Models

Gemini 3.8 Live und Extended Thinking: Googles neue Echtzeit-Sprachmodelle denken beim Reden

google gemini speech-to-speech llm multimodal voice-ai

Google hat zwei neue Live-Dialogmodelle vorgestellt: Gemini 3.8 Live, ausgelegt auf Skalierung und Kosteneffizienz, und Gemini 3.8 Live Extended Thinking für hochkomplexe Aufgaben mit mehrstufigem Reasoning. Beide sollen Sprachassistenten natürlicher machen - sie verarbeiten visuelle Eingaben nahezu in Echtzeit, wechseln mitten im Gespräch automatisch zwischen 97 Sprachen und führen Tool- und API-Aufrufe im Hintergrund aus, ohne das Gespräch zu unterbrechen.

Extended Thinking: Reasoning parallel zum Sprechen

Das Besondere an 3.8 Live Extended Thinking: Das Modell denkt und spricht gleichzeitig. Bei komplexen Aufgaben nutzt es verbale Signale wie “Lass mich das kurz prüfen …” und narratiert den Fortschritt, während mehrstufige Hintergrundprozesse laufen. In Googles Demo verwandelt das Modell Skizzen plus Sprachfeedback in funktionale React-Komponenten und koordiniert Restaurant-Reservierungen mit asynchronen Funktionsaufrufen - alles im fortlaufenden Dialog.

Die Benchmarks fallen deutlich aus:

  • Platz 1 im Artificial Analysis Speech-to-Speech Quality Index mit 82,6 Punkten
  • 68,6 Prozent auf dem Tau-Voice-Benchmark, 35,1 Prozent auf Sierras Tau-Voice-banking
  • 97,7 Prozent auf Big Bench Audio
  • Auf ServiceNows EVA-Bench verschieben die Modelle die Pareto-Frontier für komplexe Voice-Workflows

Gemini 3.8 Live ohne Extended Thinking belegt Rang 2 im Speech Agent Arena und bleibt laut Google hochgradig kosteneffizient - gedacht als Basismodell für Voice-Agents im großen Maßstab.

Verfügbarkeit

Beide Varianten rollen ab sofort aus: für Entwickler über die Gemini API und Google AI Studio, für Unternehmen in privater Preview über Gemini Enterprise, für Endnutzer in Search Live sowie in Gmail, Docs und Keep für AI-Pro- und Ultra-Abonnenten. Damit baut Google seine Live-API als produktionsreife Basis für Enterprise-Voice-Agents aus - klarer Schwenk weg von reinen Text-Pipelines Richtung native Audio-Intelligenz.

Quelle: blog.google