Was Gemini 3.8 Live Avatar wirklich ist
Google hat die Technologie zuerst auf der Google Cloud Next 2026 vorgestellt und am 24. September in Gemini Enterprise allgemein verfügbar gemacht, in der Woche nach dem Start der Basismodelle Gemini 3.8 Live und 3.8 Live Extended Thinking. Geschrieben von Forschungswissenschaftler Shuo-yiin Chang und dem Gemini-Audio-Team, ist die Botschaft einfach: Konversation ist multimodal, also sollte ein Enterprise-Agent zuhören, sehen, sprechen und ein Gesicht zeigen können, alles gleichzeitig.
Konkret fügt Live Avatar einem Konversationsagenten fünf Dinge hinzu:
- Ein sprechendes Videogesicht mit synchroner Lippenbewegung und natürlicher Mimik, in nahezu Echtzeit erzeugt.
- Flüssigen Speech-to-Speech-Dialog, sodass Unterbrechungen sich natürlich auffangen, ohne den Gesprächskontext oder eine laufende Backend-Transaktion zu verlieren.
- Tool-Aufrufe im Hintergrund: Der Agent löst API-Aufrufe aus und holt Daten, während er weiterplaudert, bestätigt Ihre Anfrage und führt das Gespräch fort, bis die Aufgabe erledigt ist.
- Live-Bildverständnis, das einen Kamerafeed oder eine Bildschirmfreigabe gleichzeitig mit dem Audio verarbeitet.
- 97 Sprachen mit automatischer Spracherkennung.
Die Demo, mit der Google beginnt, ist ein Hotel-Check-in: Sie sprechen mit einem Avatar, er checkt Sie ein und startet dabei im Hintergrund die Tool-Aufrufe, um die Buchung tatsächlich abzuschließen, ohne peinliche Stille. Dieser Trick mit asynchronen Tool-Aufrufen während des Sprechens ist die cleverste Ingenieurleistung hier und wichtiger als das Gesicht.
Hier die Pipeline in einem Bild:
Eines sollte man auseinanderhalten: Das gehört zur selben Familie wie die anderen neuen Audio-Releases von Gemini 3.8 (die Text-to-Speech-Modelle erschienen in derselben Woche), aber Live Avatar ist eine eigene Fähigkeit, die auf der Gemini Live API läuft. Der verwandte Modus Gemini 3.8 Live Extended Thinking, mit dem ein Agent gleichzeitig denken und sprechen kann, befindet sich noch in der privaten Vorschau.
Wie man damit tatsächlich baut
Live Avatar ist kein Produkt, das Sie für Ihr Support-Postfach einfach einschalten. Es ist Modellinfrastruktur, und Sie stellen den Agenten selbst zusammen. Googles empfohlener Weg ist das Agent Development Kit (ADK): Sie definieren Agenten, verwalten Runner und Session-Speicher und streamen Echtzeit-Audio direkt an die Gemini Live API, ohne klassische Speech-to-Text-Pipeline dazwischen.
Googles eigene Demo für Versicherungsschäden zeigt gut, welches Können nötig ist: Sie sprechen und zeigen den Schaden per Kamera, ein Schadenprotokoll füllt sich von selbst, und im Hintergrund prüft ein ADK-„Agententeam" die Police, wendet Aufnahmeregeln an und erstellt ein Gutachterpaket. Das ist ein echtes Engineering-Projekt mit Open-Source-Beispielcode als Ausgangspunkt, kein No-Code-Schalter. Wenn Ihr Team Software ausliefert, ist das ein spannender Baustein. Wenn Ihr Team eine Support-Warteschlange betreibt, heißt das: Der Avatar sind die leichten 20 %, und die Logik der Kundenservice-Automatisierung dahinter sind die anderen 80 %.
In puncto Sicherheit trägt jeder Audio- und Videostream ein nicht wahrnehmbares SynthID-Wasserzeichen, damit die Ausgabe als KI-generiert erkennbar bleibt, und eigene Avatare sind hinter diesem Verifizierungsverfahren gesperrt. Google hat hier offensichtlich Respekt vor Deepfakes, und das aus gutem Grund.
Verfügbarkeit und Zugang
Gemini 3.8 Live mit Live Avatar ist ab sofort für Unternehmenskunden verfügbar, mit US- und EU-Endpunkten, bereitgestelltem Durchsatz, Enterprise-Compliance und strenger Datenverwaltung. Zwei Zugangsstufen sind wichtig:
- Vorgefertigte Avatare: eine Bibliothek kuratierter Personas, die jeder Gemini-Enterprise-Kunde im Web, auf Mobilgeräten und an interaktiven Kiosken einsetzen kann.
- Eigene Avatare: erzeugt aus einem einzelnen hochwertigen Referenzbild (plus Audioprobe), wobei Aussehen und Markenstil erhalten bleiben. Das ist nur über die Freigabeliste möglich, an ein Verifizierungsverfahren gebunden, und zur Aktivierung müssen Sie mit einem Google-Cloud-Vertriebsmitarbeiter sprechen.
Wenn Sie also ein Markengesicht wollen, das wie Ihr eigener Sprecher oder Ihr Maskottchen aussieht, planen Sie ein Verkaufsgespräch und einen Genehmigungszyklus ein, keine Self-Service-Anmeldung.
Was es kostet
Hier trifft die „coole Demo" auf die Rechnung. Live Avatar wird pro Token über die Gemini Live API abgerechnet, und die Modalitäten werden getrennt gemessen:
| Zähler (Gemini 3.8 Live API, nicht global) | Preis pro 1 Mio. Tokens |
|---|---|
| Eingabe: Text | 0,75 $ |
| Eingabe: Video / Bild | 1,00 $ |
| Eingabe: Audio | 3,00 $ |
| Ausgabe: Text (Antwort und Reasoning) | 4,50 $ |
| Ausgabe: Audio | 12,00 $ |
| Ausgabe: Video (das Avatar-Gesicht) | 1,00 $ |
Die für den Avatar entscheidende Zahl steckt in einer Fußnote: Die Avatar-Videoausgabe wird mit 6.192 Tokens pro Videosekunde berechnet, und abgerechnet wird nur, solange der Avatar aktiv spricht, nicht während er zuhört. Rechnet man nach, kostet das Gesicht etwa 0,37 $ pro Minute, in der der Avatar spricht (6.192 Tokens x 60 Sekunden x 1,00 $ / 1 Mio.). Dazu kommen das erzeugte Audio mit 12,00 $ pro 1 Mio. Ausgabe-Tokens, das Reasoning mit 4,50 $ pro 1 Mio. und alles, was Sie an Kamera- oder Bildschirmvideo einspeisen.
Zur Einordnung: Ein Fünf-Minuten-Gespräch, in dem der Avatar etwa die Hälfte der Zeit spricht, verbrennt rund 928.800 Avatar-Video-Tokens, also knapp unter einem Dollar nur für das Rendern des Gesichts, bevor man ein einziges Wort Reasoning, Audio oder Bildverarbeitung mitzählt. Nichts davon ist für ein Premium-Enterprise-Erlebnis überzogen. Aber es erinnert daran, dass das Gesicht ein echter, wiederkehrender Posten ist, der Präsentation kauft, nicht Korrektheit.
Wo es glänzt und wer es nutzt
Ich will fair sein, denn die Technologie ist beeindruckend, und die frühen Anwender sind keine Spielerei.
Cox Automotive hat für Autotrader einen konversationellen Einkaufsassistenten gebaut, der Live-Bildschirmhervorhebung und Tool-Aufrufe nutzt, um Autokäufer in Echtzeit durch Suche, Vergleich und Finanzierung zu führen.
"Shoppers increasingly expect to describe what they need in their own words rather than work through filters and menus. Autotrader's new conversational AI Avatar brings that experience to vehicle discovery by matching natural conversation to the right inventory."
Equal AI, das täglich über eine Million Live-Anrufe in neun indischen Sprachen abwickelt, lobte am zugrunde liegenden 3.8-Live-Modell die bessere Unterbrechungsbehandlung und Zuverlässigkeit bei Tool-Aufrufen. Salesforce kombiniert 3.8 Live mit Agentforce, und das Voice-AI-Startup Specs hob gezielt die verbesserte Sprachaktivitätserkennung und die geringere Latenz hervor. Das sind die Teile, die Conversational AI weniger wie ein Walkie-Talkie und mehr wie ein Gespräch wirken lassen.
Auch Entwickler sind begeistert. Ein früher Tester fasste die Stimmung nach dem ersten Ausprobieren so zusammen:
"Gemini 3.8 Live Avatar is here !! Watch me having a deep convo with my virtual avatar."
Wenn Ihr Anwendungsfall ein Kiosk, ein geführter Walkthrough, eine Sprachlern-App oder jede Erfahrung ist, bei der sichtbare Präsenz und Gesprächswechsel den Kern ausmachen, ist das eine wirklich starke Option. Besonders der mehrsprachige Wechsel ist schwer zu bauen, und Google lässt ihn leicht aussehen.
Der Haken: Ein besseres Gesicht behebt keine falsche Antwort
Das ist die Umdeutung, auf die ich immer wieder zurückkomme. Support-Automatisierung hat zwei Probleme, und sie sind nicht gleich groß.
Das Präsentationsproblem (wirkt der Agent menschlich, hält er die Aufmerksamkeit, funktioniert er sprachübergreifend) ist durch Live Avatar weitgehend gelöst. Das Genauigkeitsproblem (gibt der Agent die richtige Antwort und weiß er, wann er es nicht weiß) ist es nicht, und keine Lippensynchronisation bewegt es.
Wie groß dieses zweite Problem ist, lässt sich tatsächlich messen. Beim Support-Agenten-Benchmark τ-bench kann man ein einzelnes Modell konstant halten und zusehen, wie sein Erfolgswert einbricht, sobald die Antwort in Dokumenten statt in einem sauberen Tool-Aufruf liegt. Claude Opus 4.5 erreicht zum Beispiel etwa 92 bei Telekom-Aufgaben und 84 bei Fluggesellschaften, fällt dann aber auf rund 25 in einer Wissensdatenbank-Domäne, in der die Antwort aus Dokumenten abgerufen werden muss. Das ist ein Absturz von ~68 Punkten, beim selben Modell, allein weil das Abrufen schwieriger wurde.
Anders gesagt: In der τ-knowledge-Bankdomäne ist selbst das stärkste Modell am Markt nur bei etwa einem Drittel der Aufgaben zuverlässig richtig (4 von 4 Versuchen). Diese Lücke ist im Support das ganze Spiel, und in einer glatten Demo ist sie unsichtbar. Ein selbstbewusster, fotorealistischer Avatar, der eine falsche Antwort liefert, ist gefährlicher als ein schlichtes Textfeld, nicht weniger, weil alles an ihm „vertrau mir" sagt.
Das ist der Einwand, den jeder ernsthafte Support-Käufer schon hat. Wie ein CX-Leiter in einem Verkaufsgespräch zu uns sagte:
"The AI will never be able to answer 100% of the questions. I need an AI who is only handling the tickets that it's confident to handle, and all the other ones, leave them alone."
a DTC supplements CX lead
Ein Avatar beantwortet diese Sorge nicht. Konfidenzbasiertes Routing, Verankerung im Wissen und das Wissen, wann eskaliert wird, tun es. Genau deshalb ist die Wahl des richtigen Modells nur der erste Schritt, und die schwerere Arbeit ist alles, was darum herum gebaut wird.
Was das für ein Kundensupport-Team bedeutet
Wenn Sie ein Support- oder CX-Team leiten und überlegen, ob Sie dem nachlaufen sollten, hier meine ehrliche Einschätzung.
Sie sollten mit ziemlicher Sicherheit nicht aus dem ADK einen eigenen Avatar-Agenten bauen, um Ihre Tickets zu beantworten. Der technische Aufwand ist real, die Freigabeliste bringt einen Verkaufszyklus mit, und am Ende haben Sie das leichte Problem (Präsentation) gelöst und das schwere (Genauigkeit, Verankerung, Eskalation) geerbt, ohne Werkzeuge, um es zu steuern. Speziell für Telefon- oder Sprachkanäle lohnt es sich, vorab etwas über KI-Telefonsupport zu lesen, denn dort schlagen sowohl die Wirtschaftlichkeit als auch die Genauigkeitsgrenze zu.
Für die große Mehrheit der Teams ist der Gewinn kein Gesicht. Es ist ein KI-Agent, der leise die Tickets löst, bei denen er sich sicher ist, den Rest sauber eskaliert und genauer wird, je mehr von Ihrer Historie er sieht. Das ist zuerst ein Job für Text und E-Mail, und dafür braucht es keinen sprechenden Kopf.
eesel ausprobieren
Wenn das Ziel ist, mehr Kundenservice-Tickets korrekt zu lösen, würde ich Sie hierhin verweisen. Gemini Live Avatar ist Infrastruktur, mit der Sie bauen. eesel ist das fertige Teammitglied, das Sie einstellen: ein KI-Helpdesk-Agent, der sich direkt in Zendesk, Freshdesk, Gorgias, Front, Help Scout, HubSpot, Salesforce und Jira Service Management einklinkt, aus Ihren früheren Tickets und Ihrem Wissen lernt und in etwa 30 Minuten live gehen kann.
Der Teil, der die Retrieval-Klippe tatsächlich angeht: Bevor eesel einem einzigen Kunden antwortet, spielt seine Simulation Ihre echten historischen Tickets durch und bewertet die vorgeschlagenen Antworten der KI gegen das, was Ihr Team tatsächlich gesendet hat. So sehen Sie die Lücken und passen die Anweisungen mit konfidenzbasierter Kontrolle darüber an, welche Tickets sie genau bearbeitet. Und weil es einen festen Monatspreis gibt, ab 299 $/Monat für 500 Credits (1 Credit pro Ticket oder Chat) ohne Gebühren pro Nutzer, zahlen Sie für korrekte Antworten, nicht für ein gerendertes Gesicht. (Ein ehrlicher Hinweis: eesel ist ein Text- und Ticket-Teammitglied, kein Sprach- oder Avatar-Produkt. Wenn ein sprechender Kopf die Anforderung ist, ist Gemini Live Avatar das Werkzeug. Wenn eine korrekte Antwort die Anforderung ist, sind wir es.)