Gemini 3.8 Live vs. GPT-Live-1: Vollduplex vs. das Modell, das denkt, während es spricht

Etwa zwei Monate lang wurde die Debatte durch die Architektur entschieden. GPT-Live-1 ist wirklich vollduplex – es hört zu, während es spricht, gibt Rückmeldesignale wie „mhmm“ und „verstanden“ von sich und entscheidet mehrmals pro Sekunde, ob es sprechen oder das Wort abgeben soll. Gemini 3.8 Live, am 15. September 2026 angekündigt, ist ein turn-basiertes Modell. Nach der alten Lesart machte das den Vergleich einfach, und heute ist es die falsche Art, ihn zu lesen.

Was sich geändert hat, ist nicht, dass Google bei Full-Duplex gleichgezogen hat. Es ist, dass Google das ausgeliefert hat, wofür Full-Duplex als Ausgleich diente: ein Sprachmodell, das ein Gespräch führen kann, während im Hintergrund eine mehrstufige Aufgabe läuft, und eine zweite Variante, die laut nachdenkt, während sie arbeitet. Der architektonische Unterschied ist real. Er ist nur nicht mehr die Achse, die über den Kauf entscheidet.

Zwei Wege, ein Gespräch am Leben zu halten

Die Vollduplex-Wette lautet, dass die Gesprächsqualität das Produkt ist. GPT-Live-1 verarbeitet Eingabe- und Ausgabeaudio kontinuierlich und synchron in einem einzigen Modell, anstatt Spracherkennung in ein Sprachmodell und dann in Sprachsynthese zu ketten. Das beseitigt den Informationsverlust zwischen den Stufen und erzeugt das Verhalten, das Menschen tatsächlich bemerken: Du kannst mitten in einer Antwort unterbrechen, und es passt sich an; es hält eine Pause oder ein Hintergrundgeräusch nicht für das Ende deines Redebeitrags; es bleibt still, bis es aufgerufen wird.

Die rundenbasierte Wette, die Gemini 3.8 Live eingeht, lautet, dass die Konversation ein Gerüst für die Arbeit ist. Seine Funktionen zielen darauf ab, die Sitzung produktiv zu halten, statt den Rhythmus natürlich zu halten: die Verarbeitung visueller Eingaben nahezu in Echtzeit, der automatische Wechsel zwischen 97 unterstützten Sprachen mitten im Gespräch und die Hintergrundausführung von Tools und APIs, die eine Anfrage bestätigt und weiterredet, während der Aufruf abgeschlossen wird.

Beide Modelle weigern sich, während sie nachdenken, aufzulegen. Sie weigern sich nur auf unterschiedliche Weise. GPT-Live-1 macht es, indem es den Audiostream nie stoppt. Google macht es, indem es während der Arbeit einfach weiterredet.

Was der Index tatsächlich sagt

Artificial Analysis führt einen Speech to Speech Index – eine gewichtete Gesamtkennzahl aus sprachlichem Schlussfolgern, agentischer Leistung, Arena-Präferenz und Aufgaben-Erfolgsrate. Lesen Sie die am 16. September 2026 erfasste Tabelle sorgfältig, denn die Schlagzeile verbirgt die Struktur:

• Gemini 3.8 Live Extended Thinking — 82,6 (Erster)

• GPT-Live-1 (Astra-Backend, mittlerer Aufwand) — 81.5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (Sol-Backend, geringer Aufwand) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

Aus dieser Reihenfolge ergeben sich drei Dinge. Erstens: Google hat den Spitzenplatz, aber es hat ihn mit der teuren Variante, nicht mit der, die die meisten Menschen einsetzen werden. Zweitens: GPT-Live-1 erscheint zweimal, weil Artificial Analysis das gesamte System bewertet und nicht das Voice-Frontend – und die Lücke von 1,4 Punkten zwischen seinen beiden Konfigurationen ist siebenmal größer als die Lücke von 0,2 Punkten zwischen dem ersten und zweiten Platz. Drittens: Das Modell im Titel dieses Matchups, Gemini 3.8 Live, liegt auf dem fünften Platz, unter beiden GPT-Live-1-Konfigurationen.

Wenn Sie Gleiches mit Gleichem vergleichen – den Standard-Tarif mit dem Standard-Tarif –, gewinnt GPT-Live-1 diesen Vergleich beim zusammengesetzten Index, und das nicht knapp. Die 82,6 gehört zu Gemini 3.8 Live Extended Thinking, einem anderen Produkt zu einem anderen Preis mit einem anderen Rollout.

Wo GPT-Live-1 noch voraus ist

Vollduplex ist keine Marketing-Unterscheidung, und die Benchmark-Aufteilung zeigt, wo daraus ein echter Vorteil wird:

• Agentische Leistung — GPT-Live-1 führt bei τ-Voice deutlich mit 67,9 % gegenüber Groks 56,5 %. Google hat für Gemini 3.8 Live keine vergleichbare τ-Voice-Zahl veröffentlicht, nur 68,6 % für die Variante „Extended Thinking“.

• Gesprächsdynamik — Full-Duplex-Turn-Taking bleibt der Maßstab für Natürlichkeit, und Turn-basierte Modelle sind dabei historisch hinterhergehinkt.

• Delegationstiefe — GPT-Live-1 übergibt schwierige Anfragen an ein Frontier-Textmodell, wobei GPT-5.5 und GPT-6 Astra beide als Backends dokumentiert sind, und stellt Selektoren für den Reasoning-Aufwand bereit.

• Quellenangabe — Sprachtranskripte von ChatGPT enthalten Quellenlinks, was bei Sprachinteraktionen allgemein nach wie vor ungewöhnlich ist.

Das Gegengewicht ist, dass GPT-Live-1 beim reinen Sprachschlussfolgern hinterherhinkt: 90,1 % bei Big Bench Audio gegenüber Groks 97,2 %. Und seine Schlagzeilen-Latenz von 0,798 Sekunden bei Full Duplex Bench ist eine andere Messung als die Zeit bis zum ersten Audio der API, die bei 1,24–1,34 Sekunden liegt.

Wo Gemini 3.8 Live vorne liegt

Googles Vorteile liegen weniger im Gespräch als vielmehr darin, was die Session leisten kann:

• Vision, heute — Gemini unterstützt seit geraumer Zeit Kamera-Eingabe und Bildschirmfreigabe. GPT-Live-1 wurde ohne Video oder Bildschirmfreigabe eingeführt, wobei OpenAI angab, dass diese kommen, und als Übergangslösung auf den älteren Advanced Voice Mode verwies. Gemini 3.8 Live ergänzt obendrein eine nahezu echtzeitfähige Verarbeitung visueller Eingaben.

• Sprachabdeckung — 97 unterstützte Sprachen mit automatischem Wechsel mitten im Gespräch, gegenüber einem deutlich engeren Angebot auf der OpenAI-Seite.

• Kosten — Die angekündigte Rate beträgt 0,005 $ pro Minute Audioeingabe und 0,018 $ pro Minute Audioausgabe. GPT-Live-1 wird mit 0,05 $ pro Sprachminute allein für das Frontend abgerechnet, wobei die gemessenen Gesamtkosten bei etwa 4,47–5,83 $ pro Stunde liegen, sobald Backend-Tokens mitgezählt werden.

• Eine zweite Ebene, die laut nachdenkt — Gemini 3.8 Live Extended Thinking schildert den Fortschritt mit Hinweisen wie „Lass mich das kurz prüfen …", was eine andere Antwort auf das Problem der Stille ist als Full-Duplex.

Der Kostenvergleich, der zählt

Die Frontend-Tarife sehen nach einem Debakel aus – 0,018 $ gegenüber 0,05 $ pro Minute –, und die Stundenwerte sind noch krasser. Die Grafik von Artificial Analysis zu den Kosten pro Stunde Eingabe-Audio setzt Gemini 3.8 Live bei 1,50 $ pro Stundean, gegenüber 4,14 $ für GPT-Realtime-2 High und 10,75 $ für GPT-Realtime-2.1 High. Grok Voice Think Fast 2.0 liegt bei 4,80 $.

Der Haken ist, dass keine der beiden Zahlen die tatsächliche Rechnung ist. Die 0,05 $ pro Minute von GPT-Live-1 decken nur das Voice-Frontend ab; das Backend-Textmodell, das die eigentliche Reasoning-Arbeit leistet, wird separat abgerechnet – so wird aus einem Schlagzeilenpreis von 0,05 $ ein Gesamtpreis von 4,47–5,83 $ pro Stunde. Gemini 3.8 Live hat dieselbe strukturelle Form – die Ausführung von Tools im Hintergrund ist Textmodell-Arbeit – und Google hat nicht veröffentlicht, was das kostet.

Die ehrliche Lesart ist also, dass Gemini 3.8 Live an der Einstiegsschwelle deutlich günstiger ist, und der Vergleich der Gesamtkosten für beide unbekannt ist, bis man die eigene Workload messen kann. Das ist kein Ausweichen; es ist der tatsächliche Stand der Informationen.

Die Schicht, an die beide delegieren

Hier ist die strukturelle Tatsache, die diesen Vergleich weniger zu einer Lock-in-Entscheidung macht, als es den Anschein hat. Beide Modelle delegieren. GPT-Live-1 übergibt schwierige Anfragen konstruktionsbedingt an ein Backend-Textmodell, und die Hintergrundausführung von Tools auf der Gemini-Seite läuft auf gewöhnliche Modellaufrufe hinaus. In beiden Fällen ist das Sprach-Frontend eine dünne Schicht über einem Textmodell, das die eigentliche Denkarbeit leistet – und diese Textschicht ist der Ort, an dem die Kostenvarianz liegt und an dem ein Wechsel günstig ist.

OrcaRouter führt 190 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters, ohne Aufschlag, sodass eine Preissenkung stromaufwärts noch am selben Tag bei uns ankommt und nicht erst zur nächsten Vertragsverlängerung. Für einen Voice-Stack sind die beiden entscheidenden Eigenschaften, dass das Delegationsziel im laufenden Verkehr ausgetauscht werden kann, ohne die Voice-Integration anzufassen, und dass automatisches Failover einen Anruf am Leben hält, wenn ein Backend einen Fehler wirft oder in einen Timeout läuft. Eine Klarstellung, weil leicht etwas anderes impliziert wird: Wir hosten die Voice-Endpunkte Gemini 3.8 Live und GPT-Live-1 nicht — die kommen aus den APIs der Anbieter selbst. Die Textmodelle, an die sie Arbeit delegieren, sind in der Regel auf dem Router.

Wie man wählt

Nehmen Sie GPT-Live-1, wenn Konversationsqualität das Produkt ist – natürliche Unterbrechungsbehandlung, Backchannel-Signale und das Gefühl, mit etwas zu sprechen, statt es zu bedienen – und wenn Sie die Gesamtkosten verkraften können, die deutlich höher liegen, als der Nennpreis vermuten lässt. Beachten Sie, dass die API erst im September 2026 verfügbar wurde, sodass Tooling von Drittanbietern darum herum noch jung ist.

Nimm Gemini 3.8 Live, wenn du jetzt Vision brauchst, wenn du mehr als ein paar Dutzend Sprachen benötigst oder wenn die Kosten pro Minute dein Modell bestimmen. Akzeptiere, dass du die Standard-Stufe kaufst, die im zusammengesetzten Index auf Platz fünf statt auf Platz eins liegt, und dass die 82,6, die alle zitieren werden, zur Variante Extended Thinking gehört.

Nimm Gemini 3.8 Live Extended Thinking, wenn das Reasoning der Punkt ist und du den aktuellen Spitzenreiter im Index willst – aber prüfe zuerst den Rollout, denn sein Verbreitungsweg über Gemini Live, Docs, Gmail und Keep ist breiter als der des Standardmodells, und seine Enterprise-Verfügbarkeit ist noch private Preview.

Was man im nächsten Quartal im Auge behalten sollte, ist, ob Full-Duplex ein Burggraben bleibt. Turn-basierte Modelle schließen die Konversationslücke auf einem anderen Weg – sie halten das Audio mit Erzählung beschäftigt, während die Arbeit erledigt wird – und wenn das unter realer Last standhält, wird der architektonische Unterschied, der diese Kategorie seit einem Jahr definiert, nicht mehr das sein, wonach Käufer fragen.