Wie ich getestet habe
Eine kurze Anmerkung zur Methode, weil sie die Grundlage für alles Folgende bildet. Gemini 3.8 Live Avatar ist eine Enterprise-Funktion, bei der die Erstellung eigener Avatare hinter einer Freischaltung liegt. Das ist also kein Test nach dem Motto „ich habe es sechs Monate in Produktion betrieben". Ich habe Googles eigene Model Card, den Entwicklerleitfaden und die Preistabelle Zeile für Zeile gelesen, die Launch-Behauptungen mit den genannten Kundeneinsätzen abgeglichen und das Ganze an einer Frage geprüft, die mir wichtiger ist als die Optik: Macht ein Gesicht die Antwort besser?
Ich habe die letzten Jahre KI-Agenten gebaut, die an Live-Support-Warteschlangen sitzen, und was mir den Schlaf raubt, war nie, wie der Bot aussieht. Sondern ob er recht hat. Als Google also einen fotorealistischen sprechenden Kopf für Unternehmens-Agenten auslieferte, lautete meine erste Frage nicht „sieht es gut aus" (tut es), sondern „bewegt es die Zahl, die zählt" (tut es nicht). Hier die vollständige Aufschlüsselung.
Was Sie tatsächlich bekommen
Google hat das erstmals auf der Google Cloud Next 2026 als Preview gezeigt und in der Woche nach dem Start der Basismodelle Gemini 3.8 Live und 3.8 Live Extended Thinking allgemein verfügbar gemacht. Die Benennung sollte man gleich geraderücken, weil man leicht darüber stolpert: Gemini 3.8 Live ist das Echtzeit-Konversationsmodell, und Live Avatar ist die animierte Talking-Head-Videoebene, die darauf sitzt. Es ist eine Funktion, kein eigenes Modell, und laut DeepMind Model Card basiert es auf Gemini 3 Pro.
Ohne das Marketing leistet die Funktion fünf konkrete Dinge:
- Ein Echtzeit-Gesicht. Präzise Lippensynchronisation, natürliche Mimik und flüssiger Sprecherwechsel, ausgegeben als synchronisiertes Video mit 24 FPS. Das Basismodell 2.5 Flash Live hatte gar keine Videoausgabe, das ist also ein echter Schritt und keine Kleinigkeit.
- Es sieht, während es spricht. Das Modell verarbeitet Audio- und visuelle Eingaben gleichzeitig und liest einen Kamera-Feed oder eine Bildschirmfreigabe mit einem Bild pro Sekunde, sodass es mitten im Gespräch darauf reagieren kann, worauf Sie zeigen.
- 97 Sprachen mit Wechsel mitten im Chat. Native mehrsprachige Speech-to-Speech-Verarbeitung, die Lippensynchronisation und Mimik über Sprachen hinweg anpasst und mitten im Gespräch ohne visuelle Abweichung wechselt. Das ist die herausragende Fähigkeit, auf die ich noch zurückkomme.
- Tool-Aufrufe im Hintergrund. Asynchrone Funktionsaufrufe, die Tools starten und Daten im Hintergrund abrufen, während der Dialog weiterläuft, sodass der Avatar nicht mitten im Satz einfriert und auf eine API wartet.
- Preset- oder eigene Avatare. Eine Bibliothek kuratierter Preset-Avatare, die jeder in Gemini Enterprise nutzen kann, plus eigene Avatare aus einem einzelnen Referenzbild und einer Audioprobe, die Aussehen und Markenstil bewahren.
Zwei Einstellungen sind standardmäßig aktiv und gut zu wissen: affektiver Dialog (es liest Prosodie, Emotion und Pausen und passt seinen Ton an) und proaktives Audio (es filtert Umgebungsgeräusche und themenfremdes Gerede heraus). Jede Audio- und Videoausgabe trägt außerdem ein nicht wahrnehmbares SynthID-Wasserzeichen, und die Erstellung eigener Avatare ist hinter Freischaltung plus Verifizierung gesperrt, was von Google eine vernünftige Vorsicht gegenüber Deepfakes ist.
Die Mehrsprachigkeit ist die eigentliche Schlagzeile
Wenn ich auf eine einzige Sache zeigen müsste, die das beobachtenswert macht, wäre es die Sprachbandbreite. Siebenundneunzig Sprachen, automatisch erkannt, wobei Lippenbewegungen und Mimik sich neu synchronisieren, wenn das Gespräch mitten im Satz die Sprache wechselt. Für eine globale Support-Organisation, die heute getrennte Sprachteams pro Region besetzt, ist das ein strukturell anderes Angebot.
Und Geminis zugrunde liegende Sprachqualität ist wirklich stark, was die Avatar-Ebene interessant statt spielerisch macht. Ein Entwickler im Hacker-News-Thread zum Start von 3.8 Live hat es besser formuliert als jeder Benchmark:
"My first language is Afrikaans, which is a somewhat niche language and hard to find teachers/conversation buddies outside South Africa... I've been using Gemini to live chat in Afrikaans... It is phenomenal at speaking the language - like, it really shocks my family members when they hear it."
Das ist die Fähigkeit bei echter Arbeit: keine Demo-Sprache, sondern eine Nischensprache, gut genug gesprochen, um Muttersprachler zu überraschen. Verbindet man diese Qualität mit einem Gesicht, das über den Wechsel hinweg korrekt lippensynchron bleibt, versteht man, warum Equal AI es in 9 indischen Sprachen bei gemeldeten über 1 Mio. Live-Anrufen pro Tag einsetzt.
Was es tatsächlich kostet
Hier verdient sich ein Test seinen Platz, denn die Preisangabe „pro Token" verschleiert die echte Zahl. Das Avatar-Video wird über die Gemini-Enterprise-Preise mit 1,00 $ pro 1 Mio. Tokens abgerechnet, und die Fußnote zur Abrechnung ist der wichtige Teil: Die Avatar-Videoausgabe wird mit 6.192 Tokens pro Sprechsekunde umgerechnet und nur berechnet, solange der Avatar aktiv spricht, nicht, während er untätig zuhört.
Rechnet man nach, sind das etwa 0,0062 $ pro Sekunde, also grob 0,37 $ pro Minute Avatar-Sprechzeit. Für sich genommen ist das Gesicht eine der günstigeren Positionen auf der Rechnung.
Der Haken: Der Avatar läuft nie allein. Er sitzt auf dem gesamten Zähler-Stack der Live API, und hier sind alle Preise für die nicht globalen Endpunkte:
| Zähler | Preis (pro 1 Mio. Tokens) | Hinweise |
|---|---|---|
| Texteingabe | 0,75 $ | |
| Video-/Bildeingabe | 1,00 $ | 258 Tokens pro Bild |
| Audioeingabe | 3,00 $ | 25 Tokens pro Sekunde |
| Textausgabe (Antwort + Reasoning) | 4,50 $ | Reasoning-Tokens werden hier berechnet |
| Audioausgabe | 12,00 $ | der teure Posten |
| Videoausgabe (Avatar) | 1,00 $ | 6.192 Tokens/Sek., nur beim Sprechen berechnet |
Der Posten, der ein gesprochenes Gespräch dominiert, ist die Audioausgabe mit 12,00 $ pro 1 Mio., nicht das Avatar-Video. Ehrlich gesagt: Das Aktivieren des Avatars fügt einem Gespräch, das ohnehin schon für Audio, Reasoning und Eingaben berechnet wird, einen moderaten Aufschlag hinzu, der nur für die Sprechzeit anfällt. In der Model Card steckt außerdem ein struktureller Kompromiss, den man erwähnen sollte: Mit aktiviertem Live Avatar sinkt das Ausgabe-Token-Limit auf 24K, gegenüber 64K ohne. Und wie bei jeder Live-API-Sitzung werden Tokens vergangener Runden mit jeder neuen Runde bis zum Kontextlimit erneut verarbeitet und erneut abgerechnet, sodass lange Gespräche sich aufsummieren. Wenn Sie das gegen eine Warteschlange mit Tausenden täglicher Interaktionen durchrechnen, bauen Sie die Schätzung zuerst auf Audio und Reasoning auf und addieren dann den Avatar, nicht umgekehrt.
Der Haken: Ein Gesicht repariert nicht die Antwort
Das ist der ganze Test in einem Abschnitt. Alles oben ist real und beeindruckend. Nichts davon berührt das, was tatsächlich entscheidet, ob sich ein KI-Support-Agent lohnt: Ist die Antwort korrekt?
Das Muster, das ich in Agenten-Evaluierungen immer wieder sehe, ist ein Absturz. Bei Aufgaben, die sich auf einen sauberen, strukturierten Tool-Aufruf reduzieren, sind Spitzenmodelle exzellent. Bei Aufgaben, bei denen die Antwort in einem Wissensdatenbank-Artikel, einer Sonderregel oder einer halb dokumentierten Ausnahme liegt, bricht die Genauigkeit ein. Es ist dasselbe Modell, dieselbe Stimme, dasselbe Gesicht auf beiden Seiten dieser Lücke, und der Wert auf der schwierigen Seite entscheidet, ob Kunden eine richtige Antwort bekommen oder eine selbstsichere falsche.
Ein lebensechter Avatar lässt die falsche Antwort härter ankommen, nicht weicher. Ein nüchterner Chatbot, der sagt „Ich bin nicht sicher, ich hole einen Menschen", ist lästig, aber ehrlich. Ein warmes, lächelndes, perfekt lippensynchrones Gesicht, das in makellosem Portugiesisch eine falsche Erstattungsregel vorträgt, ist ein schlechteres Ergebnis, weil es überzeugender ist. Präsentationsebene und Korrektheitsebene sind getrennte Probleme, und Google hat eine herausragende Präsentationsebene geliefert.
Das ist keine Kritik an Gemini. Es ist Kritik daran, ein Gesicht für die Ziellinie zu halten. Auch das Risiko des Uncanny Valley ist real: Ein Gesicht, das zu 95 % überzeugt, kann verstörender wirken als ein offensichtlich synthetisches, und für manche Support-Momente (ein frustrierter Kunde, ein Abrechnungsstreit) ist ein fotorealistischer Avatar schlicht der falsche Ton. Ob es hilft oder schadet, hängt von der Interaktion ab, und das ist eine Designentscheidung, kein Standard.
Für wen das wirklich ist
Nach alldem hier, wem ich zum Einsteigen raten würde und wem zum Abwarten.
Greifen Sie zu, wenn Sie ein sprachbasiertes oder Kiosk-Erlebnis bauen, bei dem das Gesicht das Produkt ist: ein Assistent im Laden, eine geführte Onboarding-Tour, ein Einkaufshelfer im Dialog. Cox Automotive und Autotrader nutzen es genau dafür, als Einkaufsassistent mit Live-Hervorhebung auf dem Bildschirm, und Marianne Johnson, ihre EVP und Chief Product Officer, unterstützt den Ansatz öffentlich. Wenn Sie außerdem breite Mehrsprachigkeit brauchen und für eigene Avatare auf die Enterprise-Freischaltung kommen, passt es gut.
Warten Sie oder schauen Sie woanders, wenn Ihr eigentliches Ziel ist, mehr Support-Tickets über E-Mail, Chat und Ihren Helpdesk hinweg korrekt zu lösen. Der Avatar bewegt diese Zahl nicht, und Sie würden einen Video-Zähler und einen Token-Limit-Kompromiss für eine Fähigkeit zahlen, die Ihr Kernproblem nicht braucht. Text- und Sprachkanäle lösen den Großteil des Support-Volumens, und keiner davon braucht ein gerendertes Gesicht. Das lohnt sich auch, wenn Sie es gegen eine Conversational-AI-Plattform abwägen, die für Support gebaut ist, statt gegen ein Modell, das Sie selbst zusammensetzen.
Der tiefere Punkt: Gemini 3.8 Live Avatar ist Infrastruktur. Es ist ein Baustein, aus dem Sie mit Googles ADK und der Live API einen Agenten bauen, wobei Integration, Verankerung, Tests und Guardrails weiter bei Ihnen liegen. Das ist das richtige Werkzeug, wenn Sie ein Team sind, das ein eigenes Produkt baut. Es ist das falsche, wenn Sie einen Support-Agenten wollen, der bereits ein fertiger Mitarbeiter ist.
eesel für die Antwort ausprobieren, nicht für das Gesicht
Hier die ehrliche Positionierung, denn sie ist für einen Test wichtig: eesel baut keine Avatare und ist kein Sprachprodukt. Es ist ein KI-Helpdesk-Teamkollege, der Ihre Text-Support-Kanäle bearbeitet, und er ist um genau das Problem herum gebaut, das der Avatar unberührt lässt: die Antwort richtig zu treffen.
Wo Gemini 3.8 Live Avatar Infrastruktur ist, die Sie zusammensetzen, ist eesel der Teamkollege, den Sie einstellen. Er klinkt sich in Ihren bestehenden Helpdesk ein (Zendesk, Freshdesk und andere), lernt aus Ihren echten vergangenen Tickets und Wissensquellen und lässt sich, entscheidend, an Tausenden Ihrer historischen Tickets simulieren, bevor er je einem Live-Kunden antwortet, sodass Sie Genauigkeit und Lösungsrate zuerst an Ihren eigenen Daten sehen. Er berichtet außerdem genau, was er getan hat, welche Tickets er bearbeitet hat und wo ein Mensch eingegriffen hat, sodass die Korrektheitsebene messbar ist und kein Vertrauensvorschuss.
Wenn Ihr Produkt ein sprechendes Gesicht braucht, ist Geminis das beste, das ich getestet habe. Wenn Ihre Support-Warteschlange eine korrekte Antwort braucht, ist das ein anderes Werkzeug, und Sie können eesel kostenlos an Ihren eigenen Tickets ausprobieren.