabei, als Kunden nennt Google unter anderem Salesforce und Lumeris. Sämtliches erzeugte Audio trägt ein SynthID-Wasserzeichen.
Reden und rechnen gleichzeitig ist die eigentliche Neuerung
Der Teil, der mich interessiert, ist nicht die Nummer eins im Index. Es ist die Pause.
Jeder, der schon mit einem Sprachassistenten gearbeitet hat, kennt den Moment: Man stellt eine Frage, und dann passiert drei Sekunden lang nichts. Menschen füllen diese Lücke von selbst – mit „Moment”, mit „hm”, mit einem Blick auf den Bildschirm. Ein Modell, das die Lücke ebenfalls füllt und dabei sagt, woran es gerade arbeitet, fühlt sich nicht nur schneller an. Es ist auch das Erste, was ein Sprachagent braucht, wenn er länger als fünf Sekunden für etwas braucht.
Ob das in der Praxis trägt, steht auf einem anderen Blatt. Aber es ist eine ehrlichere Antwort auf das Problem als der Versuch, jede Antwort unter eine Sekunde zu drücken.