Google Gemini 3.8 Live: Echtzeit-Sprach-KI ab 1,38 US-Dollar/Stunde

Was passiert ist

Google DeepMind hat mit Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking zwei neue Audiomodelle für Entwickler vorgestellt. Laut The Decoder liegen beide Modelle in der Speech-to-Speech-Rangliste von Artificial Analysis an der Spitze.

Der Preis ist der auffälligste Punkt der Ankündigung. Google nennt rund 1,38 US-Dollar pro Stunde Sprachgespräch und unterbietet damit deutlich OpenAIs GPT-Live-1. Der Bericht geht allerdings davon aus, dass GPT-Live-1 aufgrund seiner Vollduplex-Fähigkeit weiterhin natürlicher klingt.

Warum es wichtig ist

Die Entwicklung betrifft weniger ein einzelnes Modell als die Wirtschaftlichkeit von Echtzeit-Sprachdialogen. Wenn eine Stunde Gespräch mit einem KI-Modell in einen Preisbereich fällt, der für Kundenservice-Volumina tragfähig ist, verschiebt sich die Abwägung: Sprachassistenten werden auch für Organisationen interessant, die bisher wegen der Kosten zurückhaltend waren.

Für Führungskräfte in Customer Experience, KI und digitaler Transformation heißt das, Auswahlentscheidungen nicht nur über den Preis zu treffen. Natürlichkeit, Unterbrechungsverhalten und Reaktionszeit entscheiden darüber, ob Kundinnen und Kunden einem Sprachkanal vertrauen.

Zahlen im Überblick

• 1,38 US-Dollar pro Stunde Sprachgespräch laut Google-Angabe, im Bericht als deutlich günstiger gegenüber GPT-Live-1 eingeordnet.
• 2 Modelle werden veröffentlicht: Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking, beide für Entwickler verfügbar.

Die Renascence-Perspektive

Die Schlagzeile stellt den Preis in den Vordergrund, doch für Service-Organisationen ist der Stundenpreis nur ein Kostenfaktor unter mehreren. Der teuerste Moment in einem Sprachdialog ist der fehlgeschlagene Gesprächsrhythmus, etwa wenn ein Kunde ins Wort fällt und das System weiterredet oder eine Pause zu lange dauert.

Ein günstiger Gesprächsminutenpreis hilft wenig, wenn Kundinnen und Kunden nach zwei Sätzen auflegen oder an einen Menschen weitergeleitet werden müssen. Das zugrunde liegende Prinzip ist Vertrauen im Gesprächsfluss: Wer unterbrochen wird und dennoch sinnvoll reagiert, wirkt kompetent, unabhängig davon, wie natürlich die Stimme klingt. Operatoren sollten deshalb nicht die Position im Leaderboard prüfen, sondern echte Anliegen aus dem Servicealltag testen und Abbruch-, Eskalations- und Wiederholungsraten messen. Erst dann zeigt sich, ob die Ersparnis pro Stunde tatsächlich bei den Kundinnen und Kunden ankommt.