Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking sind Googles neue Modelle für direkte Sprachdialoge mit Künstlicher Intelligenz (KI). Sie betreffen dich, wenn du KI lieber im Gespräch als über ein Textfeld nutzt oder Sprachfunktionen in beruflichen Abläufen erprobst. Interessant sind vor allem die Kombination aus laufender Unterhaltung, Live-Bildern, Werkzeugnutzung und 97 unterstützten Sprachen sowie ein vergleichsweise niedriger Minutenpreis.
Was Gemini 3.8 Live leistet
Die beiden Modelle verarbeiten Sprache direkt und antworten wieder mit Sprache. Gemini 3.8 Live ist auf schnelle, fliessende Gespräche ausgelegt, während Gemini 3.8 Live Extended Thinking laut Google komplexere Aufgaben mit zusätzlicher Denkzeit bearbeiten soll. Beide können im Hintergrund Werkzeuge einsetzen und Aufrufe an eine Programmierschnittstelle (API) ausführen, also Daten oder Funktionen eines verbundenen Dienstes abrufen, ohne dass das Gespräch dafür vollständig pausieren muss.
Hinzu kommen visuelle Eingaben in Echtzeit. Du kannst dem System demnach während eines Gesprächs ein Live-Bild zeigen und darüber weiterreden, statt zuerst ein Foto aufzunehmen, hochzuladen und deine Frage einzutippen. Ein konkretes Alltagsbeispiel wäre, einen sichtbaren Gegenstand oder eine Dokumentseite vor die Kamera zu halten und die Erläuterung anschliessend mit gesprochenen Rückfragen zu vertiefen. Wie zuverlässig das bei kleinen Schriften, schlechten Lichtverhältnissen oder mehrdeutigen Bildern funktioniert, geht aus den Quellen allerdings nicht hervor.
Google nennt ausserdem 97 Sprachen, zwischen denen das Modell mitten im Gespräch wechseln kann. Das passt zu Googles breiterem Vorhaben, Sprache nicht bloss als Text zu übersetzen, sondern auch Tonfall, Sprechtempo, Emotion und Kontext zu erfassen. In einem Beitrag über mehrsprachige KI schreibt das Unternehmen, seine Produkte unterstützten alltägliche Interaktionen in mehr als 300 Sprachen und Google Translate umfasse inzwischen mehr als 250 Sprachen.
Diese grösseren Zahlen gelten nicht automatisch für Gemini 3.8 Live: Für das neue Sprachmodell werden ausdrücklich 97 Sprachen genannt. Eine denkbare Berufssituation ist ein Gespräch, in dem Teammitglieder zwischen zwei unterstützten Sprachen wechseln, ohne jeweils eine neue Übersetzungssitzung zu starten. Die Quellen nennen jedoch keine vollständige Sprachliste und machen keine Aussage dazu, wie gut regionale Varianten wie Schweizerdeutsch erkannt oder gesprochen werden.
Warum Gespräche natürlicher wirken
Herkömmliche Sprachsysteme zerlegen eine Unterhaltung häufig in mehrere Schritte: Sprache wird in Text umgewandelt, der Text verarbeitet und die Antwort wieder als Audio ausgegeben. Google beschreibt, dass dabei Merkmale wie Pausen, Betonung, Überschneidungen und Emotion verloren gehen können. Gemini soll Audio stattdessen direkter verarbeiten und dadurch besser mit der Art umgehen, wie Menschen tatsächlich sprechen: selten druckreif und gelegentlich gleichzeitig.
Zur natürlicheren Wirkung gehört auch, dass du das Modell unterbrechen kannst. Der unabhängige Softwareexperte Simon Willison berichtet in seinem praktischen Test von Gemini Live von einer einfachen Browser-Oberfläche, in der sich Modell, Stimme und eine optionale Systemanweisung auswählen lassen. Während das Modell spricht, kann die Nutzerin oder der Nutzer dazwischenreden. Das ist bei langen oder missverstandenen Antworten nützlicher, als höflich auf das Ende eines digitalen Monologs zu warten.
Die Werkzeugnutzung soll gleichzeitig mit dem Dialog stattfinden. In einem beruflichen Ablauf könntest du eine Aufgabe mündlich besprechen, während ein verbundenes Werkzeug im Hintergrund die benötigte Funktion ausführt; die Quellen nennen allerdings keine konkrete Geschäftsanwendung. Entscheidend ist deshalb weniger das Versprechen paralleler Arbeit als die Frage, ob Rückfragen, Bestätigungen und Resultate im Gespräch klar nachvollziehbar bleiben.
Google führt für Extended Thinking einen Wert von 82,6 im Speech-to-Speech Quality Index von Artificial Analysis sowie 97,7 Prozent bei Big Bench Audio an. Laut der Zusammenfassung der Veröffentlichung belegt Extended Thinking im ersten Vergleich Rang eins. Diese Angaben stammen aus der Produkteinführung beziehungsweise deren Zusammenfassung und wurden in den gelieferten Quellen nicht unabhängig praktisch überprüft; zudem sagt ein Messwert allein wenig über Akzente, Unterbrechungen oder schwierige Raumakustik aus.
Was der Preisvergleich wirklich zeigt
Gemini 3.8 Live ist über die Gemini-API und Google AI Studio verfügbar. Google verlangt laut den vorliegenden Angaben 0,005 US-Dollar pro Minute für eingehendes Audio und 0,018 US-Dollar pro Minute für erzeugtes Audio. Wenn eine Stunde sowohl 60 Minuten Eingabe als auch 60 Minuten Ausgabe umfasst, ergeben sich rund 1,38 US-Dollar. Das ist ein Nutzungsentgelt und kein genannter monatlicher Pauschalpreis.
Zum Vergleich nennt The Decoder für OpenAIs GPT-Live-1 mindestens 0,05 US-Dollar pro Minute und damit mindestens 3 US-Dollar für eine Stunde. Der Preisvergleich zwischen Google und OpenAI sieht Gemini damit deutlich vorne. Die Rechnung hängt aber davon ab, wie viel Audio tatsächlich ein- und ausgegeben wird; Gesprächspausen, ungleich lange Redeanteile und weitere verbundene Dienste können einen realen Einsatz anders aussehen lassen.
Billiger bedeutet zudem nicht zwingend natürlicher. Derselbe Bericht weist darauf hin, dass GPT-Live-1 dank Full Duplex, also gleichzeitigem Zuhören und Sprechen, eine flüssigere Gesprächsführung bieten könnte. Das wird dort als Möglichkeit und nicht als abschliessend belegtes Ergebnis formuliert. Google unterbietet OpenAI beim genannten Stundenvergleich, während die Quellen keinen direkten Praxistest liefern, der Preis, Antwortqualität und Gesprächsfluss unter identischen Bedingungen vergleicht.
Alle von Gemini erzeugten Audioausgaben tragen laut Google SynthID. Dabei handelt es sich um ein digitales Wasserzeichen, mit dem KI-generierte Inhalte gekennzeichnet werden sollen. Die Quellen erklären nicht, wie Nutzerinnen und Nutzer diese Kennzeichnung erkennen oder überprüfen können, sie macht aber deutlich, dass erzeugte Stimmen nicht als gewöhnliche menschliche Aufnahme behandelt werden sollen.
Pro und Kontra von Gemini 3.8 Live
Pro:
- Fliessender Dialog – Du kannst sprechen, unterbrechen und weiterfragen, ohne jede Äusserung als getrennte Texteingabe zu behandeln.
- Mehrere Eingabearten – Sprache, Live-Bilder und verbundene Werkzeuge können innerhalb derselben Unterhaltung zusammenspielen.
- Mehrsprachigkeit – Der Wechsel zwischen 97 Sprachen kann Gespräche erleichtern, in denen Menschen nicht konsequent bei einer Sprache bleiben.
- Niedrigerer Vergleichspreis – Die veröffentlichte Stundenrechnung von rund 1,38 US-Dollar liegt unter den mindestens 3 US-Dollar für OpenAIs genanntes Modell.
Kontra:
- Unvollständiger Qualitätsvergleich – Ranglistenwerte ersetzen keinen unabhängigen Test mit Dialekten, Störgeräuschen und schwierigen visuellen Vorlagen.
- Variable Kosten – Eingehendes und erzeugtes Audio werden getrennt berechnet, weshalb die tatsächliche Rechnung vom Gesprächsverlauf abhängt.
- Offene Produktgrenzen – Google nennt neben API und AI Studio auch Workspace, Search und die Gemini-App, präzisiert in den vorliegenden Texten aber nicht jede Funktion pro Oberfläche.
- Möglicher Gesprächsnachteil – OpenAIs Full-Duplex-Ansatz könnte beim gleichzeitigen Zuhören und Sprechen natürlicher wirken, auch wenn dafür kein direkter Vergleich vorliegt.
Was das für dich heisst
Als Einsteigerin oder Einsteiger ist der sinnvollste erste Schritt ein begrenzter Sprachtest in einer von Google genannten zugänglichen Oberfläche wie der Gemini-App oder Google AI Studio. Probiere ein kurzes Gespräch aus, unterbrich eine längere Antwort und wechsle, falls passend, zwischen zwei Sprachen, die du selbst beurteilen kannst. So erkennst du schneller, ob das System dich zuverlässig versteht, statt dich von einem Ranglistenwert beeindrucken zu lassen.
Für den visuellen Teil bietet sich eine klar erkennbare Vorlage an, zu der du mehrere aufeinander aufbauende Fragen stellst. Damit prüfst du nicht nur die erste Bilderkennung, sondern auch, ob sich Gemini im weiteren Gespräch korrekt auf das bereits Gezeigte bezieht. Vertrauliche Dokumente oder sensible Bilder solltest du nicht allein deshalb verwenden, weil die Kamera gerade griffbereit ist; die Quellen enthalten keine Angaben zu Speicherung, Datenstandort oder Datenschutzoptionen.
Fortgeschrittene Anwenderinnen und Anwender können stärker auf den Ablauf achten: Welche Aufgabe erledigt das schnelle Live-Modell, und wann bringt Extended Thinking einen erkennbaren Mehrwert? Willisons Versuch zeigt zudem, dass eine optionale Systemanweisung und verschiedene Stimmen in einer Testoberfläche vergleichbar gemacht werden können. Für eine sachliche Bewertung solltest du dieselbe Aufgabe mehrfach durchführen und Gesprächsqualität, Unterbrechungen sowie Audioverbrauch getrennt betrachten.
Für die Schweiz ist die Unterstützung vieler Sprachen grundsätzlich interessant, besonders in mehrsprachigen Teams, im Kundendienst und in der Bildung. Die gelieferten Quellen bestätigen jedoch weder eine besondere Verfügbarkeit für die Schweiz noch die Qualität von Schweizerdeutsch, Französisch, Italienisch oder Rätoromanisch im neuen Modell. Ebenso fehlen Angaben zu schweizerischen Datenstandorten und zu konkreten Datenschutzbedingungen, weshalb sich aus der technischen Verfügbarkeit keine automatische Eignung für sensible Arbeits- oder Bildungsdaten ableiten lässt.
Gemini 3.8 Live verbindet Sprachdialog, visuelle Informationen und Werkzeugnutzung zu einer Oberfläche, die sich weniger nach abwechselnden Einzelbefehlen anfühlen soll. Der veröffentlichte Preis ist gegenüber OpenAIs Vergleichsmodell attraktiv, während Googles Qualitätswerte noch keine unabhängige Alltagserfahrung ersetzen. Offen bleibt vor allem, wie zuverlässig das Modell mit Dialekten, Lärm, sensiblen Daten und gleichzeitigem Sprechen unter realen Bedingungen umgeht.
Quellen
- Google Releases Gemini 3.8 Live and 3.8 Live Extended Thinking for Production Grade Voice Agents – MarkTechPost, 2026-09-15
- Gemini Live audio – Simon Willison’s Weblog, 2026-09-15
- Google Deepmind stellt Gemini 3.8 Live für Sprach-Agenten vor – The Decoder, 2026-09-15
- Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking – Google DeepMind, 2026-09-15
- AI for everyone in every language – Google, 2026-09-15
Bild: Andrey Matveev via Pexels