Fish Audio Live 3 spricht eine Sprache. Gemini 3.8 Live spricht 97 und versieht jede Sekunde mit einem Wasserzeichen.

Fish Audio Live 3 und Gemini 3.8 Live stimmen in der wichtigen Grundidee überein und sind sich in fast allem anderen uneinig. Beide verlagern den Sprecherwechsel in das Sprachmodell statt in eine Pipeline aus separaten Teilen. Live 3, angekündigt am 10.11.2026, argumentiert dies mit dem Verhalten: Eine Pause mitten in einer Telefonnummer ist nicht dasselbe Ereignis wie die Pause am Ende einer Frage, und das Modell kann in nur 186 Millisekunden entscheiden zu antworten – eine Zahl, die Fish Audio angibt und die niemand überprüft hat. Gemini 3.8 Live, angekündigt am 15.09.2026, beantwortet dasselbe Problem mit Papierkram – 97 Sprachen mit Wechsel mitten im Gespräch, ein SynthID-Wasserzeichen auf jeder Sekunde generierten Audios, eine veröffentlichte Modellkarte, zwei dokumentierte API-Modell-IDs und eine Artificial-Analysis-Zeile, die im Speech to Speech Index 76,0 anzeigt, wobei alle vier Komponenten ausgefüllt sind.

Diese Asymmetrie, nicht der Latenzwert, entscheidet diesen Vergleich. Eines dieser Modelle lässt sich heute in ein Beschaffungsdokument schreiben und Zeile für Zeile verteidigen; das andere muss von dem Team, das es einführt, instrumentiert werden. Und darunter steckt ein schärferer Punkt: Das Verhalten, für das Live 3 wirbt, ist nicht die Dimension, in der Gemini 3.8 Live am stärksten ist, und es ist auch keine Dimension, in der Live 3 bewertet wurde – insofern wird das Kräftemessen vorerst dadurch entschieden, was sich verifizieren lässt, und nicht dadurch, welches Modell mit einem Telefonanruf besser umgeht.

Die Deckungslücke ist keine Fußnote.

Beginne mit dem, was jedes Modell außerhalb einer Demo leisten wird, denn für die meisten Käufer beendet dieser Abschnitt die Bewertung, bevor die interessanten Fragen überhaupt gestellt werden.

• Sprachen — Gemini 3.8 Live unterstützt 97 Sprachen und wechselt mitten im Gespräch automatisch zwischen ihnen. Fish Audio erklärt unmissverständlich, dass Live 3 zum Marktstart ausschließlich Englisch unterstützt. Eine Buchungshotline in Madrid, eine Support-Warteschlange in São Paulo und ein Inkassoschalter in Warschau sind in diesem Quartal keine Deployments von Live 3.

• Provenienz — jede Sekunde Audio, die Gemini 3.8 Live generiert, trägt Googles SynthID-Wasserzeichen, und beide Gemini-Sprachvarianten sind in einer Modellkarte dokumentiert, die unter dem Namen gemini-3-8-audio veröffentlicht wurde. In der Ankündigung von Fish Audio findet sich nichts zu Wasserzeichen oder Provenienzmetadaten für Live 3. Wenn Ihre Jurisdiktion auf eine Offenlegung synthetischer Stimmen zusteuert, zeigt sich dieser Unterschied als rechtliche und nicht als technische Frage.

• Bezeichner — Google veröffentlicht gemini-3.8-live und gemini-3.8-live-extended-thinking als aufrufbare Modell-IDs über die Gemini API, die Live API und AI Studio. Fish Audios Ankündigung nennt Live 3, veröffentlicht jedoch weder eine Modellkennung noch eine Endpunktdokumentation pro Modell dafür.

• Nicht-audiobasierte Eingaben — Gemini 3.8 Live verarbeitet visuelle Eingaben nahezu in Echtzeit, zusätzlich zur Kamera- und Bildschirmfreigabe-Unterstützung, die die Produktlinie bereits hatte. Live 3 ist Audio rein, Audio raus.

• Enterprise-Route — Googles Ansatz ist eine Private Preview in Gemini Enterprise, wobei die Customer-Experience-Edition als „demnächst verfügbar“ gelistet ist. Fish Audios Angebot ist die Agent Platform, derzeit in der öffentlichen Beta, plus On-Premises-Deployment für Enterprise-Kunden — ein wirklich anderes Angebot und die einzige Stelle in dieser Liste, an der der kleinere Anbieter die stärkere Antwort für einen Einkäufer hat, der Audio nicht in eine öffentliche Cloud senden kann.

Was der Index sehen kann und was nicht

Artificial Analysis erstellt seinen Speech-to-Speech-Index als gleichgewichtete Zusammensetzung aus Sprachreasoning, agentischer Leistung, Arena-Präferenz und Aufgabenerfolg und bewertet damit ein ganzes System statt eines einzelnen Modells. Die Zeile von Gemini 3.8 Live ist vollständig: Index 76,0, Big Bench Audio 92 %, Zeit bis zum ersten Audio 1,18 Sekunden, Aufgabenerfolg 93,2 %, Konversationsdynamik 96,1 %, Arena-Elo 1.083 und 30,1 % beim τ-Voice-Benchmark für Kundenservice-Aufgaben. Live 3 hat Stand 11.11.2026 überhaupt keine Zeile; die Übersicht führt Fish Audio als Modellfamilie auf und bewertet keine seiner Duplex-Arbeiten.

Schauen Sie sich zwei dieser Komponenten genau an, denn sie sagen etwas aus, was die Schlagzeile nicht tut. Gemini 3.8 Live erzielt mit 96,1 % bei der Konversationsdynamik den höchsten Wert in seiner Zeile und ist der engste veröffentlichte Näherungswert für das, wofür Live 3 steht – ein turn-basiertes Modell, das bei einem Turn-Taking-Maß nahe der Spitze liegt. Seine 30,1 % bei τ-Voice sind der niedrigste Wert in der Zeile und der Grund, warum das Modell auf Platz fünf statt auf Platz eins liegt: Es unterhält sich gut und erledigt Aufgaben selten. Googles eigene Lösung dafür war eine zweite Variante, Gemini 3.8 Live Extended Thinking, die im selben Test 68,6 % erreicht und mit 82,6 den ersten Platz im Index belegt – für etwa das Vierfache der stündlichen Audio-Kosten.

Die Lehre aus diesem Vergleich ist für beide Anbieter unangenehm. Konversationsdynamik und natürliches Turn-Taking sind nicht dieselbe Messgröße, weshalb genau deshalb eine 96,1 % bei dem einen und eine nicht bewertete Behauptung bei dem anderen nicht gegenübergestellt werden können. Das Argument von Live 3 ist, dass sein Verhalten in einer bestimmten Situation besser als das eines turnbasierten Modells ist – ein Anrufer, der mitten in einer Nummer innehält oder zustimmend murmelt, während der Agent eine Bestellung zurückliest. Solange niemand es mit einem Turn-Taking-Harness testet, ist die ehrliche Position, dass Live 3 eine Behauptung über ein Szenario aufstellt, das die veröffentlichten Boards nicht isolieren.

Provenienz und die Frage, die ein Reviewer stellen wird

Sprache ist die eine Modalität, bei der ein Compliance-Team nach der Ausgabe fragt, bevor es nach dem Preis fragt. Gemini 3.8 Live hat eine Antwort parat: SynthID-Wasserzeichen in generiertem Audio, eine benannte Modellkarte und einen Anbieter mit einer veröffentlichten Haltung zur verantwortungsvollen Nutzung, die hinter beidem steht. Live 3 hat eine Ankündigung, die ungewöhnlich präzise beim Konversationsverhalten ist und sich vollständig darüber ausschweigt, wie ein Zuhörer oder ein Detektor dessen Ausgabe von einer Aufnahme unterscheiden könnte.

Das ist kein Grund, Live 3 zu meiden, und es ist ein Grund, Fish Audio eine direkte Frage zu stellen, bevor Sie es in einer Leitung einsetzen, die Anrufe aufzeichnet. Ob das Audio mit einem Wasserzeichen versehen wird, ob Sitzungen ein Transkript oder einen Prüfdatensatz erzeugen und welche Aufbewahrungsrichtlinie für beides gilt, sind die drei Punkte, die ein Prüfer schriftlich haben möchte. Fish Audio hat die Sitzungstoken-Authentifizierung der Plattform und ihre /v1/agent/*-REST-Oberfläche dokumentiert, die technischen Voraussetzungen sind also vorhanden, um alle drei zu beantworten — das Unternehmen hat die Antworten einfach nicht veröffentlicht, und einen Tag nach dem Launch ist das der normale Zustand und kein Warnsignal.

Der Preis, der existiert, und der, der nicht existiert.

Gemini 3.8 Live wird über die Live-API zu 0,005 US-Dollar pro Minute Audioeingabe und 0,018 US-Dollar pro Minute Audioausgabe angeboten. Ein fünfminütiger Anruf mit kontinuierlicher Ausgabe kostet daher etwas mehr als elf Cent an Sprachverarbeitung, bevor Kosten für das Backend-Modell hinzukommen. Artificial Analysis rechnet die Google-Tarife anhand eines festen Teilsatzes von vierzig Fragen in einen Stundenwert um, und diese abgeleitete Spalte hat sich zwischen den Erhebungen verändert – 0,84 US-Dollar pro Stunde für das Standardmodell im Board vom 16. September, 1,50 US-Dollar in einer späteren. Beides sind Umrechnungen, keine Zitate; die Minutenpreise sind der Wert, mit dem man kalkulieren sollte.

Live 3 hat keinen Preis. Die Preisliste von Fish Audio führt drama-3 mit 50 US-Dollar pro Million UTF-8-Bytes, s2.1-pro und s2-pro mit 15 US-Dollar, s2.1-pro-free mit null und s1 mit 15 US-Dollar sowie einem Außerbetriebnahmedatum von 2026-12-31 auf, außerdem drei Speech-to-Text-Modelle und voice-design-1 mit einem Cent pro Anfrage. Live 3 ist darin nicht aufgeführt. Ein Duplex-Agent-Anruf hat ebenfalls keine natürliche Byteanzahl – die eingehenden Audiodaten sind das, was der Anrufer sagt –, sodass nicht einmal die Form des Zählers veröffentlicht ist. Jedes heute geschriebene Kostenmodell für Live 3 ist eine Vermutung, und die Vermutung sollte in jedem Dokument, in dem sie landet, als solche gekennzeichnet werden.

Was hinter der Stimme steckt

Keines der beiden Modelle ist das gesamte System, und die Nahtstelle ist auf beiden Seiten dieselbe. Gemini 3.8 Live übernimmt Tool- und API-Ausführung im Hintergrund, bestätigt eine Anfrage und spricht weiter, während der Aufruf abgeschlossen wird – und diese Arbeit mündet in gewöhnliche Modellaufrufe mit gewöhnlichen Token-Kosten. Die Agent Platform von Live 3 bietet einen Custom-LLM-Hook, der das Reasoning eines Agenten auf jeden OpenAI-kompatiblen Endpunkt richtet. In beiden Fällen ist das Sprachmodell ein Frontend, und ein Textmodell übernimmt das Denken.

Diese Schicht ist der Ort, an dem ein Router seine Daseinsberechtigung verdient, und sie ist die einzige Schicht in beiden Stacks, in der ein Wechsel günstig ist. OrcaRouter bietet 216 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preissenkung beim Upstream noch am selben Tag ankommt und nicht erst zur nächsten Vertragsverlängerung, automatisches Failover hält einen Aufruf am Leben, wenn ein Backend einen Fehler zurückgibt oder ein Timeout auftritt, eine Routing-DSL entscheidet, welches Modell welche Art von Turn übernimmt, und Modell-Fusion ermöglicht es einem günstigen Modell, einen Tool-Call zu entwerfen, während ein stärkeres ihn prüft, bevor er ausgelöst wird. Um die Grenze genau zu benennen: OrcaRouter hostet weder Fish Audio Live 3 noch den Voice-Endpunkt von Gemini 3.8 Live. Keines der beiden hat einen Voice-Endpunkt von Drittanbietern, und die Sprachschicht in beiden Stacks bleibt beim jeweiligen Anbieter. Die Reasoning-Schicht ist der Teil, der portabel ist, und für einen Stack, der auf einem Modell mit Preview-Preis von einem Anbieter und einer Beta-Plattform von einem anderen aufbaut, ist Portabilität die Eigenschaft, die das nächste Release übersteht.

Wofür jedes einzelne eigentlich gedacht ist

Wählen Sie Gemini 3.8 Live, wenn Ihr Produkt global ist, wenn die Audiodaten Ihre Infrastruktur verlassen und jemand Sie bitten wird zu belegen, woher sie stammen, oder wenn Sie möchten, dass der Agent einen Bildschirm oder eine Kamera sieht. Es bietet die Scorecard, das Wasserzeichen, die Sprachen, den veröffentlichten Tarif und die Modell-ID. Seine Schwäche ist die Aufgabenabschlussrate von 30,1 % bei τ-Voice, und die Lösung, die Google dafür verkauft, ist die Variante Extended Thinking zum Vierfachen der Stundenkosten.

Pilot Fish Audio Live 3, wenn Ihre Anrufe auf Englisch stattfinden, Ihre Infrastrukturvorgaben eine öffentliche Cloud ausschließen und Ihr Beschwerdeprotokoll voll von Anrufern ist, denen ins Wort gefallen wird oder die Ziffernfolgen wiederholen. Der On-Premises-Betrieb ist hier ein echter Vorteil – und einen, den Google nicht bietet. Gehen Sie davon aus, dass Sie die Evaluierung selbst aufbauen müssen: Es gibt keinen Vergleichswert, keinen veröffentlichten Preis zur Kalkulation und kein Wasserzeichen, auf das man verweisen könnte.

Behandle 76.0 nicht als Urteil über Turn-Taking. Es ist ein zusammengesetzter Wert, der agentische Aufgabenbewältigung stark gewichtet, und genau dort ist Gemini 3.8 Live schwach. Die Zahl, die diesen Vergleich entscheiden würde, ist ein Turn-Taking-Score für Live 3 auf demselben Harness, auf dem alle anderen gemessen werden — und bis es den gibt, werden die beiden Modelle anhand von Dokumentation statt anhand von Verhalten verglichen.