Hablar y pensar: la apuesta de Google por el trabajo en segundo plano con Gemini 3.8 Live

El 15 de septiembre de 2026 Google presentó Gemini 3.8 Live y su variante Extended Thinking, dos modelos de diálogo por voz nativos speech-to-speech pensados para gestionar conversaciones en tiempo real. La novedad más relevante desde el punto de vista técnico no está en la fluidez de la voz, sino en la capacidad de llamar a herramientas externas y procesar en segundo plano durante la interacción verbal. Como señalaba un análisis de TechRepublic, ese desdoblamiento implica que el final de una respuesta hablada ya no coincide necesariamente con el final de la operación subyacente. Los modelos, que admiten el cambio dinámico entre 97 idiomas y el procesamiento de entradas visuales casi en tiempo real, incorporan además la marca de agua SynthID para identificar el audio generado.

En las métricas de rendimiento, la versión Extended Thinking obtuvo el primer puesto en el Speech to Speech Quality Index de Artificial Analysis con una puntuación de 82,6. Se trata de un benchmark privado con metodología propia y clasificaciones volátiles, y la distancia con los competidores es estrecha: según los datos publicados por Insider Monkey, el modelo GPT-Live-1 Astra de OpenAI se queda en 81,5 puntos y Grok Voice Think Fast 2.0 de xAI en 81,3. El propio Insider Monkey apuntaba que una diferencia de apenas 1,1 puntos puede reflejar la intensidad de la competencia más que una brecha tecnológica estructural. En los benchmarks internos, Google declara un 97,7 por ciento en Big Bench Audio y un 68,6 por ciento en τ-Voice, que sin embargo baja al 35,1 por ciento en el escenario más complejo τ-Voice-banking de Sierra. A falta de verificación por terceros independientes, estos últimos datos deben leerse como declaraciones unilaterales del fabricante.

La distribución inicial cubre tanto las API para desarrolladores como la integración en servicios comerciales como Search Live y la aplicación Gemini, pero quedan varias zonas de sombra sobre los costes operativos y la estabilidad de la infraestructura. Aunque la prensa especializada indica tarifas de 3 dólares por millón de tokens de audio de entrada y 12 dólares por millón de salida (unos 0,005 y 0,018 dólares por minuto) para la versión estándar, la página oficial de precios de Google, consultada el 19 de septiembre de 2026, todavía no recoge esas partidas ni cuantifica el coste adicional de los tokens de razonamiento de Extended Thinking. Además, toda la Live API sigue en estado de preview sin una fecha definida de disponibilidad general, y no se han publicado datos medidos sobre la latencia real ni sobre las tasas de error en el multilingüismo.

La decisión de no publicar datos medidos de latencia o de precisión en los 97 idiomas admitidos deja abierta la duda principal: si la separación entre el flujo de la conversación y el procesamiento en segundo plano aguanta la prueba del uso cotidiano, fuera de los benchmarks controlados. Será la estabilidad de la infraestructura real, más que las décimas en pruebas privadas, la que determine si la interacción vocal invisible es una evolución concreta o solo una aceleración para no quedarse atrás.