Zum Hauptinhalt springen

Gemini 3.8 Live und Live Extended Thinking: Der Builder-Field-Guide zu Googles neuen Voice-Modellen (Sep 2026)

Fortgeschritten

Am 15. September 2026 veröffentlichte Google zwei Speech-to-Speech-Modelle: Gemini 3.8 Live (gemini-3.8-live) und Gemini 3.8 Live Extended Thinking (gemini-3.8-live-extended-thinking). Beide sind ab heute allgemein verfügbar in der Gemini API und Google AI Studio. Googles Launch-Post besteht überwiegend aus Benchmarks und Demos. Wenn du einen Voice-Agent baust, stehen die Details, die zählen, in den Entwickler-Docs: Tools laufen jetzt standardmäßig asynchron, ein Config-Feld gibt jetzt einen Fehler zurück, und ein Feature ist immer an und wird abgerechnet, während das Modell zuhört. Diese Seite sammelt diese Details an einem Ort.

What you'll learn
  • Wähle zwischen den beiden Modellen anhand der echten API-Unterschiede, nicht der Marketing-Namen
  • Migriere einen gemini-3.1-flash-live-preview-Agent, ohne in die thinkingLevel-, Affective-Dialog- und Blocking-Tool-Fallen zu laufen
  • Designe um die Session-Grenzen herum: 15 min nur Audio, 2 min Audio+Video, ~10 min pro WebSocket-Verbindung
  • Schätze, was eine Voice-Session wirklich kostet, und warum die Kosten schneller wachsen als die Minuten
  • Liefere einen Browser-Client aus, ohne einen API-Key zu leaken

Die Ein-Satz-Version​

Nutze gemini-3.8-live als Standard für Voice-Agents mit niedriger Latenz. Nutze gemini-3.8-live-extended-thinking, wenn der Anrufer schwere, mehrstufige Fragen stellt und eine kurze Verzögerung akzeptabel ist. Beide kosten $3.00 / 1M Audio-Input-Tokens (~$0.005/min) und $12.00 / 1M Audio-Output-Tokens (~$0.018/min), plus $0.75 / $4.50 für Text. Beide haben ein Input-Fenster von 131,072 Tokens und ein Output-Limit von 65,536 Tokens, und beide haben einen Free Tier in der Gemini API.

Was ausgeliefert wurde, und was Google behauptet​

gemini-3.8-livegemini-3.8-live-extended-thinking
Googles Positionierung„Standardoption für die meisten Voice-Agent-Erlebnisse mit niedriger Latenz“„High-Reasoning-Audio-zu-Audio-Modell, das Hintergrund-Reasoning während Live-Audio-Interaktionen unterstützt“
ThinkingInterleaved Reasoning; thinkingLevel wird nicht akzeptiertthinkingLevel = low / medium / high (kein minimal); includeThoughts: true für Zusammenfassungen
Function CallingStandardmäßig async (NON_BLOCKING); BLOCKING weiterhin verfügbar; Scheduling INTERRUPT / WHEN_IDLE / SILENTNur async, ohne Blocking-Modus und ohne Scheduling-Steuerung
Consumer-OberflächenSearch LiveGemini-Live-App; Docs, Gmail, Keep für Abonnenten
Schlagzeilenzahlen (Google)Platz 2 in der Speech Agent Arena von Artificial Analysis82.6 Speech-to-Speech Quality Index (Platz 1); 68.6% τ-Voice; 35.1% τ-Voice-banking; 97.7% Big Bench Audio

Schau auf die 35.1% auf τ-Voice-banking, die Zahl, die Google zu veröffentlichen beschloss. Selbst das bestplatzierte Voice-Modell erledigt nur etwa ein Drittel realistischer Banking-Aufgaben per Sprache. Betrachte das als Obergrenze für unbeaufsichtigte Voice-Agents, die mit Geld umgehen, und setze Bestätigungs-Gates auf alles Folgenreiche (dieselbe Regel wie in Full-Duplex-Voice-KI).

Jeder Audio-Output ist mit SynthID wasserzeichenmarkiert. Wenn dein Produkt Modellsprache aufzeichnet oder erneut veröffentlicht, können KI-Audio-Detektoren sie identifizieren.

Drei Dinge, die die meisten Berichte übersehen​

1. Das „Thinking“-Modell erzählt, während es nachdenkt​

Extended Thinking verstummt nicht, während es denkt. Google sagt, es „denkt und spricht gleichzeitig“. Es gibt frühe verbale Hinweise („lass mich das prüfen“) und kommentiert den Fortschritt, während das Reasoning im Hintergrund weiterläuft. Das ändert, wie dein Client entscheidet, wann das Modell fertig ist. Auf diesem Modell bedeutet turnComplete: true nicht, dass die Session idle ist. Hintergrund-Reasoning kann noch laufen. Prüfe stattdessen interaction_status (IN_PROGRESS vs. IDLE), bevor du einen Anruf beendest, an einen Menschen übergibst oder den nächsten geskripteten Schritt startest.

Das ist dieselbe Spaltung „schneller Sprecher, langsamer Denker“, die OpenAI mit GPT-Live eingeführt hat. Der Unterschied ist, dass Google beide Rollen in ein Modell packt, während GPT-Live das Reasoning an ein separates Frontier-Modell delegiert.

2. Das Upgrade von 3.1 Flash Live ändert Verhalten, nicht nur den Modell-String​

Googles Migrationsnotizen für gemini-3.1-flash-live-preview → gemini-3.8-live enthalten vier Änderungen, die verändern, was dein Code tut:

  • thinkingLevel entfernen. 3.1 Flash Live hatte minimal als Standard. 3.8 Live akzeptiert das Feld nicht, eine von 3.1 kopierte Config muss es also fallen lassen.
  • Tool-Calls sind jetzt standardmäßig asynchron. Auf 3.1 Flash Live „beginnt das Modell nicht zu antworten, bis du die Tool-Antwort gesendet hast“. Auf 3.8 Live spricht das Modell weiter, während deine Funktion läuft. Das ist gut für die Latenz, aber ein Tool, das zuerst fertig sein muss (eine Identitätsprüfung, eine Zahlung), braucht jetzt explizit behavior: BLOCKING. Das Extended-Thinking-Modell hat keinen Blocking-Modus, diese Flows brauchen also ein Gate in deinem eigenen Code.
  • Proactive Audio ist immer an. Das Modell kann entscheiden, nicht zu antworten, wenn Sprache nicht an es gerichtet ist. Du kannst das nicht abschalten, und der Best-Practices-Guide merkt an, dass dir Input-Tokens berechnet werden, während es zuhört.
  • Affective Dialog ist weg. Wenn dein Agent auf enableAffectiveDialog angewiesen war, um sich an den Ton des Anrufers anzupassen, entferne es und teste das neue Standardverhalten.

Zwei Änderungen helfen dir. send_client_content funktioniert jetzt für die ganze Session, du kannst also mitten im Anruf Textkontext einspeisen (CRM-Daten, ein Transkript einer Weiterleitung). Turn Coverage hat jetzt standardmäßig TURN_INCLUDES_AUDIO_ACTIVITY_AND_ALL_VIDEO.

3. Die Kosten einer Voice-Session wachsen schneller als ihre Länge​

Audio akkumuliert mit rund 25 Tokens pro Sekunde (etwa 1,500 pro Minute). Daher kommen die Minutenpreise: 1,500 × $3/1M ≈ $0.0045 in, und 1,500 × $12/1M = $0.018 out. Die Falle ist, dass jeder Turn den gesamten akkumulierten Kontext neu verarbeitet, nicht nur das neue Audio. Der Best-Practices-Guide sagt das direkt. Zwei kleinere Kosten kommen obendrauf: Transkription zu aktivieren berechnet Text-Output zusätzlich zum Audio-Output, und Proactive Audio berechnet Input-Tokens, während das Modell zuhört.

Eine grobe Illustration (unsere Rechnung, keine Google-Zahl): Nimm einen 10-Minuten-Anruf mit 20 Turns. Der Kontext wächst von 0 auf etwa 15,000 Tokens, der durchschnittliche Turn liest also etwa 7,500 Tokens Input neu. Das sind etwa 150,000 Input-Tokens (~$0.45), verglichen mit ~$0.045, wenn nur neues Audio gezählt würde. Längere Anrufe kosten mehr pro Minute, nicht nur mehr insgesamt. Context Window Compression, die du ohnehin brauchst, um über die 15-Minuten-Grenze zu kommen, begrenzt auch dieses Kostenwachstum.

Die Session-Grenzen, und wie man um sie herum designt​

Guided walkthrough1 of 6
  1. Ohne Compression stoppen Nur-Audio-Sessions nach 15 Minuten und Audio+Video-Sessions nach 2 Minuten. Unabhängig davon hält jede WebSocket-Verbindung rund 10 Minuten. Das 2-Minuten-Video-Limit erwischt die meisten Screen-Share-Demos.

Browser- und Mobile-Clients: niemals den API-Key ausliefern​

Live-Sessions funktionieren am besten, wenn der Client sich direkt mit Google verbindet, denn Echtzeit-Audio durch dein Backend zu proxyen fügt Latenz hinzu. Der sichere Weg dafür ist ein Ephemeral Token. Dein Server prägt ihn, und der Client nutzt ihn einmal. Standards: Der Token läuft 30 Minuten nach Erstellung ab, er muss innerhalb von 1 Minute zum Start einer neuen Session genutzt werden, und er erlaubt 1 Verwendung. Du kannst ihn mit liveConnectConstraints auf ein bestimmtes Modell, eine Response-Modalität und Resumption-Einstellungen festlegen, sodass ein gestohlener Token für nichts anderes verwendet werden kann. Ephemeral Tokens funktionieren nur mit der Live API und nur auf v1beta.

System-Instruction-Skelett für gemini-3.8-live (async Tools, dauerhaft aktives Proactive Audio)

You are Ava, a voice assistant for Northwind Travel. You are SPEAKING, not writing.
RESPOND IN ENGLISH. YOU MUST RESPOND UNMISTAKABLY IN ENGLISH.

Style:
- Short sentences, one idea each. Never read lists, markdown, or URLs aloud.
- If speech is clearly not addressed to you (TV, side conversation), stay silent.

Tools:
- lookup_booking: invoke ONLY after the caller has given BOTH booking reference AND last name.
- While a lookup is running, tell the caller you are checking. Do not guess the result.
- change_booking: before invoking, read back the exact change and wait for a clear spoken "yes".

Safety:
- Repeat back every number, date, and name before acting on it.
- If audio is unclear, say what you think you heard and ask.
- Anything involving refunds or payment details: offer a human agent instead.

Das Skelett folgt Googles eigener Anleitung für Live-Agents: Nenne die Ausgabesprache explizit in Großbuchstaben, und gib jedem Tool eine präzise Bedingung, wann es aufzurufen ist. Diese zweite Regel zählt mit async Tools noch mehr, denn das Modell spricht, während das Tool läuft, und füllt die Stille mit einer Vermutung, wenn du es ihm nicht untersagst.

Gemini 3.8 Live vs. die Alternativen​

  • vs. Claude. Claudes Voice-Features bleiben turn-basiert: Voice-Modus in den Claude-Apps, Push-to-Talk in Claude Code. Ein gängiger Hybrid nutzt ein Live-Modell als Gesprächs-Frontend und ruft Claude als Tool für schweres Reasoning oder Coding auf. Async Function Calling passt gut zu diesem Muster, da der Anruf weiterlaufen kann, während das Tool arbeitet.
  • vs. OpenAI. GPT-Live ist ein sprach-natives Full-Duplex-ChatGPT-Produkt. Für Entwickler ist OpenAIs Angebot gpt-realtime auf der Realtime API (siehe Full-Duplex-Voice-KI für die Landschaft).
  • Frühe Community-Berichte (Hacker-News-Launch-Thread, unverifiziert). Kommentatoren lobten Latenz, Stimmqualität, Akzentbehandlung und Live-Übersetzung. Andere sagten, Extended Thinking reasone inkonsistent und das Modell „erfinde zusätzliche Anforderungen“ in agentischen Flows. Das sind Anekdoten, keine Messungen, aber sie passen zum Banking-Score von 35.1%: Teste deinen eigenen Task Ende-zu-Ende, bevor du ihm vertraust.

Teste dich selbst

0/5
  1. Du portierst eine gemini-3.1-flash-live-preview-Config, die thinkingLevel: minimal setzt, auf gemini-3.8-live. Was solltest du tun?
  2. Ein Zahlungsverifizierungs-Tool muss fertig sein, bevor der Agent irgendetwas anderes sagt. Welches Setup ist korrekt?
  3. Auf gemini-3.8-live-extended-thinking erhältst du turnComplete: true. Kannst du sicher auflegen?
  4. Warum kostet ein 20-Minuten-Voice-Anruf mehr als das Doppelte eines 10-Minuten-Anrufs?
  5. Deine Screen-Sharing-Support-Demo bricht immer nach etwa zwei Minuten ab. Wahrscheinlichste Ursache?
Gemini-Live-API-Vokabular
Drücke Enter oder die Leertaste, um die Karte umzudrehen. Nutze die Pfeiltasten links und rechts, um zwischen den Karten zu wechseln.Begriff angezeigt.
1 / 8
Key takeaways
  • Zwei GA-Modelle, ein Preis: gemini-3.8-live ist der Standard für niedrige Latenz; gemini-3.8-live-extended-thinking reasont im Hintergrund, während es weiterspricht.
  • Die Migration von 3.1 Flash Live ändert Verhalten: thinkingLevel entfernen, Tools, die fertig sein müssen, als BLOCKING markieren, dauerhaft aktives Proactive Audio erwarten (abgerechnet während des Zuhörens) und Affective Dialog fallen lassen.
  • Plane die Limits von Anfang an ein: 15 min nur Audio, 2 min Audio+Video, ~10 min pro Verbindung. Compression, Resumption-Handles und GoAway-Behandlung sind für Produktion Pflicht.
  • Die Kosten wachsen schneller als die Anruflänge, weil jeder Turn den gesamten Kontext neu liest. Compression ist sowohl der Fix für die Session-Länge als auch der Kosten-Fix.
  • Selbst Googles bester Score bei Voice-Banking-Aufgaben liegt bei 35.1%. Behalte gesprochene Bestätigungs-Gates auf allem, was Geld oder Daten bewegt.

Quellen & weiterführende Lektüre​

Weiter​