Ein Sprachagent soll weitersprechen können, während er im Hintergrund eine Anfrage an ein anderes System stellt.

Erst kostenlos reinschnuppern, dann entscheiden

Bevor du dich für eine Weiterbildung entscheidest, sieh dir kostenlos an, wie sie läuft, fünf Lektionen plus Live-Demo, ohne Verpflichtung. Passt es, ist der Digitalisierungsmanager bei bewilligtem Bildungsgutschein für dich kostenlos.

Kostenlos reinschnuppern

Der Schnupperkurs ist gratis. Ob die Weiterbildung über den Bildungsgutschein gefördert wird, entscheidet die Agentur für Arbeit im Einzelfall.

Zwei Modelle, eine Schnittstelle

Vorgestellt hat Google die beiden Modelle am 15. September 2026 im Google-Blog. Laut Google handelt es sich um direkte Sprache-zu-Sprache-Modelle für Sprachagenten, die in Echtzeit antworten. Gemini 3.8 Live ist nach Angaben des Konzerns auf Skalierung und Kosteneffizienz ausgelegt, die Variante Extended Thinking auf komplexe Aufgaben mit mehrstufigem Denken.

Extended Thinking soll laut Google gleichzeitig denken und sprechen. Das Modell gibt früh kurze Rückmeldungen, etwa dass es gerade etwas nachprüft, und berichtet bei längeren Hintergrundaufgaben zwischendurch über den Fortschritt.

Zugänglich sind die Modelle laut Google über die Gemini API, genauer die Live API, und über Google AI Studio. Beim Sprechen mit Gemini stecken sie auch in Googles eigenen Diensten, darunter die Gemini-App und Google Workspace. Für eigene Sprachagenten nennt Google Plattformen: Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel und Vision Agents bieten das Modell über die Live API an und übernehmen das Echtzeit-Streaming. Wie ein solcher Agent an eine Telefonnummer kommt, beschreiben die Quellen nicht. Was Sprachagenten am Telefon heute leisten und wo sie scheitern, haben wir in einem eigenen Beitrag zum KI-Telefonassistenten zusammengetragen.

Was die Modelle im Gespräch erledigen sollen

Laut Google rufen beide Modelle Werkzeuge und Programmierschnittstellen im Hintergrund auf, während das Gespräch weiterläuft. Der Agent kann also eine Abfrage starten und dabei weitersprechen. Visuelle Eingaben verarbeiten die Modelle nach Angaben von Google nahezu in Echtzeit. Die gesprochene Sprache sollen sie automatisch erkennen und zwischen 97 unterstützten Sprachen auch mitten im Gespräch wechseln. Im Entwickler-Blog betont Google zusätzlich, dass die Modelle Bestätigungscodes, Schadensnummern und technische Daten genau erfassen. Eine unabhängige Messung dieser Genauigkeit liegt uns nicht vor. Alle Audios, die Googles KI-Produkte erzeugen, tragen laut Google ein unhörbares SynthID-Wasserzeichen.

Im selben Entwickler-Blog geht es um Gemini 3.5 Transcribe, das laut Google im Vormonat erschienen ist und Sprache in über 85 Sprachen mitschreibt. Nach Angaben von Google liegt die Wortfehlerrate bei 4,0 Prozent im Streaming und bei 2,6 Prozent ohne Streaming, und bis zu 1.000 eigene Fachbegriffe lassen sich als Vokabelliste hinterlegen.

Was eine Gesprächsminute kosten soll

Im Entwickler-Blog nennt Google 0,005 US-Dollar je Minute Audio-Eingabe und 0,018 US-Dollar je Minute Audio-Ausgabe. Eine Fußnote schränkt das ein. Die Minutenpreise sind laut Google eine Schätzung, berechnet auf Basis von 3 US-Dollar je Million Eingabe-Token und 12 US-Dollar je Million Ausgabe-Token. Was ein Gespräch am Ende tatsächlich kostet, hängt deshalb von der Tokenmenge ab.

Das Portal The Decoder hat am 15. September 2026 daraus etwa 1,38 US-Dollar für eine Stunde Sprachgespräch errechnet. Diese Zahl ist eine Rechnung von The Decoder und keine Angabe von Google, und sie setzt voraus, dass Eingabe und Ausgabe die ganze Stunde über laufen.

Für OpenAIs Modell GPT-Live-1 nennt The Decoder 0,05 US-Dollar je Minute, also mindestens 3,00 US-Dollar je Stunde. Beim Klang sieht das Portal OpenAI vorn. Dessen Modell dürfte nach Einschätzung von The Decoder dank Vollduplex natürlichere Gespräche liefern und klinge nach den Demos besser, Google habe eher auf den Preis optimiert.

Wie gut klingt das auf Deutsch?

Diese Frage beantworten die Quellen nicht. Google spricht von 97 Sprachen, eine Sprachenliste enthält die Mitteilung aber nicht, und wie das Modell auf Deutsch klingt, geht aus den Angaben nicht hervor.

Auch die Benchmarkwerte sind Anbieterangaben. Extended Thinking erreicht laut Google Platz 1 im Speech to Speech Quality Index von Artificial Analysis mit einem Wert von 82,6, dazu 68,6 Prozent auf τ-Voice und 35,1 Prozent auf τ-Voice-banking von Sierra. Gemini 3.8 Live liegt nach Angaben von Google auf Platz 2 der Speech Agent Arena. Ergebnisse unabhängiger Tests mit deutschen Gesprächen kennen wir nicht.

Unsere Einschätzung

Über den Nutzen eines Sprachagenten entscheidet in einem kleinen Betrieb aus unserer Sicht vor allem, ob er Auftragsnummern und Rückrufwünsche zuverlässig richtig aufnimmt. Ein falsch verstandener Buchstabe zieht einen Rückruf nach sich, und der kostet Arbeitszeit.

Deshalb halten wir die unscheinbarste Angabe der Mitteilung für die interessanteste. Google hebt ausdrücklich das genaue Erfassen von Codes und Nummern hervor, also genau die Stelle, an der ein Agent im Kundenkontakt aus unserer Sicht am ehesten Ärger macht. Belegt ist das bislang allein durch den Anbieter.

Hinzu kommt der rechtliche Rahmen. Seit dem 2. August 2026 gelten laut Bundesnetzagentur die Transparenzpflichten für Anbieter und Betreiber bestimmter KI-Systeme, als Inhalt nennt die Behörde Pflichten, Nutzern anzuzeigen, dass sie mit einer KI interagieren. Eine Leitlinie zu den Transparenzpflichten nach Artikel 50 wurde laut Bundesnetzagentur am 20. Juli 2026 veröffentlicht. Wer einen Sprachagenten nach außen einsetzt, sollte aus unserer Sicht klären lassen, ob und welche dieser Pflichten den eigenen Betrieb als Anbieter oder Betreiber treffen. Das ist ein allgemeiner Hinweis und keine Rechtsberatung.

Wir würden einen Sprachagenten zuerst an einer eng begrenzten Aufgabe erproben, etwa der Auskunft zu Öffnungszeiten oder dem Aufnehmen eines Rückrufwunschs. Getestet würde mit echten Gesprächen auf Deutsch, bevor der Agent Kunden allein betreut. Weil die Quellen zur deutschen Sprachqualität schweigen, gibt es dafür keine Abkürzung. Ob das Versprechen zur Genauigkeit bei Nummern auch auf Deutsch hält, zeigt erst so ein Test.

Quellen

Die genannten Angaben stützen sich auf folgende öffentlich zugängliche Quellen (Stand der Recherche: 16. September 2026):

Häufige Fragen

Was hat Google mit Gemini 3.8 Live vorgestellt?

Google hat am 15. September 2026 zwei Live-Dialogmodelle vorgestellt, Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking. Laut Google sind es direkte Sprache-zu-Sprache-Modelle für Sprachagenten in Echtzeit, die Werkzeuge und Schnittstellen im Hintergrund aufrufen, während das Gespräch weiterläuft. Die erste Variante ist nach Angaben von Google auf Skalierung und Kosteneffizienz ausgelegt, Extended Thinking auf komplexe Aufgaben mit mehrstufigem Denken. Entwickler nutzen die Modelle über die Gemini API und Google AI Studio.

Was kostet Gemini 3.8 Live je Minute?

Laut Google-Entwickler-Blog 0,005 US-Dollar je Minute Audio-Eingabe und 0,018 US-Dollar je Minute Audio-Ausgabe. Nach Googles eigener Fußnote ist das eine Schätzung auf Basis von 3 US-Dollar je Million Eingabe-Token und 12 US-Dollar je Million Ausgabe-Token, die tatsächliche Rechnung hängt also von der Tokenmenge ab. Das Portal The Decoder rechnet daraus etwa 1,38 US-Dollar für eine Stunde Gespräch, unter der Annahme, dass Eingabe und Ausgabe die ganze Zeit laufen.

Wie gut funktioniert Gemini 3.8 Live auf Deutsch?

Das geht aus den Quellen nicht hervor. Google nennt 97 unterstützte Sprachen, zwischen denen das Modell automatisch und auch mitten im Gespräch wechseln soll, eine Sprachenliste enthält die Mitteilung aber nicht. Die veröffentlichten Benchmarkwerte, etwa Platz 1 im Speech to Speech Quality Index von Artificial Analysis für Extended Thinking, sind Angaben von Google.

Was sollte ein Betrieb klären, bevor er einen Sprachagenten einsetzt?

Aus unserer Sicht zuerst, ob der Agent eine eng begrenzte Aufgabe wie einen Rückrufwunsch mit echten Gesprächen auf Deutsch zuverlässig erledigt. Eine Anbindung an eine Telefonnummer beschreiben Googles Mitteilungen nicht, genannt werden Plattformen für das Echtzeit-Streaming. Seit dem 2. August 2026 gelten laut Bundesnetzagentur Transparenzpflichten für Anbieter und Betreiber bestimmter KI-Systeme, deshalb würden wir die eigene Rolle fachkundig prüfen lassen. Das ist ein allgemeiner Hinweis und keine Rechtsberatung.

Welche Kundenanfrage im Betrieb wäre klein genug für einen ersten Test mit einem Sprachagenten?

Im kostenlosen KI-Schnupperkurs zeigen wir in fünf Lektionen, wie kleine und mittlere Firmen KI im Alltag einsetzen. Tiefer und praxisnah geht es im Vollkurs Digitalisierungsmanager, DEKRA-zertifiziert und förderfähig über den Bildungsgutschein.

Zuletzt aktualisiert: 16. September 2026. Stand der Recherche: 16. September 2026.