O Google anunciou em 15 de setembro de 2026 dois novos modelos de fala para fala: o Gemini 3.8 Live e o Gemini 3.8 Live Extended Thinking. O lançamento foi divulgado no blog oficial da empresa.
Coloca a companhia em comparação direta com a família GPT-Live, da OpenAI, que tem formato semelhante. No mesmo dia, o desenvolvedor Simon Willison publicou uma ferramenta para experimentar os modelos direto do navegador, o Gemini Live audio.
Dois modelos de voz para conversas em tempo real
A publicação do Google apresenta as duas variantes como modelos de fala para fala. Essa categoria trabalha com áudio na entrada e na saída, em vez de depender de uma cadeia separada de transcrição e síntese de voz.
O nome da segunda variante, Extended Thinking, indica uma versão voltada a interações que exigem mais elaboração de raciocínio. A referência de comparação imediata é a família GPT-Live, da OpenAI, que segue a mesma lógica de conversa por voz em tempo real.
Como a interface de teste foi construída
Willison contou que apontou o modelo GPT-6 Astra Extra High para a documentação do Gemini e pediu que ele construísse a interface de testes. O resultado foi publicado como um gist e também está no repositório de ferramentas do autor.
Na tela, o usuário escolhe o modelo, seleciona um preset de voz, escreve um system prompt opcional e então começa uma conversa falada pelo navegador.
O detalhe técnico mais chamativo é a ausência de bibliotecas externas. A implementação abre uma conexão WebSocket com o endpoint wss://generativelanguage.googleapis.com/ws/Google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent?key=... e usa o AudioContext da Web Audio API tanto para capturar o áudio do microfone quanto para reproduzir a resposta do modelo.
Para quem quiser refazer o caminho, Willison indica o tutorial do Gemini Live, que mostra como dar os primeiros passos nessa API baseada em WebSockets.
Interrupção no meio da fala
Entre os recursos destacados está a possibilidade de interromper o modelo enquanto ele ainda está falando. Esse comportamento é o que aproxima a experiência de uma conversa humana e depende de uma conexão bidirecional persistente.
É por isso que o projeto usa WebSocket em vez de requisições HTTP comuns.
A proposta da ferramenta é servir como bancada de testes. Em vez de depender de um aplicativo fechado, qualquer pessoa com uma chave de API pode abrir a página, configurar o modelo e conversar por voz.
Por que isso importa
Modelos de fala para fala vêm se tornando uma frente de disputa entre os grandes laboratórios. De um lado, o Google apresentou duas variantes do Gemini 3.8 Live. De outro, a OpenAI já mantém a família GPT-Live, citada como referência de formato pela própria cobertura do lançamento.
Para desenvolvedores, a relevância está na facilidade de acesso: um único arquivo HTML, sem dependências, consegue hoje conversar com um modelo de áudio em tempo real por meio de uma API pública documentada.
O episódio também ilustra um padrão cada vez mais comum no trabalho com modelos de linguagem: usar um modelo para ler a documentação de outro e gerar código funcional a partir dela. Willison relata exatamente esse fluxo, no qual o GPT-6 Astra Extra High recebeu a documentação do Gemini e devolveu a interface pronta.
O exercício rendeu uma ferramenta de uso imediato e uma demonstração prática de como a documentação técnica passou a ser, ela mesma, um insumo para geração automática de software.
Fontes e links
- Simon Willison — matéria original sobre o Gemini Live audio, publicada em 15 de setembro de 2026.
- Gemini Live audio, ferramenta de teste no navegador.
- Anúncio do Google, Gemini 3.8 Live e 3.8 Live Extended Thinking.
- Código da interface, implementação sem bibliotecas no GitHub.
