Googles Gemini 3.8 Live denkt laut nach, während es spricht

Google hat am 15. September 2026 zwei neue Konversationsmodelle vorgestellt, und das interessantere von beiden kann etwas, das frühere Sprachassistenten nicht sauber beherrschten: Es denkt weiter nach, nachdem es bereits zu antworten begonnen hat. Gemini 3.8 Live Extended Thinking spricht und arbeitet gleichzeitig an einem Problem und erzählt dabei, wie weit es ist, statt während des Nachdenkens zu verstummen. Das Begleitmodell Gemini 3.8 Live ist die günstigere und schnellere Variante und zielt auf die Sprachagenten, die Unternehmen inzwischen in großem Maßstab bauen.

Zum Weiterlesen: Googles Gemini 4 Argon erreicht zuerst vertrauenswürdige Cyber-Verteidiger, mit 1 Million Token Ausgabelimit · DeepSeeks günstigeres V4.1-Flash schlägt das eigene Pro-Modell bei Agenten-Aufgaben.

Die Veröffentlichung, auf dem Google-Blog angekündigt, ist eher eine Produktgeschichte als ein Forschungsartikel. Google positioniert beide Modelle als Grundgerüst für produktive Sprachsysteme, verkauft über die Gemini Live API und sichtbar in der Gemini-App, in Google Workspace und in der Suche. Das Unternehmen stützte sich zudem stark auf Benchmarks von Dritten, die es zusammen mit der Ankündigung veröffentlichte.

Was Google ausgeliefert hat

Die beiden Modelle verteilen die übliche Abwägung zwischen Geschwindigkeit und Tiefe.

• Gemini 3.8 Live sei auf Skalierung und Kosteneffizienz ausgelegt und verbinde Konversationsintelligenz mit flüssigem Dialog und visueller Verankerung.
• Gemini 3.8 Live Extended Thinking zielt auf hochkomplexe Aufgaben mit höherer Intelligenz und mehrstufigem Schlussfolgern. Sein Unterscheidungsmerkmal ist, dass es gleichzeitig denkt und spricht.

Die technischen Details, die Google teilte, betreffen überwiegend das Verhalten und nicht die Architektur. Google zufolge verarbeitet 3.8 Live visuelle Eingaben nahezu in Echtzeit, sodass ein Kamerabild oder ein geteilter Bildschirm zu Kontext wird, auf den sich das Modell mitten im Satz beziehen kann. Es erkennt und wechselt zwischen 97 unterstützten Sprachen innerhalb eines einzigen Gesprächs. Beide Modelle führen Tool-Aufrufe und API-Anfragen im Hintergrund aus, während der gesprochene Austausch weiterläuft, sodass sie eine Anfrage bestätigen, weiter plaudern und sich zurückmelden können, wenn eine Aufgabe erledigt ist.

Extended Thinking fängt die unangenehme Pause ab, die Sprachassistenten plagt, wenn sie etwas Schwieriges bekommen. Statt Funkstille nutzt es verbale Füllsätze wie „Let me check that“ und erzählt dann während der Arbeit, wie es vorankommt. In Googles Demos reicht das vom Umwandeln einer Handskizze samt gesprochener Korrekturen in eine funktionierende React-Komponente bis zur Koordination mehrstufiger Buchungen mit asynchronen Funktionsaufrufen.

Die Benchmark-Zahlen

Googles stärkste Behauptungen stützen sich auf den Speech to Speech Quality Index von Artificial Analysis, wo 3.8 Live Extended Thinking mit 82,6 den ersten Gesamtplatz belegte. Das ist eine unabhängige Bewertung und kein Selbstbericht von Google, was sie zur tragfähigsten Zahl der Ankündigung macht.

Die agentischen Ergebnisse sind der Bereich, in dem Sprachmodelle üblicherweise am härtesten geprüft werden, weil sie eine Aufgabe erledigen müssen und nicht nur flüssig klingen dürfen. Google meldet 68,6 % bei τ-Voice und 35,1 % bei Sierras τ-Voice-banking-Benchmark. Die zweite Zahl ist die aufschlussreichere: Das Bankwesen ist voll von mehrstufigen Verfahren mit hohem Einsatz, und 35 % Erledigungsquote erinnert daran, dass selbst die besten aktuellen Systeme bei dieser Aufgabenklasse meist scheitern. Google meldet außerdem 97,7 % bei Big Bench Audio, das die Wahrnehmung und nicht das Handeln misst.

Gemini 3.8 Live führte die Tabelle nicht an. Google zufolge belegte es in der Speech Agent Arena, einem separaten Vergleich, den zweiten Platz und bleibt dabei günstiger im Betrieb. Diese Darstellung ist bewusst gewählt: Google verkauft 3.8 Live als Volumenmodell und Extended Thinking als Premiumvariante, und es möchte, dass Entwickler sich anhand der Kosten zwischen ihnen entscheiden, statt die Modellfamilie nach einem Abrechnungszyklus abzuschreiben.

Bei ServiceNow's EVA-Bench, einem Sprachagenten-Benchmark für komplexe Arbeitsabläufe, sagt Google, seine Modelle verschöben die Pareto-Grenze, indem sie Genauigkeit gegen Gesprächsqualität abwögen. Dieses Ergebnis stammt aus einem Lauf über die Live API auf der Gemini Enterprise Agent Platform und spiegelt daher die Unternehmenskonfiguration wider und nicht einen rohen Modellaufruf.

Wo man es nutzen kann

Der Rollout begann am Tag der Ankündigung, und Google trennte die beiden Modelle stärker als bei einer üblichen Veröffentlichung.

Gemini 3.8 Live steht Entwicklern in der Gemini API und in Google AI Studio zur Verfügung, Unternehmen in einer privaten Vorschau über Gemini Enterprise und allen in Search Live. Extended Thinking ist in denselben Entwickleroberflächen und derselben Unternehmensvorschau verfügbar, erreicht aber zusätzlich Geschäftskunden von Workspace und für Verbraucher Gemini Live, Docs Live, Gmail Live und Keep Live für Abonnenten von Google AI Pro und Ultra.

Die Abstufung für Verbraucher ist wichtig. Die Vision, die Google verkauft, ist ein Sprachassistent, der während des Gesprächs über die eigenen Dokumente und Mails hinweg handeln kann, und diese Fähigkeit steckt hinter einem Abonnement statt in der kostenlosen Stufe. Die kostenlose Version in Search Live ist eine schmalere, überwiegend informative Erfahrung.

Der Entwickler-Stack darunter

Ein Merkmal wie das Sprechen während des Nachdenkens zählt nur, wenn Entwickler darauf aufbauen können, und Google verwendete einen beträchtlichen Teil des Beitrags darauf, die Plattformen aufzulisten, die die Gemini Live API bereits integrieren. Dazu gehören Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel und Vision Agents, die Echtzeit-Medienstreaming übernehmen, damit Anwendungsteams das nicht selbst tun müssen. Google nannte außerdem Salesforce, Genspark und Lumeris unter den Partnern, die die Modelle testen, mit dem üblichen Fokus auf Latenz und Tool-Aufrufe.

Das Muster ist aus der Cloud-Ära vertraut: Der Modellanbieter liefert das Modell, und eine Schicht aus Middleware-Anbietern liefert das Grundgerüst, das ein Modell in ein Produkt verwandelt. Für Unternehmen, die einen Sprach-Rollout abwägen, kann die Reife dieser Middleware ebenso viel zählen wie die Benchmark-Werte, denn das Schwierige an einem Sprachagenten ist selten das Modell selbst. Es sind der Sprecherwechsel, der Umgang mit Unterbrechungen und das Umschalten, wenn ein Anruf abbricht.

Signale zu Sicherheit und Herkunft

Google verband den Start mit zwei Sicherheitshinweisen. Jedes Audiostück, das seine KI-Produkte erzeugen, trägt ein SynthID-Wasserzeichen, ein unhörbares Signal, das in die Ausgabe eingewoben ist und Google zufolge Erkennungswerkzeugen hilft, KI-generierte Inhalte zu markieren. Das Unternehmen veröffentlichte zudem eine Modellkarte für die Audiomodelle.

Keine der beiden Maßnahmen ist eine vollständige Antwort auf das Missbrauchsproblem. Wasserzeichen helfen Plattformen, die danach suchen, und ein entschlossener Akteur kann Audio so aufnehmen und neu kodieren, dass das Signal geschwächt wird. Doch die Offenlegung ist inzwischen Standardpraxis bei den großen Labors, und Googles Entscheidung, sie standardmäßig und nicht als Option anzuwenden, ist die bedeutendere Wahl.

Kontext: eine laute Woche für die KI

Die Veröffentlichung fiel in eine Phase ungewöhnlich lauten öffentlichen Ringens um KI-Risiken. Tage zuvor hatte Dario Amodei von Anthropic einen Essay veröffentlicht, in dem er die Branche aufrief, die Entwicklung an der Frontier zu verlangsamen, und dieser Aufruf erhielt Unterstützung von OpenAIs Sam Altman und anderen. Microsoft veröffentlichte separat einen Entwurf eines Verhaltenskodex, der verlangt, dass seine Modelle sich niemals gegen Korrektur oder Abschaltung wehren.

Ein Sprachmodell, das laut denkt, sitzt etwas unbeholfen neben dieser Debatte. Es ist eine schrittweise Fähigkeit und kein Schritt zur autonomen Superintelligenz, aber es ist genau die Art von Modell, die einen ständig mithörenden Assistenten plausibler macht, und Plausibilität prägt das öffentliche Unbehagen. Google ging nicht direkt auf das Spannungsfeld ein. Es veröffentlichte eine Modellkarte und machte weiter.

Vorbehalte und was zu beobachten ist

Einiges sollte man vom Marketing getrennt halten.

• Benchmarks sind eine Momentaufnahme, und manche sind vom Anbieter ausgewählt. Die Läufe von Artificial Analysis und ServiceNow sind unabhängig von Google, doch Google wählte aus, welche es hervorhebt, und agentische Benchmarks wie τ-Voice und EVA-Bench hängen stark vom Gerüst und den bereitgestellten Werkzeugen ab.
• Der Sprung von der Demo zum Einsatz ist groß. Mehrstufige Buchungsdemos sind auf Erfolg geskriptet. Echte Anrufer ändern ihre Meinung, nuscheln und reden dem Agenten dazwischen, und die Zahl von 35,1 % bei τ-Voice-banking deutet darauf hin, dass die Fehlerfälle nicht selten sind.
• Die Verfügbarkeit ist beschränkt. Die nützlichsten Fähigkeiten für Verbraucher stecken hinter Google AI Pro und Ultra, und die Unternehmensfunktionen sind in privater Vorschau.
• Der Preis ist der eigentliche Test. Googles Werben für 3.8 Live dreht sich um Kosten pro erledigter Aufgabe, eine Kennzahl, die sich erst klärt, wenn Entwickler das Modell gegen ihre eigenen Arbeitslasten laufen lassen.

Die größere Frage ist, ob „gleichzeitig denken und sprechen“ zu einer Grunderwartung wird oder zu einer Nischenfunktion. Wenn die Latenzversprechen in der Produktion halten, hören Sprachagenten auf, eine Neuheit zu sein, die auf Text-Chatbots aufgesetzt ist, und werden zu einer eigenen Produktkategorie, in der die Schnittstelle das Gespräch ist und die Arbeit im Hintergrund läuft. Googles Veröffentlichung ist eine Wette darauf, dass diese Kategorie real ist. Die nächsten zwei Quartale, in denen die Entwicklerplattformen ihre eigenen Integrationen ausliefern und die ersten öffentlichen Kostenzahlen auftauchen, werden zeigen, ob die Nutzer zustimmen.

Titelbild: Google Headquarters (Googleplex), Mountain View, von Asoundd (CC BY-SA 4.0) via Wikimedia Commons.