Google stellt Gemini 3.8 Live und Extended Thinking für Sprach-Agenten vor

Google stellt Gemini 3.8 Live und Extended Thinking für Sprach-Agenten vor

Google hat Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking veröffentlicht. Die Modelle ermöglichen latenzfreie Sprache-zu-Sprache-Interaktionen und kombinieren Echtzeit-Audio mit mehrstufigem Reasoning.

Yakub Osmanov

Google hat mit Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking zwei neue multimodale KI-Modelle vorgestellt, die auf direkte Sprache-zu-Sprache-Interaktionen (Speech-to-Speech) ohne spürbare Latenz ausgelegt sind. Bislang erforderten Sprachassistenten meist eine Kette aus Transkription, Textverarbeitung und anschließender Sprachsynthese, was Gespräche verzögerte. Die neuen Modelle verarbeiten Audiosignale nativ und ermöglichen dadurch einen flüssigen, unterbrechungsfreien Dialog.

Besonders relevant für komplexe Unternehmensanwendungen ist die Variante Gemini 3.8 Live Extended Thinking. Sie kombiniert den Echtzeit-Sprachkanal mit tiefergehenden, mehrstufigen Denkprozessen (Reasoning). Das Modell kann komplizierte mathematische, logische oder programmiertechnische Fragestellungen analysieren und zugleich eine natürliche Gesprächsführung aufrechterhalten. In unabhängigen Messungen wie dem Artificial Analysis Speech-to-Speech Quality Index setzte sich das System mit 82,6 Punkten an die Spitze vergleichbarer Sprachmodelle.

Übrigens: nimeroo unterstützt Unternehmen bei der KI-Prozessautomatisierung und integriert moderne KI-Sprachassistenten in bestehende Geschäftsprozesse.

Ein wesentlicher technischer Fortschritt liegt im asynchronen Funktionsaufruf (Asynchronous Function Calling). Müssen externe APIs oder Datenbanken abgefragt werden, führt das Modell diese Aktionen im Hintergrund aus, während es die Konversation bereits fortsetzt oder Rückfragen stellt. Dies verhindert die im Kundenservice gefürchteten Sprechpausen. Zudem verarbeiten beide Varianten Live-Videostreams und visuelle Eingaben, um den aktuellen Umgebungskontext der Nutzer direkt in die Antwort einzubeziehen. Wie flexibel sich solche Modelle einbinden lassen, verdeutlichte bereits die Orchestrierung von App Intents für Unternehmensanwendungen.

Die Live-Modelle unterstützen über 97 Sprachen mit automatischer Spracherkennung und sind ab sofort über die Google Gemini API sowie in Google AI Studio für Entwickler verfügbar. Für Unternehmen markiert dieser Schritt den Übergang von rein textbasierten Chatbots hin zu multimodalen Sprachagenten, die Supportprozesse und operative Workflows in Echtzeit automatisieren können.

Quellen

  • Google, „Announcing Gemini 3.8 Live and Extended Thinking for Real-Time Multimodal Voice“, 15. September 2026
  • TechZine, „Artificial Analysis ranks Gemini 3.8 Live Extended Thinking #1 in Speech Quality“, 15. September 2026

Auch interessant