Presentamos Gemini 3.8 Live y 3.8 Live Extended Thinking: Google divide en dos su línea de voz

de GoogleGemini 3.8 Live y Gemini 3.8 Live Extended Thinking llegaron el 15 de septiembre de 2026 — un anuncio, dos modelos y una auténtica bifurcación en la línea de productos. La cifra destacada es una diferencia de 6,6 puntos en el Speech to Speech Index de Artificial Analysis, 82,6 a 76,0. La cifra que hay debajo es 38. En la medida de finalización de tareas agénticas τ-Voice de la misma tabla, la variante de razonamiento resuelve el 68,6% de los escenarios replicados de atención al cliente y el modelo estándar resuelve el 30,1%. Los 6,6 puntos son lo que dice el índice. Los 38 puntos son lo que ocurre cuando le pides a cualquiera de los dos modelos que realmente haga algo.

Un día después del lanzamiento, la bifurcación ya tiene un precio asociado. Ambos modelos cuentan con tarifas publicadas por minuto de audio a través de la Live API, y la tabla de clasificación de Artificial Analysis sitúa el costo por hora del audio de entrada en $0,84 para el modelo estándar frente a $3,50 para la variante de razonamiento —un poco más de cuatro veces esa cifra por hora por esos 6,6 puntos del índice. Esa disyuntiva es toda la decisión, y leerla solo del índice lleva a error.

Lo que hace que este lanzamiento sea diferente de la habitual renovación de un modelo de voz es que la división no es un nivel de tamaño. Es un desacuerdo sobre cuál es la función de un agente de voz. Uno de estos modelos es una interfaz conversacional. El otro es un sistema de razonamiento que resulta que habla.

Dos modelos, dos trabajos

El propio planteamiento de Google es inusualmente claro al respecto. Gemini 3.8 Live se describe como «diseñado para la escala y la eficiencia de costes, combinando inteligencia conversacional con un diálogo fluido y un anclaje visual». Gemini 3.8 Live Extended Thinking está «diseñado para tareas de alta complejidad, con mayor inteligencia y razonamiento de varios pasos».

La diferencia práctica se manifiesta en la lista de capacidades más que en la hoja de especificaciones:

• Gemini 3.8 Live — procesamiento de entrada visual casi en tiempo real, cambio automático a mitad de conversación entre 97 idiomas admitidos y ejecución de herramientas/API en segundo plano, de modo que el modelo acusa recibo de una solicitud y sigue hablando mientras finaliza la llamada.

• Gemini 3.8 Live Extended Thinking — razona y habla al mismo tiempo, narrando el progreso con indicaciones como «Déjame comprobar eso…» mientras se ejecuta una tarea de varios pasos.

• Compartido — todo el audio generado lleva la marca de agua SynthID de Google, ambos están cubiertos por una tarjeta de modelo publicada bajo el nombre gemini-3-8-audio, y ambos ahora tienen IDs de modelo de API documentados: gemini-3.8-live y gemini-3.8-live-extended-thinking.

El modelo Extended Thinking no es simplemente 3.8 Live con un presupuesto de pensamiento más largo. Es el que puede mantener una conversación y un plan de tarea simultáneamente sin que la conversación se estanque — que es precisamente lo que hace que los agentes de voz fallen en producción. Un usuario no quiere silencio mientras el agente busca algo. Quiere que el agente siga hablando.

La placa dice 6.6. Los componentes dicen 38

El Speech to Speech Index es un promedio ponderado de cuatro resultados subyacentes: Razonamiento de voz, medido por el propio conjunto Big Bench Audio de Artificial Analysis; Rendimiento agéntico, medido ejecutando el benchmark τ-Voice de atención al cliente; Preferencia de Arena, tomada de Speech Agent Arena; y Tasa de éxito de tareas. Solo los modelos que tienen los cuatro componentes reciben una puntuación del índice, por eso algunas filas de esa tabla aparecen en blanco.

Vistos por separado, los dos nuevos modelos no parecen en absoluto un par con una diferencia de 6,6 puntos:

• Índice de voz a voz — Gemini 3.8 Live Extended Thinking (High) 82.6 frente a Gemini 3.8 Live 76.0

• Rendimiento agéntico (finalización de tareas de τ-Voice) — 68,6 % frente a 30,1 %

• Razonamiento del habla (Big Bench Audio) — 98% vs 92%

• Dinámica conversacional — 91,9% vs 96,1%

• Preferencia de arena (Elo) — 990 vs 1083

• Tasa de éxito de tareas — 89,1 % frente a 93,2 %

• Tiempo hasta el primer audio — 1,35 s frente a 1,18 s

• Costo por hora de audio de entrada — $3.50 vs $0.84

Léelo con honestidad y el modelo estándar gana cuatro de ocho líneas. Es más rápido hasta el primer audio, mejor valorado por la arena, tiene más probabilidades de completar una tarea y obtiene mejor valoración en dinámica conversacional. Además, cuesta un tercio del precio. Lo que no puede hacer es terminar el trabajo cuando el trabajo tiene pasos: 30,1 % frente a 68,6 % es la mayor brecha individual en toda esta versión, y se encuentra en el único eje que separa a un agente de voz de una interfaz de voz.

Dos salvedades antes de que esa tabla se dé por definitiva. La cifra de preferencia de la arena utilizada en el índice se congela en el punto en que un modelo pasa a ser elegible para su publicación, así que no sigue el Elo en vivo del gráfico de Speech Agent Arena; léela como una instantánea, no como una puntuación continua. Y los márgenes de τ-Voice en la parte superior de la tabla son tan estrechos que podrían ser ruido: el 68,6 % de la variante de razonamiento lidera a GPT-Live-1, con 67,9 % (backend Astra, esfuerzo medio), por 0,7 puntos, con GPT-Live-1 (Sol, bajo) en 59,3 % y Grok Voice Think Fast 2.0 High en 56,5 % por detrás. La diferencia de 38 puntos entre los dos modelos Gemini no es estrecha. La ventaja de 0,7 puntos sobre GPT-Live-1 sí lo es.

Dónde se sitúa en el índice

En la captura a continuación, tomada el 16 de septiembre de 2026, la parte superior del tablero dice lo siguiente:

• Gemini 3.8 Live Extended Thinking (High) — 82.6 (primer lugar)

• GPT-Live-1 (backend Astra, esfuerzo medio) — 81,5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (backend de Sol, esfuerzo bajo) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

Ese es el caso de la división en una pantalla. La variante Extended Thinking se lleva el primer puesto, al operar con la etiqueta de esfuerzo de razonamiento (High) del tablero — la misma convención que utiliza para Grok Voice Think Fast 2.0 High y GPT-Realtime-2.1 High, y la razón por la que el sufijo "(High)" que quizá veas adjunto a este modelo en la cobertura es una etiqueta de configuración y no un lanzamiento aparte. La variante estándar queda en quinto lugar — por debajo de dos configuraciones de GPT-Live-1 y por debajo de Grok. El propio blog de Google describe el modelo estándar como "altamente rentable" y señala que "se hizo con el segundo puesto en la Speech Agent Arena", que es un tablero distinto que mide algo distinto. Ambas afirmaciones son ciertas. Leídas juntas, dicen: 3.8 Live es un modelo conversacional muy bueno a un precio muy bueno, y no es la frontera de la inteligencia de voz.

La filtración que llegó primero

Los modelos se detectaron en una página de cuotas de Google Cloud el día anterior al anuncio, y en su momento cubrimos ese avistamiento como un slug no confirmado, sin tarjeta de modelo, sin precios y sin confirmación de Google. Esa publicación acertó en cuanto al estado y se equivocó en cuanto a la cronología: la confirmación llegó en un plazo de aproximadamente 24 horas.

La lección merece quedar registrada, porque va en contra del instinto habitual. Un slug filtrado un día antes del lanzamiento es un lanzamiento. Un slug filtrado sin documentación que lo corrobore durante ocho semanas es algo completamente distinto. La señal que los separaba no era el slug; era la presencia de una página de cuota, que solo existe cuando se ha aprovisionado la capacidad.

Lo que cuesta, por minuto

En el momento del anuncio, los materiales de Google no separaban los dos modelos en cuanto al precio: al modelo estándar se le asignó una tarifa y a la variante de razonamiento no, que es lo que registra el cuadro de resultados anterior. Esa brecha se ha cerrado desde entonces. Ambos modelos ahora tienen precios publicados a través de la Live API: $0.005 por minuto de entrada de audio y $0.018 por minuto de salida de audio, lo cual Google confirmó el 16 de septiembre cuando ambos se lanzaron. La misma tarifa publicada cubre el precio por tokens del nivel Gemini 3 Live — $0.75 por 1M de tokens de texto de entrada y $4.50 de salida, $3.00 por 1M de tokens de audio de entrada y $12.00 de salida, y $1.00 por 1M para entrada de imagen o video —, aunque esas filas de tokens se publican para el nivel y no por modelo, así que léelas como la tarifa del nivel y no como una cotización para una variante específica.

Artificial Analysis también ha aportado la cifra que más importa a la hora de planificar. Su tabla de clasificación ahora incluye una columna de coste por hora de audio de entrada —el coste de completar un subconjunto fijo de 40 preguntas de Big Bench Audio, normalizado a una tarifa por hora— y ambos modelos nuevos tienen una cifra ahí:

• Gemini 3.8 Live — $0,84 por hora de audio de entrada, la tarifa de pago más baja de ese tablero

• Gemini 3.8 Live Extended Thinking (High) — 3,50 $/hora, aún por debajo de ambos modelos a los que supera en calidad

• Grok Voice Think Fast 2.0 High — $4.80 por hora

• GPT-Live-1 (backend Astra, esfuerzo medio) — $5.83/hora

• GPT-Realtime-2 (High) — $4.14/hora

• GPT-Realtime-2.1 High — $10.75/hora

Una nota sobre las capturas anteriores, dado que el panel de costes de la captura de pantalla de la clasificación es anterior a estas dos filas: ni $0.84 ni $3.50 aparecen en él, y su barra más barata es $1.42. Las cifras de la lista se leen de la tabla resumen del tablero tal como está el 16 de septiembre de 2026, no de esa imagen. Los valores de índice que se muestran en la imagen no se ven afectados y coinciden con la tabla.

Lee los dos números nuevos frente a los componentes anteriores y el lanzamiento deja de ser un anuncio de dos modelos y se convierte en una sola decisión con un tipo de cambio publicado. La variante de razonamiento compra 6,6 puntos de índice, seis puntos de razonamiento del habla y 38,5 puntos de finalización de tareas agénticas por poco más de cuatro veces el coste horario del audio. Que valga la pena pagarlo depende enteramente de lo que esté haciendo tu agente —y la forma de la respuesta cambió una vez que se publicaron los componentes. Un agente de voz cuyo trabajo es completar una tarea de varios pasos está comprando la mayor mejora individual de este lanzamiento, a $3.50 la hora, mientras es aproximadamente un 40% más barato que GPT-Live-1 Astra y alrededor de una cuarta parte más barato que Grok Voice Think Fast 2.0 High, y puntúa por encima de ambos. Un agente de voz cuyo trabajo es conversar —responder, mantener el hilo, tomar un mensaje, ser agradable— compra muy poco con una mayor profundidad de razonamiento, y a $0.84 la hora está comprando el modelo de voz competente más barato que alguien publica actualmente.

Esa es la forma de la lista. Google ha puesto precio a su modelo de razonamiento por debajo de los dos modelos a los que supera, y ha puesto precio a su modelo estándar por debajo de todo lo que hay en la tabla. Si gestionas minutos de voz a escala, este es el número que mueve tu factura, no la puntuación del índice, y el hecho de que las dos variantes estén separadas por un factor de 4 significa que elegir a cuál llamar es la mayor palanca de costes del stack.

"Private preview" está haciendo un trabajo de verdad en esa frase.

Ninguno de los dos modelos está disponible de forma general en el sentido contractual, pero la superficie para desarrolladores está abierta y ahora tiene precio, lo que cambia aquello con lo que puedes contar:

• Gemini 3.8 Live — los desarrolladores lo obtienen en la API de Gemini, la API Live y Google AI Studio con el ID documentado gemini-3.8-live; las empresas obtienen una vista previa privada en Gemini Enterprise, con Gemini Enterprise for Customer Experience "próximamente"; todos lo obtienen en Search Live.

• Gemini 3.8 Live Extended Thinking — la misma superficie para desarrolladores bajo gemini-3.8-live-extended-thinking, además de una vía más amplia para consumidores: Gemini Live, Docs Live para suscriptores de Google AI Pro y Ultra, y Gmail Live y Keep Live para todos los suscriptores de Google AI.

Lo que aún falta es la parte que necesita una empresa: un compromiso de disponibilidad general, una cifra de tiempo de actividad publicada y una tarifa que Google haya prometido mantener. Si necesita esas cosas, espere. Si está creando un prototipo, el camino está abierto hoy y cuenta con una lista de precios real que lo respalda, lo cual es una posición sustancialmente mejor que una vista previa sin precio publicado. Construir la integración ahora es razonable; poner una línea telefónica crítica para los ingresos a depender de un objetivo de disponibilidad que Google no ha comprometido no lo es, y la solución para eso se describe a continuación.

Donde terminan las afirmaciones del proveedor

Google publicó sus propias cifras por componente junto con el lanzamiento: 68,6 % en τ-Voice, 35,1 % en la tabla de clasificación τ³-Banking de Sierra y 97,7 % en Big Bench Audio, todas atribuidas al modelo Extended Thinking. Ahora esas cifras se dividen en dos grupos, y la división importa.

Dos de las tres coinciden con las mediciones que Artificial Analysis realiza por sí misma bajo su propio entorno de pruebas. Su componente agéntico τ-Voice registra un 68,6 % para este modelo, frente al 67,9 % de GPT-Live-1 Astra y el 56,5 % de Grok Voice Think Fast 2.0; su componente de razonamiento del habla Big Bench Audio registra un 98 %, frente al 97,7 % de Google. Artificial Analysis describe τ-Voice y Big Bench Audio como benchmarks propios, ejecutados en tres ensayos cuando están disponibles. Así que las cifras de τ-Voice y de razonamiento ahora están en un tablero público que puedes consultar, no solo en el anuncio de Google; trátalas como corroboradas y no como definitivas, ya que es muy posible que las cifras exactas que citó Google sean esa misma ejecución y no una segunda.

La cifra de Sierra carece de ese respaldo y sigue siendo una afirmación del proveedor: 35,1 % en la tabla de clasificación τ³-Banking de Sierra frente al 32,0 % de GPT-Live-1 Astra y el 16,5 % de xAI-Realtime. También es la cifra que merece una pausa, porque 35,1 % significa que el modelo de voz líder en esta tabla falla en aproximadamente dos de cada tres intentos realistas de completar tareas bancarias. Google también cita una prueba de ServiceNow EVA-Bench realizada en la Live API en Gemini Enterprise Agent Platform, y describe a ambos modelos como modelos que empujan la frontera de Pareto para flujos de trabajo complejos —ninguna de estas afirmaciones cuenta con una lectura independiente adjunta.

Hay un precedente que vale la pena mantener aquí. En julio, xAI reportó una cifra de 82,9 en el Speech to Speech Index para Grok Voice Think Fast 2.0. En el tablero capturado arriba, ese modelo se sitúa en 81,3. Las puntuaciones de índice reportadas por el proveedor no siempre sobreviven al contacto con una tabla de clasificación en vivo —normalmente porque el índice se revisa, a veces porque la configuración probada no fue la que se lanzó. Verifica los números de τ-Voice y Big Bench con tu propio tráfico, y considera la columna agentic como la que hay que probar con más rigor.

La capa en la que realmente se ejecutan estos agentes

Ambos modelos se sitúan frente a un backend. La ejecución de herramientas en segundo plano, la planificación de tareas de varios pasos y el patrón de delegación que utiliza todo agente de voz serio se resuelven en llamadas ordinarias a modelos de texto — y esa es la capa con la mayor variación de costos y el menor grado de lock-in.

OrcaRouter incluye 190 modelos desde una sola clave al precio de lista del proveedor y sin sobreprecio, lo que significa que una rebaja de precio de un laboratorio upstream se aplica de nuestro lado el mismo día, y no en la próxima renovación del contrato. Para un stack de voz donde el front-end es un modelo de vista previa, las dos propiedades útiles son que el destino de delegación se puede cambiar sin tocar la integración de voz, y que la conmutación por error automática mantiene activa una llamada cuando un backend falla o se agota el tiempo de espera. Para ser precisos sobre lo que alojamos y lo que no alojamos: los endpoints de Gemini 3.8 Live no están en nuestro router —esos vienen de la propia API de Google—, pero los modelos de texto a los que estos agentes delegan trabajo muy a menudo sí lo están, Gemini 3.8 Flash entre ellos.

Qué ver a continuación

Tres cosas resolverán las preguntas abiertas de este lanzamiento. La primera es la disponibilidad general y una tarifa que Google se ha comprometido a mantener: los precios ya están publicados, pero los precios de vista previa suelen cambiar, y una tarjeta de tarifas no es un contrato. La segunda es si las columnas de arena y de éxito en tareas se sostienen, porque los 1083 Elo y el 93,2% de éxito en tareas del modelo estándar son el argumento más fuerte en contra de pagar 4× por la variante de razonamiento, y la cifra de arena del índice está congelada al momento de la elegibilidad en lugar de estar en vivo. La tercera son las ejecuciones independientes sobre la propia brecha agéntica: 68,6% frente a 30,1% es la afirmación más grande del lanzamiento y la que más vale la pena reproducir, porque todo lo demás en lo que respecta a los dos modelos es muy parecido.

Hasta entonces, el resumen honesto se apoya en dos números en lugar de uno. Gemini 3.8 Live Extended Thinking es el modelo de voz con mejor puntuación en la tabla pública, lidera de forma absoluta el componente agéntico y es más barato por hora que los dos modelos que le siguen directamente. Gemini 3.8 Live es el modelo de voz competente más barato de esa tabla, la arena lo prefiere y es más fiable en tareas superficiales, y queda 6,6 puntos por detrás en la clasificación general, con un techo insalvable en lo único para lo que se contrata a los agentes. Google ha lanzado la misma bifurcación dos veces, con una diferencia de precio de cuatro veces, y ha hecho que ponerle precio a la elección sea inusualmente fácil —siempre que se lean los componentes y no solo el índice.