Gemini 3.8 Live vs. ElevenLabs: Ein Modell gegen eine Pipeline

Öffnet man die Dokumentation von ElevenLabs für seine Agentenplattform, sitzt mittendrin ein Gemini-Modell. ElevenLabs Agents ist eine Kaskade – ein Spracherkennungs-Frontend, ein Sprachmodell und ein Text-to-Speech-Backend – und das Sprachmodell im veröffentlichten Stack ist ein Gemini-Modell. Das ist der richtige Ausgangspunkt für einen Vergleich von Gemini 3.8 Live und ElevenLabs, denn die beiden Dinge, die verglichen werden, sind nicht dieselbe Art von Objekt. Gemini 3.8 Live ist das Speech-to-Speech-Modell, das am 15. September 2026 über die Live API veröffentlicht wurde und pro Minute Audio abgerechnet wird. ElevenLabs Eleven v3 ist das Flaggschiff-Synthesemodell einer Voice-Plattform, die auch ElevenLabs Agents verkauft, und es wird pro Zeichen abgerechnet, nicht pro Konversation. Das eine ist eine Komponente, die man mieten kann. Das andere ist ein System, das Komponenten mietet – darunter, in mindestens einer veröffentlichten Konfiguration, die eines Gemini-Modells.

Diese Asymmetrie klärt die meisten Fragen, die Menschen tatsächlich zu diesem Vergleich mitbringen. Wenn Sie sich fragen, welchen man nehmen sollte, lautet die ehrliche Antwort, dass sie einander nicht ersetzen: Das eine ist ein Modell mit einer Preisliste und ohne Telefonie, das andere ein Produkt mit Telefonie, Parallelitätsgrenzen und drei Zählern, die gleichzeitig laufen. Welcher billiger, besser oder schneller ist, hängt ganz davon ab, welche dieser beiden Formen Ihre Anwendung bereits hat.

Ein Modell oder drei Modelle in Folge

Gemini 3.8 Live ist ein natives Speech-to-Speech-System. Audio geht hinein, Audio kommt heraus, und das Reasoning findet im selben Forward Pass statt, der die Sprache erzeugt – ein Modell, ein Latenzbudget, eine Rechnung. Google hat es am 15. September 2026 in zwei Varianten veröffentlicht: gemini-3.8-live für Konversationsarbeit im großen Maßstab und gemini-3.8-live-extended-thinking für dieselbe Schnittstelle mit mehrstufigem Reasoning dahinter. Beide unterstützen 97 Sprachen mit Wechsel mitten im Gespräch, beide verarbeiten visuelle Eingaben nahezu in Echtzeit, beide führen Tool- und API-Aufrufe im Hintergrund aus, während das Gespräch weiterläuft, und beide versehen jede Sekunde des generierten Audios mit SynthID-Wasserzeichen. Der veröffentlichte Preis beträgt 0,005 $ pro Minute Audioeingabe und 0,018 $ pro Minute Audioausgabe.

ElevenLabs Agents ist das nicht. Es ist eine Pipeline, und die Pipeline ist das Produkt. Ein Echtzeit-Spracherkennungsmodell transkribiert den Anrufer, ein Sprachmodell entscheidet, was gesagt werden soll, und ein Synthesemodell – Eleven Flash v2 in der von ElevenLabs dokumentierten Konfiguration – spricht die Antwort. Jede Stufe wird separat abgerechnet, jede Stufe kann ausgetauscht werden, und das Ganze sitzt hinter einer verwalteten Ebene, die Telefonie, Turn-Erkennung und Nebenläufigkeit übernimmt. ElevenLabs Eleven v3, das Vorzeige-Synthesemodell des Unternehmens, ist wiederum ein anderes Produkt: ein Text-to-Speech-Modell zum Preis von 100 US-Dollar pro Million Zeichen, das für Narration, Synchronisation und Voice Design verkauft wird und nicht dafür, ein Gespräch zu führen.

Das Wichtigste zuerst: „Gemini 3.8 Live vs. ElevenLabs Eleven v3“ ist kein direkter Vergleich zweier Sprachmodelle. Eleven v3 nimmt keine Audioeingabe entgegen und führt kein Gespräch. Der aussagekräftige Vergleich ist Gemini 3.8 Live gegen ElevenLabs Agents – wobei Eleven v3 nur als die Obergrenze für Synthesequalität eine Rolle spielt, um die herum die Plattform gebaut ist.

Wo jedes einzelne tatsächlich auf einem Brett sitzt

Es gibt keine Bestenliste, die diese beiden im direkten Vergleich zueinander einordnet, und der Grund dafür ist aufschlussreich: Sie tauchen immer wieder in verschiedenen Bestenlisten auf, die unterschiedliche Dinge messen.

Im Speech to Speech Index von Artificial Analysis – der Sprachschlussfolgerung, agentische Aufgabenerfüllung, Arena-Präferenz und Aufgabenerfolg in einer einzigen Zahl bündelt – erzielt Gemini 3.8 Live 76,0, während die Variante Extended Thinking mit 82,6 den ersten Platz belegt. Das sind Messungen, die Artificial Analysis unter ihrem eigenen Harness durchführt, keine von Google veröffentlichten Zahlen, obwohl Googles eigene Ankündigung Zahlen aus denselben Komponenten zitiert.

ElevenLabs taucht auf dieser Rangliste überhaupt nicht auf, weil es kein Speech-to-Speech-Modell zum Messen bereitstellt. Wo es aber auftaucht, ist die Speech Agent Arena, die zusammengesetzte Agenten statt Modelle bewertet, und das Bild dort ist wirklich durchmischt: ElevenLabs Agents wurde mit 937 Elo bei einer Aufgaben-Erfolgsrate von 90,5 % gemessen, gegenüber 1.046 Elo und 74,6 % Aufgaben-Erfolg für einen Agenten, der auf der vorherigen Gemini-Live-Generation aufbaut, wobei der Gemini-Agent den ersten Ton in 0,96 Sekunden erreicht. Lies dieses Paar aufmerksam. Der Gemini-gestützte Agent gewinnt bei Präferenz und Geschwindigkeit; der ElevenLabs-Agent gewinnt beim Erledigen der Aufgabe. Das ist eine Kaskade, die ein natives Modell bei der Zuverlässigkeit schlägt, was nicht das Ergebnis ist, das die Architekturdiagramme vorhersagen würden.

Zwei Einschränkungen zu diesen Zahlen, die beide wichtig sind. Die Gemini-Seite dieses Vergleichs verwendete die Gemini-Live-Generation aus dem frühen Jahr 2026, nicht 3.8 Live, ist also keine Aussage über das Modell, um das es in diesem Artikel geht. Und das dritte im Spiel befindliche Ranking – die Provider-Voices-Spracharena von Artificial Analysis, die Synthesemodelle bewertet – setzt ElevenLabs Eleven v3 mit 1.177 Elo und die konversationelle Variante, ElevenLabs v3 Conversational, mit 1.219 Elo, gegen 1.283 für den Spitzenreiter Cartesia Sonic 3.6. Dieses Ranking misst, wie gut die Stimme klingt, nicht wie gut der Agent abschneidet, und beides zu vermischen führt dazu, dass Leute einen Synthese-Score als Beleg für ein Konversationssystem zitieren.

Spec-Vergleich

• Architektur — Gemini 3.8 Live ist ein einziges natives Speech-to-Speech-Modell, während ElevenLabs Agents eine Kaskade aus Spracherkennung, einem Sprachmodell und Synthese ist

• Ein- und Ausgabe — Gemini 3.8 Live nimmt Audio entgegen und gibt Audio in einem einzigen Durchgang zurück, während ElevenLabs Audio über Scribe v2 Realtime entgegennimmt und es über Eleven Flash v2 zurückgibt, mit einem Texttranskript dazwischen

• Was du austauschen kannst — bei Gemini 3.8 Live nichts, das Modell ist das Modell, gegenüber ElevenLabs jede Stufe unabhängig, einschließlich des Sprachmodells, das im dokumentierten Stack ein Google-Modell ist

• Sprachen — Gemini 3.8 Live 97 mit Sprachwechsel mitten im Gespräch vs. ElevenLabs Eleven v3 74

• Audio-Preise — Gemini 3.8 Live 0,005 $ pro Minute Eingabe und 0,018 $ pro Minute Ausgabe im Vergleich zu ElevenLabs, bei dem die Abrechnung auf Agent-Minuten basiert und Sprachmodell-Tokens zusätzlich separat abgerechnet werden

• Telefonie — Gemini 3.8 Live: keine First-Party-Lösung, Sie bringen Ihren eigenen Carrier und Ihr eigenes Session-Management mit vs. ElevenLabs verwaltet, First-Party

• Parallelität — Gemini 3.8 Live, so viel, wie dein Live-API-Kontingent zulässt, vs. ElevenLabs, das in Parallelitätsstufen verkauft wird

• Agent-Tooling — Gemini 3.8 Live: Hintergrund-Tool und API-Ausführung im Modell selbst vs. ElevenLabs: eine verwaltete Agenten-Schicht mit Turn-Erkennung, Workflows und einer Voice-Bibliothek

• Offenes Artefakt – weder noch. Beide sind geschlossen, ausschließlich cloudbasiert und proprietär.

• Latenz — Gemini 3.8 Live: 1,18 Sekunden bis zum ersten Audio für das Standardmodell und 1,35 für Extended Thinking, laut Artificial Analysis; bei ElevenLabs wird keine einzelne Zahl veröffentlicht, da die Latenz einer Kaskade die Summe aus drei Stufen ist.

Die letzte Zeile ist diejenige, die die Architekturentscheidung besser erklärt als jede andere. Ein natives Modell hat ein einziges Latenzbudget. Eine Kaskade hat drei, und der Grund, warum Teams immer noch die Kaskade wählen, ist alles darüber: das Transkript, das man protokollieren kann, die Stufe, die man austauschen kann, und die Telefonnummer, die einfach funktioniert.

Was eine Minute kostet, in beide Richtungen

Die Rechnung bei Gemini 3.8 Live ist ungewöhnlich einfach, weil es nur einen Zähler gibt. Eine Minute Konversation besteht grob aus einer Minute Anrufer-Audio plus einer Minute Modell-Audio: 0,005 $ plus 0,018 $, also etwa 2,3 Cent pro Minute zum veröffentlichten Tarif. Die Spalte für die Kosten pro Stunde von Artificial Analysis, die die Kosten für das Absolvieren eines festen Audio-Reasoning-Sets auf einen Stundenwert normalisiert, setzt das Standardmodell bei 0,84 $ pro Stunde Eingabe-Audio an – der günstigste kostenpflichtige Tarif in dieser Übersicht – und die Variante Extended Thinking bei 3,50 $.

ElevenLabs’ Rechnung ist schwieriger, und genau das ist der Punkt, nicht als Kritik. Eine Agentenminute hat nicht einen Preis: Da ist die Plattformgebühr für die Agentenminute selbst, die auf der mittleren Strecke verbrauchten Sprachmodell-Tokens und darunter die Carrier-Minuten – drei Zähler, im schlimmsten Fall drei Anbieter, und eine Rechnung, die sich ändert, wenn sich einer davon ändert. Die Synthese-Seite ist übersichtlicher: ElevenLabs Eleven v3 zu 100 US-Dollar pro Million Zeichen kostet bei normalem Sprechtempo ungefähr 8 US-Dollar pro Stunde kontinuierlicher Erzählung, gegenüber etwa 2,70 US-Dollar für den billigsten Open-Weights-Konkurrenten in derselben Arena. ElevenLabs verlangt einen Aufpreis für die Stimme, und auf diesem Brett ist der Aufpreis real – insgesamt liegt es auf Platz vier.

Was die beiden Kostenstrukturen in der Praxis bedeuten, ist, dass Gemini 3.8 Live pro Gesprächsminute günstiger und pro Stunde Audio deutlich günstiger ist, während ElevenLabs teurer und im Betrieb weitaus besser vorhersehbar ist. Ein Team ohne ML-Ingenieure und mit einer Telefonnummer, die eingerichtet werden muss, wird im ersten Monat weniger für ElevenLabs ausgeben, weil die Alternative darin besteht, das zu bauen, was ElevenLabs bereits gebaut hat. Ein Team, das bereits sein eigenes Session-Management und seinen eigenen Carrier betreibt, wird weniger für das Rohmodell ausgeben, weil es nicht für eine Pipeline bezahlt, die es bereits hat.

Worin ElevenLabs wirklich besser ist

Es wäre leicht, das Preisgefälle als Urteil zu lesen. Es ist keines, und die Gründe dafür sind die, die eine Tarifkarte nie zeigt.

• Telefonie. ElevenLabs verkauft Telefonnummern, SIP-Trunking und die Parallelität, um Anrufe anzunehmen. Google verkauft ein Modell, das spricht. Wenn Ihr Produkt eine Telefonleitung ist, liegt zwischen diesen beiden Sätzen monatelange Entwicklungsarbeit.

• Stimmidentität. Die Voice Library, die Klon-Pipeline und das Dubbing-Studio sind eine ausgereifte Produktoberfläche. Gemini 3.8 Live gibt Ihnen ein Modell; es gibt Ihnen keinen Katalog lizenzierter Stimmen oder einen Workflow, um eine vorhandene Aufnahme in neun Sprachen zu lokalisieren.

• Standardmäßig ein Transkript. Weil eine Kaskade transkribiert, bevor sie schlussfolgert, erhält man Textprotokolle jedes Aufrufs gratis – nützlich für Compliance, für Evaluation und für die wenig glamouröse Arbeit herauszufinden, warum der Agent etwas falsch gemacht hat. Ein natives Speech-to-Speech-Modell hat kein solches Artefakt, es sei denn, man baut eines.

• Austauschbare Komponenten. Wenn ein besseres Sprachmodell auf den Markt kommt, kann eine ElevenLabs-Kaskade es übernehmen, ohne irgendetwas neu zu trainieren. Genau deshalb steckt im dokumentierten Stack ein Google-Modell in der Mitte – und es ist das stärkste einzelne Argument für die Kaskadenarchitektur.

Was Ihnen das rohe Modell bringt

Das Gegenargument dreht sich nicht um den Preis. Es dreht sich darum, was ein einzelner Vorwärtsdurchlauf leisten kann, was drei Stufen nicht können.

Gemini 3.8 Live hört Prosodie, Tonfall und Zögern direkt und nicht über ein Transkript, das diese bereits verworfen hat, weshalb es mitten im Satz die Sprache wechseln kann und weshalb sein Wert für die Gesprächsdynamik – 96,1 % für das Standardmodell, laut Artificial Analysis – die eine Komponente ist, in der es sein eigenes stark auf Reasoning ausgerichtetes Schwestermodell schlägt. Es führt außerdem Tool- und API-Aufrufe im Hintergrund aus, während es weiter spricht, sodass eine Abfrage keine Stille erzeugt. Und die Extended-Thinking-Variante ist eine wirklich andere Fähigkeit und nicht einfach eine größere Version derselben: Sie löst 68,6 % der τ-Voice-Kundenservice-Szenarien gegenüber 30,1 % beim Standardmodell – eine 38-Punkte-Lücke, die die größte Einzelzahl der Veröffentlichung ist und der Grund, warum Google die Produktlinie in zwei Teile aufteilte.

Wenn die Aufgabe Ihres Agenten darin besteht, eine mehrstufige Aufgabe abzuschließen statt ein angenehmes Gespräch zu führen, dann ist dieser 38-Punkte-Abstand die ganze Entscheidung, und er kostet 3,50 $ pro Stunde statt 0,84 $ – immer noch unter jedem Modell, das er auf dieser Rangliste schlägt.

Das mittlere Bein ist das, das man tatsächlich bewegen kann

Hier ist die Nahtstelle, die es wert ist, benannt zu werden, denn hier wird aus der Architekturfrage eine Beschaffungsfrage. In einer Kaskade ist das mittlere Glied – der Teil, der entscheidet, was gesagt wird, die Tools aufruft und das Reasoning übernimmt – gewöhnliche Textinferenz. Es ist außerdem das Glied mit der größten Kostenvariabilität, dem stärksten Lock-in und dem geringsten Grund, an einen einzelnen Anbieter gebunden zu sein. Der von ElevenLabs dokumentierte Stack verwendet dort zufällig ein Gemini-Modell. Das muss aber nicht so sein.

OrcaRouter deckt dieses Teilstück ab und nicht die beiden äußeren. Wir hosten nicht die Gemini 3.8 Live Voice-Endpunkte – die stammen aus Googles eigener Live API – und wir hosten nicht ElevenLabs, deren Synthese- und Agent-Ebenen ihr eigenes Produkt sind. Was wir bereitstellen, ist die darunterliegende Textebene: über 200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preissenkung eines vorgelagerten Labors noch am selben Tag auf Ihrer Rechnung ankommt und nicht erst bei der nächsten Verlängerung. Speziell für einen Voice-Stack zahlen sich drei dieser Eigenschaften aus. Automatisches Failover hält einen Anruf am Leben, wenn ein Backend mitten im Satz einen Fehler wirft oder in einen Timeout läuft – ein Ausfall, den ein Anrufer sofort bemerkt. Die Routing-DSL setzt mehrere Modelle zu einem Aufruf zusammen, sodass ein günstiges Modell die Bestätigungs-Turns übernehmen kann und ein stärkeres die Transaktion. Und Model Fusion ermöglicht es einem Panel, auf die Turns gemeinsam zu antworten, bei denen das Urteilsvermögen eines einzelnen Modells nicht gut genug ist, um ihm allein zu vertrauen. Zu ändern, welches Modell in der Mitte einer Kaskade sitzt, ist eine Konfigurationsänderung, kein Neubau – und genau deshalb existiert die Kaskadenarchitektur.

Welches soll man wählen?

Wähle ElevenLabs, wenn du eine Telefonleitung ausrollst und keinen Voice-Stack selbst bauen willst. Du kaufst Telefonie, einen Voice-Katalog, Transkripte, Parallelität und einen Support-Vertrag, und der Minutenaufpreis ist das, was diese kosten. Du kaufst außerdem die Möglichkeit, das Modell mittendrin zu wechseln, ohne sonst irgendetwas zu ändern, was mehr wert ist, als es klingt.

Wählen Sie Gemini 3.8 Live, wenn die Stimme eine Funktion von etwas ist, das Sie bereits betreiben. Sie erhalten den günstigsten kompetenten Speech-to-Speech-Tarif, den derzeit irgendjemand veröffentlicht, 97 Sprachen mit Wechsel mitten im Gespräch, Tool-Ausführung, die läuft, während das Modell weiterredet, und — wenn Ihr Agent Aufgaben erledigen muss, statt nur Gespräche zu führen — die 38-Punkte-Lücke bei agentischen Fähigkeiten, die die Extended Thinking-Variante für etwa das Vierfache der stündlichen Audio-Kosten erkauft. Den Carrier, den Sitzungslebenszyklus und die Logs stellen Sie bereit.

Worauf zu achten ist: ob ElevenLabs eine einzelne Latenzzahl für eine verwaltete Agent-Minute veröffentlicht, denn das ist die Zahl, die diesen Vergleich quantitativ statt strukturell machen würde; und ob das Ergebnis der Speech Agent Arena Bestand hat, wenn ein auf 3.8 Live basierender Agent daran gemessen wird, denn eine Kaskade, die derzeit ein natives Modell beim Aufgabenerfolg schlägt, ist das Interessanteste an diesem Duell und das am wenigsten Erklärte.