Google stellt Gemini 3.8 Live für Echtzeit Sprachdialoge und Voice Agents vor

Google verschiebt den Schwerpunkt von Sprachdialogen zu handlungsfähigen Voice Agents

Mit Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking erweitert Google seine Modellfamilie um zwei Systeme, die speziell für Echtzeit-Audio und sprachgesteuerte Anwendungen entwickelt wurden. Im Mittelpunkt steht dabei nicht nur die möglichst natürliche Aussprache. Die Modelle sollen während eines Gesprächs gleichzeitig Informationen verarbeiten, Aufgaben planen und externe Funktionen ausführen können.

Damit adressiert Google einen zentralen Engpass bisheriger Sprachassistenten: Ein System, das erst zuhört, anschließend vollständig „nachdenkt“ und erst danach antwortet, erzeugt bei komplexeren Aufgaben spürbare Pausen. Für einfache Fragen ist das häufig akzeptabel. In Kundenservice, Vertrieb, Terminplanung oder technischen Support-Szenarien können solche Unterbrechungen jedoch den Gesprächsfluss beeinträchtigen und die Akzeptanz senken.

Gemini 3.8 Live soll dieses Problem durch eine engere Verbindung von Audioverarbeitung, Dialogsteuerung und Tool-Aufrufen lösen. Die Modelle sind deshalb weniger als reine Sprachschnittstellen zu verstehen, sondern als technische Grundlage für Agenten, die gesprochene Interaktionen mit konkreten Aktionen verbinden.

Zwei Modellvarianten für unterschiedliche Anforderungen

Gemini 3.8 Live für schnelle und skalierbare Gespräche

Die Standardvariante Gemini 3.8 Live ist für Anwendungen vorgesehen, bei denen niedrige Antwortzeiten und ein flüssiger Dialog im Vordergrund stehen. Google positioniert sie als Basismodell für skalierbare Voice Agents. Das betrifft beispielsweise automatisierte Auskünfte, sprachbasierte Navigation durch Wissensbestände, Terminvereinbarungen oder erste Schritte in einem Supportprozess.

Das Modell verarbeitet laut Google Text-, Bild-, Audio- und Videoeingaben. Ein Voice Agent kann dadurch nicht nur auf gesprochene Aussagen reagieren, sondern auch visuelle Informationen in den Dialog einbeziehen. Denkbar sind etwa Anwendungen, bei denen ein Nutzer ein Dokument, ein Produktbild oder einen Screenshot übermittelt und anschließend per Sprache Fragen dazu stellt.

Für längere Interaktionen ist das Kontextfenster von Bedeutung. Die Entwicklerdokumentation weist für Gemini 3.8 Live ein Eingabelimit von 131.072 Token und ein Ausgabelimit von 65.536 Token aus. Diese Angaben erlauben grundsätzlich umfangreiche Gesprächs- und Arbeitskontexte. In der Praxis hängt die tatsächliche Leistungsfähigkeit jedoch davon ab, wie ein System Inhalte strukturiert, welche Informationen dauerhaft gespeichert werden und wie viele externe Datenquellen eingebunden sind.

Google gibt außerdem an, dass Gemini 3.8 Live 97 Sprachen unterstützt. Dazu zählt Deutsch. Die automatische Erkennung und der Wechsel zwischen Sprachen während eines laufenden Gesprächs sollen mehrsprachige Nutzungsszenarien erleichtern. Für Unternehmen mit internationalen Service- oder Vertriebsteams kann das relevant sein. Dennoch sollten Sprachqualität, Fachterminologie, Dialekte und die Zuverlässigkeit bei Sprachwechseln jeweils mit realen Gesprächsdaten geprüft werden.

Extended Thinking für mehrstufige Aufgaben

Gemini 3.8 Live Extended Thinking richtet sich an komplexere Aufgaben, bei denen mehrere Arbeitsschritte koordiniert werden müssen. Die Variante soll parallel zur laufenden Unterhaltung im Hintergrund weiterdenken können. Während der Agent beispielsweise Daten abruft, Berechnungen durchführt oder mehrere Funktionen aufruft, kann das Gespräch fortgesetzt werden.

Ein solches Verhalten verändert die Interaktionslogik. Der Agent muss nicht zwangsläufig schweigen, bis sämtliche Verarbeitungsschritte abgeschlossen sind. Stattdessen kann er den Status einer Aufgabe verbal vermitteln, Rückfragen stellen oder Zwischenergebnisse ankündigen. Für Nutzer entsteht dadurch ein stärker dialogorientierter Ablauf, während im Hintergrund bereits weitere Verarbeitung stattfindet.

Die Funktion ist vor allem für Szenarien interessant, in denen ein Sprachagent nicht nur eine einzelne Auskunft geben, sondern einen Prozess bearbeiten soll. Dazu gehören etwa die Prüfung mehrerer Informationen, die Auswahl einer passenden Option aus einem Katalog oder die schrittweise Vorbereitung eines Geschäftsvorgangs.

Mehr Reasoning bedeutet allerdings nicht automatisch bessere Ergebnisse in jedem Einsatzbereich. Je nach Anwendung können zusätzliche Verarbeitungsschritte die Latenz, die Kosten und die Komplexität erhöhen. Unternehmen müssen daher entscheiden, wann die erweiterte Variante tatsächlich benötigt wird und wann ein schnelleres Modell ausreicht.

Asynchrone Funktionsaufrufe sollen Gesprächspausen reduzieren

Ein technischer Schwerpunkt der neuen Live-Modelle sind asynchrone Funktionsaufrufe. Ein Agent kann dabei im Hintergrund eine externe Funktion oder API anstoßen, während die Unterhaltung weiterläuft. Die Anwendung muss also nicht zwingend auf das vollständige Ergebnis eines Aufrufs warten, bevor sie die nächste Gesprächssequenz verarbeitet.

In der Entwicklerdokumentation wird der asynchrone Modus als Standard beschrieben. Für die Steuerung der Ergebnisse stehen verschiedene Zeitpunkte und Verhaltensweisen zur Verfügung. Die Modi SILENT, WHEN_IDLE und INTERRUPTED legen fest, ob ein Ergebnis im Hintergrund verarbeitet, bei einer Gesprächspause ausgegeben oder durch eine neue Nutzereingabe unterbrochen werden soll.

Für die Gestaltung von Voice Agents ist diese Steuerung wesentlich. Ein System, das jedes externe Ergebnis sofort vorliest, kann unruhig oder schwer verständlich wirken. Wartet es dagegen zu lange, entsteht der Eindruck, es habe die Anfrage nicht verstanden. Durch unterschiedliche Scheduling-Strategien lässt sich die Ausgabe an den Gesprächsverlauf anpassen.

In geschäftlichen Anwendungen sollte der Funktionsaufruf zudem nicht direkt mit einer uneingeschränkten Handlungsvollmacht verbunden werden. Kritische Aktionen wie Bestellungen, Vertragsänderungen, Geldtransfers oder die Weitergabe personenbezogener Daten benötigen in der Regel zusätzliche Prüfungen, Berechtigungsstufen und gegebenenfalls eine Bestätigung durch einen Menschen.

Potenzial für agentische Arbeitsabläufe

Die Kombination aus Sprache, Reasoning und Tool-Nutzung kann Voice Agents näher an klassische Software-Agenten heranführen. Ein Nutzer könnte eine Aufgabe mündlich formulieren, während das System im Hintergrund Informationen abruft, relevante Daten abgleicht und einen nächsten Schritt vorbereitet.

Für Unternehmen entsteht daraus ein möglicher Effizienzgewinn. Mitarbeitende könnten beispielsweise interne Systeme über natürliche Sprache bedienen, ohne sich durch mehrere Oberflächen zu navigieren. Kundinnen und Kunden könnten Anliegen formulieren, die anschließend über CRM-, Termin- oder Wissenssysteme bearbeitet werden.

Die technische Herausforderung liegt dabei nicht allein im Modell. Notwendig sind auch stabile Schnittstellen, eine saubere Rechteverwaltung, nachvollziehbare Protokollierung und klare Regeln für Fehlerfälle. Ein Voice Agent muss erkennen können, wann eine Funktion nicht verfügbar ist, wann Daten widersprüchlich sind und wann eine Anfrage an einen menschlichen Ansprechpartner übergeben werden muss.

Multimodalität erweitert den Einsatzbereich über reine Telefonie hinaus

Gemini 3.8 Live ist nicht auf Audioeingaben beschränkt. Die Unterstützung von Text, Bildern, Audio und Video erlaubt multimodale Anwendungen, in denen Informationen aus verschiedenen Quellen kombiniert werden. Das kann für Serviceprozesse, Schulungen, interne Recherche oder die Analyse visueller Inhalte relevant sein.

Ein technischer Support-Agent könnte beispielsweise eine mündliche Fehlerbeschreibung mit einem Foto des betroffenen Geräts verbinden. Ein Vertriebsassistent könnte Produktinformationen, ein vom Kunden hochgeladenes Dokument und den gesprochenen Gesprächsverlauf gemeinsam berücksichtigen. In einem Lernsystem könnten Sprache, Bildmaterial und Textquellen parallel verarbeitet werden.

Die Multimodalität erhöht jedoch auch die Anforderungen an Datenklassifizierung und Datenschutz. Bilder und Videos können neben den eigentlich relevanten Informationen weitere personenbezogene Daten enthalten. Unternehmen sollten deshalb vor der Verarbeitung prüfen, welche Inhalte notwendig sind, wie lange sie gespeichert werden und ob eine Übermittlung an externe Dienste zulässig ist.

Benchmarks zeigen ein differenziertes Bild

Google stellt die neuen Modelle als besonders leistungsfähig für Echtzeitdialoge und komplexe Aufgaben dar. Nach den vorliegenden Angaben erreicht Gemini 3.8 Live Extended Thinking im Speech-to-Speech Quality Index von Artificial Analysis 82,6 Punkte und liegt dort vor den in den Vergleichsdaten genannten Konkurrenzmodellen OpenAI GPT-Live-1 Astra mit 81,5 Punkten und Grok Voice Think Fast 2.0 High mit 81,3 Punkten.

Solche Ranglisten liefern Anhaltspunkte, müssen jedoch im Kontext betrachtet werden. Ein Index bildet nur bestimmte Testbedingungen ab. Sprachqualität, Antwortgeschwindigkeit, Tool-Nutzung, Robustheit, Kosten und Nutzerakzeptanz können in verschiedenen Benchmarks unterschiedlich gewichtet sein.

Auch in anderen Kategorien ergibt sich kein einheitliches Bild. Bei der Reasoning-Leistung lagen laut den vorliegenden Vergleichsdaten zwei Qwen-Modelle und StepAudio 3 Realtime vor Gemini 3.8 Live Extended Thinking. Bei der sogenannten agentischen Leistung wurde die Extended-Thinking-Variante hingegen führend eingeordnet.

In der Speech Agent Arena, die auf menschlichen Präferenzen aus Blindtests basiert, schnitt Gemini 3.8 Live besser ab als die Extended-Thinking-Version. Beide lagen in diesem Ranking hinter einem Vorgängermodell. Auch bei der Zeit bis zur ersten Audioausgabe wurden die neuen Varianten dort nicht durchgehend vor dem Vorgänger bewertet.

Für die Auswahl eines Modells sollten Sie daher nicht ausschließlich auf einen Spitzenplatz achten. Aussagekräftiger ist ein eigener Test mit realistischen Gesprächsverläufen, typischen Fachbegriffen, unterschiedlichen Sprecherprofilen und den tatsächlich benötigten Systemintegrationen.

Kosten und Skalierung als wichtige Entscheidungsfaktoren

Google nennt für Gemini 3.8 Live Preise von 0,005 US-Dollar pro Minute für Audioeingaben und 0,018 US-Dollar pro Minute für Audioausgaben. Diese Werte beziehen sich auf die Modellnutzung und bilden nicht zwangsläufig die Gesamtkosten eines Voice-Agent-Projekts ab.

Zusätzliche Ausgaben können unter anderem für Telefonie, Streaming, Netzwerkverkehr, externe APIs, Datenbanken, Monitoring, Sicherheitsmechanismen und die Entwicklung der Anwendung entstehen. Auch die Verarbeitung von Text, Bildern oder Videos kann separat abgerechnet werden. Für eine belastbare Kalkulation müssen Unternehmen deshalb ein vollständiges Kostenmodell erstellen.

Die Preisstruktur kann besonders bei hohen Gesprächsvolumina relevant sein. Ein günstiger Minutenpreis erleichtert den Betrieb vieler paralleler Sessions, ändert aber nichts an der Notwendigkeit, Gesprächsdauer, Wiederholungen und nicht zielführende Dialogschleifen zu kontrollieren. Eine gute Gesprächsführung kann die Kosten ebenso beeinflussen wie die Wahl des Modells.

In der Praxis kann eine Kombination verschiedener Modellklassen sinnvoll sein. Ein schnelles Basismodell übernimmt einfache Dialoge und Standardfragen. Für anspruchsvollere Aufgaben wird nur bei Bedarf die Extended-Thinking-Variante aktiviert. Die technische Umsetzung einer solchen Weiterleitung erfordert allerdings klare Kriterien und zusätzliche Orchestrierungslogik.

Verfügbarkeit über API, AI Studio und Google-Produkte

Entwickler können Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking über die Gemini API und Google AI Studio nutzen. Die Live API stellt dabei die technische Grundlage für Streaming-Dialoge, Audioausgabe und die Interaktion mit Funktionen bereit. Beispielanwendungen und Entwicklerressourcen sollen den Einstieg in sprachbasierte Anwendungen erleichtern.

Parallel plant Google einen schrittweisen Rollout in eigenen Produkten. Gemini 3.8 Live soll in Search Live eingesetzt werden. Die Extended-Thinking-Variante ist zudem für Gemini Live und ausgewählte Workspace-Anwendungen vorgesehen. Genannt werden unter anderem Docs, Gmail und Keep, wobei der konkrete Zugang von Produkt, Abonnement und Vorschauprogramm abhängen kann.

Für Unternehmen ist die Unterscheidung zwischen einer öffentlichen Entwicklerverfügbarkeit, einer Vorschau und einer regulären Produktintegration wichtig. Vorschauangebote können sich hinsichtlich Stabilität, Funktionsumfang, Preisen und Service-Leveln verändern. Vor einer produktiven Einführung sollten daher die jeweils geltenden Bedingungen und technischen Einschränkungen geprüft werden.

Transparenz, Datenschutz und Governance

Google versieht nach eigenen Angaben von KI-Produkten erzeugte Audioinhalte mit einem nicht wahrnehmbaren SynthID-Wasserzeichen. Die Markierung soll maschinenlesbar nachweisbar sein und die Identifizierung synthetisch erzeugter Inhalte unterstützen.

Ein solches Wasserzeichen kann ein Baustein für Transparenz sein, ersetzt jedoch keine vollständige Governance. Für Nutzerinnen und Nutzer sollte weiterhin erkennbar sein, ob sie mit einem automatisierten System sprechen. Unternehmen benötigen zudem Verfahren für Einwilligung, Datenminimierung, Zugriffskontrolle und die Löschung von Gesprächsdaten.

Bei Voice Agents entstehen besondere Datenschutzfragen, weil Gespräche häufig personenbezogene, finanzielle oder geschäftlich vertrauliche Informationen enthalten. Vor dem Einsatz sollten Sie unter anderem folgende Punkte klären:

• Welche Audio-, Text- und Metadaten werden verarbeitet und gespeichert?
• In welchen Regionen werden die Daten verarbeitet?
• Welche Daten fließen an externe Tools oder verbundene Geschäftssysteme?
• Wie werden Nutzer über die automatisierte Verarbeitung informiert?
• Wie lässt sich ein Gespräch an einen menschlichen Ansprechpartner übergeben?
• Wie werden Modellfehler, Tool-Aufrufe und sicherheitsrelevante Ereignisse protokolliert?

Die rechtliche Bewertung hängt vom konkreten Anwendungsfall ab. Besonders bei Gesundheitsdaten, Finanzinformationen, Beschäftigtendaten oder biometrisch relevanten Informationen gelten erhöhte Anforderungen. Technische Fähigkeiten sollten daher stets gemeinsam mit Datenschutz, Informationssicherheit und internen Kontrollprozessen betrachtet werden.

Was Unternehmen vor einem Pilotprojekt prüfen sollten

Ein Pilotprojekt mit Gemini 3.8 Live sollte nicht mit der bloßen Frage beginnen, ob ein Modell „natürlich“ klingt. Entscheidend ist, ob der Agent einen klar abgegrenzten Geschäftsprozess zuverlässig unterstützt. Ein geeigneter Startfall verfügt über definierte Ziele, überschaubare Datenquellen und messbare Erfolgskennzahlen.

Für die Bewertung können Sie unter anderem folgende Kriterien heranziehen:

• Antwortzeit bis zur ersten Audioausgabe und Reaktionsgeschwindigkeit während des Gesprächs
• Erkennungsqualität bei Fachbegriffen, Eigennamen, Akzenten und wechselnden Sprechgeschwindigkeiten
• Erfolgsquote bei Tool-Aufrufen und korrekte Übergabe von Parametern
• Umgang mit Unterbrechungen, Rückfragen und unvollständigen Angaben
• Häufigkeit von Halluzinationen oder unzulässigen Schlussfolgerungen
• Qualität der Übergabe an Mitarbeitende
• Kosten pro erfolgreicher Interaktion statt nur Kosten pro Gesprächsminute
• Nachvollziehbarkeit von Entscheidungen und ausgeführten Aktionen

Besondere Aufmerksamkeit verdient die Unterbrechungslogik. In natürlichen Gesprächen sprechen Menschen nicht immer abwechselnd. Sie korrigieren Aussagen, stellen Zwischenfragen oder wechseln kurzfristig das Thema. Ein Voice Agent muss solche Situationen verarbeiten können, ohne laufende Aktionen unkontrolliert fortzusetzen oder wichtige Informationen zu verlieren.

Für produktive Systeme empfiehlt sich außerdem ein mehrstufiges Berechtigungskonzept. Das Modell kann eine Aktion vorschlagen, die Anwendung kann die Parameter überprüfen und ein Nutzer oder Mitarbeitender kann die endgültige Freigabe erteilen. Auf diese Weise lässt sich das Risiko fehlerhafter oder missverständlicher Sprachbefehle begrenzen.

Einordnung für die Entwicklung von KI-Anwendungen

Die Vorstellung von Gemini 3.8 Live zeigt, dass sich die Entwicklung von Sprachmodellen zunehmend auf die Verbindung von Dialog und Handlung konzentriert. Sprachqualität bleibt relevant, ist aber nur ein Teil der Gesamtleistung. Für den praktischen Einsatz zählen ebenso Kontextverwaltung, parallele Verarbeitung, externe Werkzeuge, Sicherheitskontrollen und die Einbindung in bestehende Unternehmenssoftware.

Für Anbieter und Anwender von KI-Lösungen entsteht dadurch ein breiteres Einsatzspektrum. Plattformen wie Mindverse können Unternehmen dabei unterstützen, unterschiedliche KI-Funktionen – von Text und Recherche bis zu sprachbasierten Interaktionen – in strukturierte Arbeitsabläufe einzubinden. Der Mehrwert entsteht dabei nicht allein durch den Zugang zu einem einzelnen Modell, sondern durch die Auswahl geeigneter Modelle, die Kontrolle ihrer Nutzung und die Integration in belastbare Prozesse.

Gemini 3.8 Live und die Extended-Thinking-Variante sind deshalb vor allem als Bausteine für neue Anwendungsklassen zu betrachten. Ob daraus im jeweiligen Unternehmen ein wirtschaftlicher Vorteil entsteht, hängt von Prozessdesign, Datenqualität, Nutzerführung und Governance ab. Ein Modellvergleich sollte diese Faktoren ebenso berücksichtigen wie Benchmarks und Preisangaben.

Fazit

Google erweitert mit Gemini 3.8 Live seine Infrastruktur für sprachbasierte Echtzeitanwendungen. Die Standardvariante zielt auf schnelle und skalierbare Dialoge, während Extended Thinking komplexere Aufgaben mit paralleler Verarbeitung und Tool-Nutzung bearbeiten soll. Die multimodale Eingabe, die Unterstützung zahlreicher Sprachen und die asynchronen Funktionsaufrufe eröffnen Einsatzmöglichkeiten, die über klassische Sprachassistenten hinausgehen.

Gleichzeitig zeigen die verfügbaren Vergleichsdaten, dass kein einzelner Leistungswert die Eignung für alle Anwendungen abbildet. Die Modelle schneiden je nach Kategorie unterschiedlich ab. Für Unternehmen bleiben deshalb eigene Tests, eine realistische Kostenrechnung und eine sorgfältige Prüfung von Datenschutz und Sicherheitsanforderungen unverzichtbar.

Der entscheidende Entwicklungsschritt liegt weniger in der bloßen Fähigkeit, gesprochene Sprache zu verstehen. Maßgeblich ist die Frage, ob ein Voice Agent Gespräche flüssig führen, externe Systeme kontrolliert nutzen und seine Aktionen für Menschen nachvollziehbar ausführen kann. Gemini 3.8 Live liefert dafür eine neue technische Grundlage. Die Qualität des konkreten Produkts entscheidet sich jedoch erst in der Umsetzung.

Quellen

Google DeepMind: „Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking“, 15. September 2026. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/ Google DeepMind: „New Gemini Audio models for developers“, 15. September 2026. https://blog.google/innovation-and-ai/technology/developers-tools/build-real-time-voice-applications-gemini-audio/ Google AI for Developers: „Gemini 3.8 Live – Gemini API“. https://ai.google.dev/gemini-api/docs/models/gemini-3.8-live heise online, Carolin Riethmüller: „Gemini 3.8 Live: Upgrade bei Echtzeit-Sprachmodellen für Voice Agents“, 16. September 2026. https://www.heise.de/news/Gemini-3-8-Live-Upgrade-bei-Echtzeit-Sprachmodellen-fuer-Voice-Agents-11455182.html The Decoder, Matthias Bastian: „Google DeepMind stellt Gemini 3.8 Live für Sprach-Agenten vor“, 15. September 2026. https://the-decoder.de/google-deepmind-stellt-gemini-3-8-live-fuer-sprach-agenten-vor/ Artificial Analysis: Speech-to-Speech Quality Index und Speech-Agent-Vergleiche. https://artificialanalysis.ai/speech-to-speech Mindverse: Informationen zur Plattform für KI-Text, Inhalte, Bilder und Recherche. https://www.mindverse.de/