Sprechen und denken: Googles Wette auf die Verarbeitung im Hintergrund mit Gemini 3.8 Live

Am 15. September 2026 hat Google Gemini 3.8 Live und die Variante Extended Thinking vorgestellt, zwei native Speech-to-Speech-Dialogmodelle für Gespräche in Echtzeit. Die technisch wichtigste Neuerung liegt nicht in der Flüssigkeit der Stimme, sondern in der Fähigkeit, während des Gesprächs externe Werkzeuge aufzurufen und im Hintergrund zu rechnen. Wie eine Analyse von TechRepublic festhält, bedeutet diese Trennung, dass das Ende einer gesprochenen Antwort nicht mehr zwangsläufig mit dem Abschluss der zugrunde liegenden Operation zusammenfällt. Die Modelle, die den dynamischen Wechsel zwischen 97 Sprachen und die Verarbeitung visueller Eingaben nahezu in Echtzeit unterstützen, enthalten außerdem die Wasserzeichentechnik SynthID zur Kennzeichnung generierter Audioinhalte.

Bei den Leistungswerten belegte die Version Extended Thinking mit 82,6 Punkten den ersten Platz im Speech to Speech Quality Index von Artificial Analysis. Es handelt sich um einen privaten Benchmark mit eigener Methodik und schwankenden Ranglisten, und der Abstand zur Konkurrenz ist gering: Nach den von Insider Monkey berichteten Daten kommt GPT-Live-1 Astra von OpenAI auf 81,5 Punkte und Grok Voice Think Fast 2.0 von xAI auf 81,3. Insider Monkey selbst merkte an, dass ein Abstand von nur 1,1 Punkten eher die Härte des laufenden Wettbewerbs als einen strukturellen technologischen Vorsprung widerspiegeln dürfte. Bei den internen Benchmarks nennt Google 97,7 Prozent bei Big Bench Audio und 68,6 Prozent bei τ-Voice, ein Wert, der im schwierigeren Szenario τ-Voice-banking von Sierra allerdings auf 35,1 Prozent fällt. Ohne Prüfung durch unabhängige Dritte sind diese Zahlen als einseitige Herstellerangaben zu lesen.

Die erste Verteilung umfasst sowohl die APIs für Entwickler als auch die Einbindung in kommerzielle Dienste wie Search Live und die Gemini-App, doch bei Betriebskosten und Stabilität der Infrastruktur bleiben mehrere Grauzonen. Zwar nennt die Fachpresse für die Standardversion Tarife von 3 Dollar je Million Audio-Token im Eingang und 12 Dollar je Million im Ausgang (rund 0,005 und 0,018 Dollar pro Minute), doch die offizielle Preisseite von Google, abgerufen am 19. September 2026, führt diese Posten noch nicht auf und beziffert auch die Zusatzkosten der Reasoning-Token von Extended Thinking nicht. Hinzu kommt, dass die gesamte Live API im Preview-Status bleibt, ohne festes Datum für die allgemeine Verfügbarkeit, und dass keine gemessenen Daten zur tatsächlichen Latenz oder zu Fehlerraten in der Mehrsprachigkeit veröffentlicht wurden.

Der Verzicht auf gemessene Daten zu Latenz und Genauigkeit in den 97 unterstützten Sprachen lässt die entscheidende Frage offen: ob die Trennung zwischen dem Fluss des Gesprächs und der Verarbeitung im Hintergrund dem Alltag standhält, außerhalb kontrollierter Benchmarks. Über die unsichtbare Sprachinteraktion wird die Stabilität der realen Infrastruktur entscheiden, nicht die Zehntelpunkte in privaten Tests – und damit auch darüber, ob es sich um eine konkrete Weiterentwicklung handelt oder nur um ein Beschleunigen, um nicht zurückzufallen.