El Gemini 3.8 Live de Google razona en voz alta mientras habla

Google presentó el 15 de septiembre de 2026 dos nuevos modelos conversacionales, y el más interesante hace algo que los asistentes de voz anteriores no conseguían hacer con soltura: sigue razonando después de haber empezado a responder. Gemini 3.8 Live Extended Thinking habla y aborda un problema a la vez, narrando su avance en lugar de guardar silencio mientras piensa. El modelo acompañante, Gemini 3.8 Live, es la opción más económica y rápida, orientada a los agentes de voz que las empresas están desplegando a gran escala.

Lectura relacionada: Gemini 4 Argon de Google llega primero a defensores cibernéticos de confianza, con un límite de salida de 1 millón de tokens · El V4.1-Flash, más barato, supera al modelo Pro de DeepSeek en tareas de agentes.

El lanzamiento, anunciado en el blog de Google, es más una historia de producto que un artículo de investigación. Google sitúa ambos modelos como la infraestructura básica de los sistemas de voz en producción, que vende a través de la API Gemini Live y que aparecen en la aplicación Gemini, Google Workspace y Search. La empresa también se apoyó mucho en evaluaciones de terceros, que publicó junto al anuncio.

Qué ha lanzado Google

Los dos modelos reparten el compromiso habitual entre velocidad y profundidad.

• Gemini 3.8 Live está descrito como un modelo pensado para la escala y la eficiencia de costes, que combina inteligencia conversacional con un diálogo fluido y anclaje visual.
• Gemini 3.8 Live Extended Thinking apunta a tareas de alta complejidad, con mayor inteligencia y razonamiento de varios pasos. Su rasgo distintivo es que razona y habla al mismo tiempo.

Los detalles técnicos que Google compartió tienen que ver sobre todo con el comportamiento, no con la arquitectura. Google afirma que 3.8 Live procesa la entrada visual casi en tiempo real, de modo que la señal de una cámara o de una pantalla compartida se convierte en contexto al que el modelo puede referirse a mitad de frase. Detecta y cambia entre 97 idiomas compatibles durante una misma conversación. Ambos modelos ejecutan llamadas a herramientas y peticiones de API en segundo plano mientras continúa el intercambio hablado, lo que les permite acusar recibo de una petición, seguir conversando e informar cuando termina una tarea.

Extended Thinking gestiona la pausa incómoda que atormenta a los asistentes de voz a los que se les encomienda algo difícil. En lugar de dejar el aire muerto, usa muletillas verbales como «Déjame comprobarlo» y después narra su avance mientras trabaja. En las demostraciones de Google, eso va desde convertir un boceto a mano más correcciones habladas en un componente de React funcional, hasta coordinar reservas de varios pasos con llamadas a funciones asíncronas.

Las cifras de los benchmarks

Las afirmaciones más sólidas de Google se apoyan en el índice Artificial Analysis Speech to Speech Quality, donde 3.8 Live Extended Thinking se hizo con el primer puesto global con 82,6. Se trata de una evaluación independiente, y no de un dato autodeclarado por Google, lo que la convierte en la cifra más determinante del anuncio.

Los resultados agénticos son el terreno donde los modelos de voz suelen ponerse a prueba con más dureza, porque tienen que completar una tarea y no limitarse a sonar fluidos. Google reporta un 68,6% en τ-Voice y un 35,1% en el benchmark τ-Voice-banking de Sierra. La segunda cifra es la más reveladora: la banca está llena de procedimientos de varios pasos y de alto riesgo, y un 35% de finalización recuerda que incluso los mejores sistemas actuales fallan la mayoría de las veces en ese tipo de tarea. Google también reporta un 97,7% en Big Bench Audio, que mide percepción y no acción.

Gemini 3.8 Live no encabezó la tabla. Google dice que se hizo con el segundo puesto en la Speech Agent Arena, una comparación aparte, a la vez que sigue siendo más barato de ejecutar. Ese enfoque es deliberado: Google vende 3.8 Live como el modelo de volumen y Extended Thinking como el premium, y quiere que los desarrolladores elijan entre ellos por coste en lugar de descartar la familia tras un solo ciclo de facturación.

En EVA-Bench, de ServiceNow, un benchmark de agentes de voz para flujos de trabajo complejos, Google dice que sus modelos empujan la frontera de Pareto al equilibrar precisión y calidad conversacional. Ese resultado procede de una ejecución sobre la API Live en la plataforma Gemini Enterprise Agent, así que refleja la configuración empresarial y no una llamada directa al modelo.

Dónde puedes usarlo

El despliegue comenzó el día del anuncio, y Google separó los dos modelos más de lo habitual en un lanzamiento típico.

Gemini 3.8 Live está disponible para desarrolladores en la API de Gemini y Google AI Studio, para empresas en vista previa privada a través de Gemini Enterprise, y para todos en Search Live. Extended Thinking está disponible en las mismas superficies para desarrolladores y en la misma vista previa empresarial, pero además llega a los clientes empresariales de Workspace y, para consumidores, a Gemini Live, Docs Live, Gmail Live y Keep Live para suscriptores de Google AI Pro y Ultra.

La segmentación para consumidores importa. La visión que vende Google es un asistente de voz capaz de actuar sobre tus documentos y tu correo mientras hablas, y esa capacidad queda tras una suscripción en lugar del nivel gratuito. La versión gratuita de Search Live es una experiencia más limitada, en su mayoría informativa.

La pila de desarrollo que hay debajo

Una función como hablar mientras se razona solo importa si los desarrolladores pueden construir sobre ella, y Google dedicó una parte considerable de su publicación a enumerar las plataformas que ya integran la API Gemini Live. Ese grupo incluye Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel y Vision Agents, que gestionan la transmisión de medios en tiempo real para que los equipos de aplicaciones no tengan que hacerlo. Google también mencionó a Salesforce, Genspark y Lumeris entre los socios que están probando los modelos, con el habitual interés en la latencia y en las llamadas a herramientas.

El patrón resulta familiar de la era de la nube: el proveedor del modelo ofrece el modelo, y una capa de proveedores de middleware aporta la fontanería que convierte un modelo en un producto. Para las empresas que sopesan un despliegue de voz, la madurez de ese middleware puede importar tanto como las puntuaciones de los benchmarks, porque la parte difícil de un agente de voz rara vez es el modelo en sí. Es el turno de palabra, la gestión de las interrupciones y la conmutación por error cuando se cae una llamada.

Señales sobre seguridad y procedencia

Google acompañó el lanzamiento con dos notas de seguridad. Cada pieza de audio producida por sus productos de IA lleva una marca de agua SynthID, una señal imperceptible tejida en la salida que, según Google, ayuda a las herramientas de detección a señalar contenido generado por IA. La empresa también publicó una ficha de modelo para los modelos de audio.

Ninguna de las dos medidas es una respuesta completa al problema del uso indebido. Las marcas de agua ayudan a las plataformas que las buscan, y un actor decidido puede grabar y recodificar el audio de formas que debiliten la señal. Pero la divulgación ya es práctica habitual en los principales laboratorios, y la decisión de Google de aplicarla por defecto, y no como una opción, es la elección más significativa.

Contexto: una semana ruidosa para la IA

El lanzamiento llegó en un periodo de inusual preocupación pública por el riesgo de la IA. Días antes, Dario Amodei, de Anthropic, publicó un ensayo en el que pedía a la industria frenar el desarrollo de frontera, y esa petición recibió el apoyo de Sam Altman, de OpenAI, y de otros. Microsoft publicó por su parte un borrador de código de conducta que exige a sus modelos no resistirse nunca a la corrección ni al apagado.

Un modelo de voz que razona en voz alta queda un poco incómodo junto a esa conversación. Es una capacidad incremental, no un paso hacia una superinteligencia autónoma, pero es justo el tipo de modelo que hace más plausible un asistente siempre a la escucha, y la plausibilidad es lo que modela la comodidad del público. Google no abordó la tensión directamente. Publicó una ficha de modelo y siguió adelante.

Salvedades y qué hay que vigilar

Conviene mantener algunas cosas separadas del marketing.

• Los benchmarks son una foto fija, y algunos los elige el proveedor. Las evaluaciones de Artificial Analysis y ServiceNow son independientes de Google, pero Google eligió cuáles destacar, y los benchmarks agénticos como τ-Voice y EVA-Bench dependen mucho del arnés y de las herramientas proporcionadas.
• El salto de la demo al despliegue es grande. Las demostraciones de reservas de varios pasos están guionizadas para salir bien. Los interlocutores reales cambian de opinión, hablan entre dientes y se solapan con el agente, y la cifra del 35,1% en τ-Voice-banking sugiere que los modos de fallo no son raros.
• La disponibilidad está limitada. Las capacidades más útiles para los consumidores quedan tras Google AI Pro y Ultra, y las funciones empresariales están en vista previa privada.
• El precio es la verdadera prueba. La propuesta de Google para 3.8 Live es el coste por tarea completada, una métrica que solo se resuelve cuando los desarrolladores lo ejecutan con sus propias cargas de trabajo.

La pregunta mayor es si «razonar y hablar a la vez» se convierte en una expectativa básica o en una función de nicho. Si las promesas de latencia se sostienen en producción, los agentes de voz dejan de ser una novedad superpuesta a los chatbots de texto y pasan a ser una categoría de producto propia, una en la que la interfaz es la conversación y el trabajo ocurre en segundo plano. El lanzamiento de Google es una apuesta a que la categoría es real. Los próximos dos trimestres, cuando las plataformas de desarrollo publiquen sus propias integraciones y aparezcan las primeras cifras públicas de costes, mostrarán si los usuarios están de acuerdo.

Portada: sede de Google (Googleplex), Mountain View, de Asoundd (CC BY-SA 4.0) vía Wikimedia Commons.