Google hat die Live-Funktion eine Zeit lang scheinbar vernachlässigt, doch in Wirklichkeit wurde die Arbeit daran keinen Moment lang unterbrochen. In den letzten Tagen sehen wir nun das Ergebnis davon. Es wurden die Varianten „Gemini 3.8 Live“ und „Live Extended Thinking“ veröffentlicht, und im Zusammenhang damit kam auch „Live Avatar“ auf den Markt, um die Kommunikation mit der KI realistischer zu gestalten; außerdem wurde „Gemini 3.8 Flash TTS“ in zwei Versionen fertiggestellt.
ChatGPT hat zuvor mit dem „Voice“-Modus viele beeindruckt und damit Gemini die Show gestohlen; nun versucht Google, dies zu ändern und sich mit Gemini 3.8 Live eine bessere Wettbewerbsposition zu verschaffen. Dieses Modell wird bereits zu einer viel realistischeren Kommunikation fähig sein; man wird mit ihm Gespräche in angenehmem Tempo führen können, und wenn der Nutzer dem Chatbot eine schwierigere Frage stellt, kommt „Gemini 3.8 Live Extended Thinking“ zum Einsatz.
Gemini 3.8 Live wurde im Zeichen von Skalierbarkeit und Kosteneffizienz entwickelt und vereint dialogbasierte Intelligenz, flüssigen Dialog und visuelle Fähigkeiten. Letzteres wird durch den neuen Live-Avatar auf die Spitze getrieben, der Videos nahezu in Echtzeit generiert und an die Sprache anpasst. Er schafft einen dynamischen Charakter, der während der Gespräche zuhört, sieht und spricht. Die Sprache wird in 97 Sprachen mit präziser Lippensynchronisation wiedergegeben, und es werden auch situationsbezogene Gesichtsausdrücke eingesetzt.
Der Live Avatar wird gut anpassbar sein, und das Unternehmen wird Firmen in diesem Bereich zusätzliche Möglichkeiten bieten. Darüber hinaus betonte Google, dass es entsprechende Sicherheitsvorkehrungen in den Dienst integriert und diesen zusätzlich mit dem SynthID-Wasserzeichen versehen hat. Das bedeutet: Wenn jemand den Live-Avatar während des Betriebs aufnimmt und damit auf anderen Plattformen Missbrauch betreiben möchte, wird er mit großer Wahrscheinlichkeit auffliegen, da an immer mehr Stellen deutlich sichtbar darauf hingewiesen wird, dass man Inhalte sieht, die von künstlicher Intelligenz unter und generiert wurden.
Um noch einmal auf die Live-Funktion zurückzukommen: Gemini 3.8 Live Extended Thinking wurde bereits für äußerst komplexe Aufgaben entwickelt und verfügt über gesteigerte Intelligenz sowie die Fähigkeit zu mehrstufigen Argumentationen. Es ist in der Lage, komplexe Fragen zu zerlegen und so zu verarbeiten, dass es im Laufe von Gesprächen die präzisesten Antworten liefert. Für Entwickler und Unternehmen bietet dieses Modell zudem die Möglichkeit, zuverlässige sprachbasierte Agenten zu erstellen.
Nach Messungen von Google liegt Gemini 3.8 Live Extended Thinking bei den meisten Aufgaben zum Testen von Sprachmodellen an der Spitze. Im „Artificial Analysis Speech to Speech Index“ liegt es vor allen Konkurrenten und schneidet mindestens besser ab als GPT-Live-1 und Grok Voice Think Fast 2.0. Das kleinere und schnellere „Gemini 3.8 Live“ wurde zum neuen König der „Speech Agent Arena“ und verwies das Tool von OpenAI auf den zweiten Platz.
Gemini 3.8 Live erkennt automatisch alle 97 Sprachen; wenn es ein Gespräch übersetzen muss, muss man es nicht extra bitten, als Dolmetscher zu fungieren. Gemini 3.8 Live Extended Thinking verarbeitet während des Gesprächs im Hintergrund kontinuierlich Informationen und kann so Zeit gewinnen, ähnlich wie Menschen beim Nachdenken. Dank dieser Funktionen lässt sich die Anwendung der Modelle wirklich natürlich gestalten.
Die auf das Vorlesen von Texten spezialisierten Modelle werden die neuesten Entwicklungen der Gemini-Familie bei der Umwandlung von Wörtern in Sprache nutzen. Sie werden eine Brücke zwischen dem einfachen Textbetrieb und der vollständig sprachbasierten Nutzung schlagen, sodass künftig hinter allem Gemini 3.8 stehen wird. Gemini 3.8 Flash TTS konzentriert sich auf die Stimmbildung und das Charakterdesign, während Gemini 3.8 Flash-Lite TTS auf die Generierung großer Sprachmengen ausgerichtet ist. Flash-Lite wurde für die kontinuierliche Synchronisation, die Erstellung umfangreicher sprachbasierter Inhalte und für sprachbasierte Agenten optimiert.
Gemini 3.8 Flash TTS unterstützt bereits mehr als 100 Sprachen und Dialekte. Es ist in der Lage, die erzeugten Stimmen anhand von Rollen, Akzenten und Stimmmerkmalen anzupassen, die von den Nutzern mittels natürlicher Sprachbefehle festgelegt werden können. Das Modell enthält mehr als zweitausend sofort einsatzbereite Stimmen mit den unterschiedlichsten Akzenten und sprachlichen Variationen und bietet zudem 30 Originalstimmen, die aus einer Stimmbibliothek ausgewählt werden können, sowie die Möglichkeit, individuelle Optionen zu erstellen.
Laut einem Bericht von Google liefern Gemini 3.8 Flash TTS und sein Pendant in verschiedenen Tests, wie beispielsweise im Hume-AI-Qualitätsindex, eine beeindruckende Leistung. Das neue Text-to-Speech-Duo findet in Vergleichstests nur sehr selten einen Sieger, doch es kommt nicht oft vor, dass es einen so deutlichen Vorsprung gegenüber der Konkurrenz hat. Google schlägt die Konkurrenz auch in Sprachen wie Japanisch, Hindi oder Vietnamesisch. Sicherlich werden viele versuchen, diese in der nächsten Zeit auf die Probe zu stellen.
Gemini 3.8 Live und Live Extended Thinking werden nach und nach für alle zugänglich sein, sogar kostenlos, und zunächst über den Live-Modus innerhalb der Google-Suche erreichbar sein, nicht im Rahmen von Gemini Live. Der API-Zugriff wird von Google über das AI Studio bereitgestellt.
Der Live-Avatar richtet sich vorerst ausschließlich an Unternehmenskunden, während Gemini 3.8 Flash TTS über das Notebook ein breites Publikum erreicht, so dass beispielsweise generierte Podcasts bereits damit vorgelesen werden können, während Gemini 3.8 Flash-Lite TTS im Videogenerator Google Vids dabei hilft, Text in den Mund einer Person zu legen.
