O Gemini 3.8 Live é a nova aposta do Google para tornar as interações por voz com inteligência artificial mais naturais, rápidas e capazes de lidar com informações visuais e tarefas executadas em segundo plano. Anunciado em 15 de setembro de 2026, o modelo chega acompanhado do Gemini 3.8 Live Extended Thinking, uma variante voltada para situações que exigem maior capacidade de raciocínio.
Os dois modelos foram desenvolvidos para conversas áudio a áudio em tempo real, permitindo que a IA compreenda fala, imagens e vídeo e responda por voz sem depender necessariamente de uma cadeia convencional de transcrição, processamento textual e síntese de fala. A proposta é aproximar a interação com o Gemini de uma conversa contínua, inclusive quando ferramentas externas precisam ser acionadas durante o atendimento.
A atualização também mostra como o Google está direcionando seus modelos para além de respostas textuais. A empresa passa a combinar voz, visão, raciocínio e execução de ferramentas em uma mesma experiência, com aplicações que vão de assistentes no Android e recursos do Workspace até agentes de voz desenvolvidos por empresas e programadores.
Gemini 3.8 Live amplia a interação em tempo real
O Gemini 3.8 Live foi projetado como a opção principal para experiências de voz que precisam de baixa latência, escala e eficiência de custos. Segundo a documentação do Google, ele oferece diálogo em tempo real sem introduzir atrasos associados a longas etapas de raciocínio, além de suportar raciocínio intercalado, chamadas assíncronas de funções e streaming de áudio.
Um dos diferenciais está na capacidade multimodal. O modelo aceita texto, imagens, áudio e vídeo como entrada e pode produzir texto e áudio como saída. Isso permite imaginar situações nas quais o usuário aponta a câmera do celular para um objeto, documento ou ambiente e conversa com o Gemini enquanto recebe orientações por voz.
Na prática, essa arquitetura é especialmente relevante para o ecossistema Android, no qual câmeras, microfones e recursos de contexto já fazem parte da experiência dos smartphones. Em vez de alternar entre diferentes modos de interação, o usuário pode utilizar a voz como interface para interpretar aquilo que está diante da câmera e continuar a conversa naturalmente.
Suporte a 97 idiomas e mudança automática durante a conversa
Outro avanço está no suporte linguístico. A Live API oferece suporte a 97 idiomas, e os modelos de áudio podem alternar naturalmente entre idiomas durante uma mesma conversa. Isso é particularmente interessante para usuários bilíngues ou para serviços de atendimento que precisam lidar com diferentes idiomas sem exigir que a sessão seja reiniciada.
A mudança automática reduz uma barreira comum em assistentes de voz: a necessidade de configurar antecipadamente o idioma utilizado. Em uma conversa real, na qual uma pessoa pode misturar idiomas ou mudar de idioma conforme o contexto, a IA consegue acompanhar essa transição.
Chamadas de API em segundo plano
O Gemini 3.8 Live também foi preparado para agentes capazes de executar tarefas enquanto continuam conversando com o usuário. As chamadas de funções são assíncronas por padrão, permitindo que uma ferramenta seja acionada sem bloquear completamente o diálogo.
Isso pode ser usado, por exemplo, em um agente de atendimento que precisa consultar um pedido, pesquisar uma informação ou executar uma operação externa. Enquanto a ferramenta trabalha, o sistema pode manter a interação ativa e incorporar o resultado assim que ele estiver disponível.
Para desenvolvedores, a diferença é importante porque elimina parte da sensação de que o assistente simplesmente “parou” enquanto aguarda uma API externa. A arquitetura do Gemini passa a tratar conversação e execução de tarefas como processos paralelos.
Gemini 3.8 Live Extended Thinking leva o raciocínio para a conversa
Quando a tarefa exige planejamento, múltiplas etapas ou utilização mais intensa de ferramentas, entra em cena o Gemini 3.8 Live Extended Thinking. O modelo foi desenvolvido para realizar raciocínio em segundo plano enquanto continua falando, em vez de interromper completamente a conversa até concluir o processamento.
A documentação do Google descreve justamente essa diferença: o modelo pode planejar uma tarefa, executar ferramentas de maneira assíncrona e fornecer atualizações intermediárias enquanto o trabalho acontece. O sistema pode, por exemplo, informar verbalmente que está verificando determinada informação antes de apresentar a resposta final.
Esse comportamento é especialmente relevante para agentes de voz corporativos. Um assistente responsável por atendimento ao cliente, reservas, suporte técnico ou operações internas pode precisar consultar várias fontes antes de concluir uma solicitação. Com o raciocínio em segundo plano, a conversa deixa de depender de longos períodos de silêncio.
Desempenho em testes de voz e atendimento
O Google também apresentou resultados expressivos em avaliações de voz. Segundo os números divulgados pela empresa, o Gemini 3.8 Live Extended Thinking alcançou 82,6 pontos no Speech to Speech Quality Index da Artificial Analysis. O Google também cita 68,6% de conclusão de tarefas no τ-Voice e 35,1% no τ-Voice-banking, além de 97,7% no Big Bench Audio.
Esses resultados precisam ser interpretados como benchmarks específicos, e não como uma medida universal de qualidade. Eles avaliam diferentes aspectos da interação por voz, raciocínio e execução de tarefas. Ainda assim, ajudam a ilustrar a direção escolhida pelo Google: transformar modelos de voz em sistemas capazes não apenas de conversar, mas também de resolver tarefas enquanto mantêm uma interação natural.
Disponibilidade, SynthID e impacto para usuários e desenvolvedores
Os dois modelos chegaram à disponibilidade geral em 15 de setembro de 2026 por meio da infraestrutura do Gemini API. Também estão disponíveis no Google AI Studio, enquanto o ecossistema Google amplia o uso dos modelos em experiências como Search Live e Google Workspace. A ficha técnica do Google DeepMind lista ainda Gmail, Docs e Keep entre os ambientes do Workspace relacionados aos modelos.
Para desenvolvedores, a principal mudança é a possibilidade de criar agentes de voz multimodais utilizando uma API preparada para comunicação bidirecional em tempo real. Isso abre espaço para aplicativos de atendimento, educação, suporte técnico, acessibilidade, automação e experiências móveis baseadas em voz.
No Google Workspace, a integração pode aproximar tarefas como elaboração e consulta de documentos, mensagens e anotações de uma interação mais conversacional. Para usuários do Android e do ecossistema Gemini, o avanço representa uma tentativa de transformar o assistente em uma interface mais contextual, capaz de combinar aquilo que o usuário fala com o que a câmera ou outros dados visuais mostram.
Outro ponto relevante é a segurança do conteúdo gerado. O Google informa que o áudio produzido pelos modelos recebe uma marca d’água SynthID, permitindo identificar posteriormente que determinado conteúdo foi gerado por inteligência artificial.
Com o Gemini 3.8 Live e o Live Extended Thinking, o Google reforça uma tendência que já domina o desenvolvimento dos principais modelos atuais: a IA deixa de ser apenas uma ferramenta de texto e passa a funcionar como uma interface multimodal capaz de ouvir, enxergar, raciocinar e executar ações.
A divisão entre um modelo otimizado para escala e outro dedicado a tarefas complexas também mostra uma estratégia prática. Nem toda conversa precisa de raciocínio pesado, enquanto determinadas operações justificam processamento adicional. Ao oferecer as duas alternativas, o Google tenta atender desde aplicações de grande volume até agentes corporativos que precisam resolver problemas mais elaborados.
Para quem acompanha Android, Google Workspace ou desenvolvimento de software, o lançamento representa mais uma etapa na rápida evolução dos assistentes de inteligência artificial em tempo real. A tendência agora é que a qualidade dessas experiências seja medida não apenas pela capacidade de responder, mas pela habilidade de manter uma conversa, compreender o ambiente e concluir tarefas sem quebrar o fluxo da interação.
