Falar e pensar: a aposta da Google no processamento em segundo plano com o Gemini 3.8 Live

A 15 de setembro de 2026 a Google apresentou o Gemini 3.8 Live e a sua variante Extended Thinking, dois modelos de diálogo por voz nativos speech-to-speech pensados para gerir conversas em tempo real. A novidade mais significativa do ponto de vista técnico não está na fluidez da voz, mas na capacidade de chamar ferramentas externas e processar em segundo plano durante a interação verbal. Como observou uma análise da TechRepublic, esse desdobramento implica que o fim de uma resposta falada já não coincide necessariamente com a conclusão da operação subjacente. Os modelos, que suportam a passagem dinâmica entre 97 línguas e o processamento de entradas visuais quase em tempo real, integram também a tecnologia de marca de água SynthID para identificar o áudio gerado.

Nas métricas de desempenho, a versão Extended Thinking conquistou o primeiro lugar no Speech to Speech Quality Index da Artificial Analysis com uma pontuação de 82,6. Trata-se de um benchmark privado, com metodologia própria e classificações voláteis, e a distância face aos concorrentes é curta: segundo os dados divulgados pela Insider Monkey, o modelo GPT-Live-1 Astra da OpenAI fica nos 81,5 pontos e o Grok Voice Think Fast 2.0 da xAI nos 81,3. A própria Insider Monkey notou que uma diferença de apenas 1,1 ponto pode refletir a intensidade da competição em curso mais do que um fosso tecnológico estrutural. Nos benchmarks internos, a Google declara 97,7 por cento no Big Bench Audio e 68,6 por cento no τ-Voice, valor que todavia desce para 35,1 por cento no cenário mais complexo τ-Voice-banking da Sierra. Na ausência de verificação por terceiros independentes, estes últimos dados devem ser lidos como declarações unilaterais do fabricante.

A distribuição inicial cobre tanto as API para programadores como a integração em serviços comerciais como o Search Live e a aplicação Gemini, mas mantêm-se várias zonas de sombra sobre os custos operacionais e a estabilidade da infraestrutura. Embora a imprensa especializada indique tarifas de 3 dólares por milhão de tokens de áudio de entrada e 12 dólares por milhão de saída (cerca de 0,005 e 0,018 dólares por minuto) para a versão padrão, a página oficial de preços da Google, consultada a 19 de setembro de 2026, ainda não apresenta essas rubricas nem quantifica o custo adicional dos tokens de raciocínio do Extended Thinking. Além disso, toda a Live API permanece em preview sem data definida de disponibilidade geral, e não foram publicados dados medidos sobre a latência efetiva ou sobre as taxas de erro no multilinguismo.

A opção de não publicar dados medidos de latência ou de exatidão nas 97 línguas suportadas deixa em aberto a dúvida principal: se a separação entre o fluxo da conversa e o processamento em segundo plano aguenta a prova do uso quotidiano, fora dos benchmarks controlados. Será a estabilidade da infraestrutura real, mais do que as décimas em testes privados, a determinar se a interação vocal invisível é uma evolução concreta ou apenas uma aceleração para não ficar para trás.