O Google DeepMind apresentou em 15 de setembro de 2026 dois novos modelos de diálogo por voz: o Gemini 3.8 Live e o Gemini 3.8 Live Extended Thinking. Segundo o anúncio assinado pela equipe de áudio do Gemini, a proposta é tornar a conversa com a inteligência artificial mais natural, fluida e inteligente.
Os avanços estão em raciocínio quase em tempo real e execução de tarefas em segundo plano sem interromper a interação. Os recursos já podem ser usados por meio da API do Gemini, do Google Workspace e do aplicativo Gemini.
Dois modelos, duas missões
O Gemini 3.8 Live foi construído para escala e eficiência de custo. Combina inteligência conversacional, diálogo fluido e ancoragem visual.
Já o Gemini 3.8 Live Extended Thinking mira tarefas de alta complexidade, com mais inteligência e raciocínio em múltiplas etapas. Na prática, o primeiro atende interações rápidas e abertas.
O segundo assume fluxos que exigem planejamento.
Como novidade central, ele raciocina e fala ao mesmo tempo. Usa sinais verbais curtos, como "deixa eu verificar isso...", para reconhecer o pedido do usuário antes mesmo de concluir o trabalho.
Também narra ao vivo o progresso de tarefas realizadas em várias etapas.
Números e benchmarks
O Gemini 3.8 Live Extended Thinking alcançou o primeiro lugar geral no Speech to Speech Quality Index da Artificial Analysis, com 82,6 pontos. Lidera em conclusão de tarefas agênticas com 68,6% no τ-Voice e 35,1% no benchmark τ-Voice-banking, da Sierra.
O modelo também registrou 97,7% no Big Bench Audio, mantendo, segundo a empresa, preço altamente competitivo em relação a outros modelos de fronteira. O Gemini 3.8 Live ficou em segundo lugar na Speech Agent Arena, com alta preferência entre usuários e foco em custo-benefício para desenvolvedores e empresas.
A Google afirma ainda que os dois modelos avançam a fronteira de Pareto em fluxos de trabalho complexos medidos no EVA-Bench da ServiceNow, equilibrando precisão e qualidade conversacional. A ressalva metodológica informada é que esse teste foi executado na Live API, na Gemini Enterprise Agent Platform.
O que muda na prática
Entre os recursos destacados está o processamento de entradas visuais em tempo quase real, que enriquece a conversa com contexto e sustenta respostas mais úteis. O modelo também detecta e alterna automaticamente entre 97 idiomas suportados no meio do diálogo.
Ele executa ferramentas e chamadas de API em segundo plano enquanto a conversa continua. Ou seja, reconhece o pedido e segue interagindo até a tarefa terminar.
O anúncio cita demonstrações como o acompanhamento de onboarding de funcionários com perguntas ao vivo. Também partidas de xadrez conduzidas em tempo quase real com uso de contexto visual e fluxo conversacional.
E ainda a transformação de esboços e comentários falados em componentes React funcionais, além da coordenação de reservas em várias etapas com chamadas assíncronas de função.
Workspace, search e o ecossistema de voz
No Google Workspace e na Busca, os modelos chegam a experiências como Docs Live, Gmail Live e Keep Live, além do Search Live, que oferece ajuda de solução de problemas passo a passo em tempo real.
Para desenvolvedores e empresas, o caminho de integração é a Gemini Live API, já adotada por plataformas como Agora, Fishjam, LangChain, LiveKit, Pipecat e Vercel. Segundo a Google, esses modelos funcionam como blocos de construção para agentes de voz confiáveis e prontos para produção.
Por que isso importa
A aposta é que a voz deixe de ser um canal auxiliar e se torne interface principal para tarefas complexas. O modelo pensa, fala e executa ações ao mesmo tempo, inclusive consultando ferramentas e APIs em background.
A empresa tenta resolver um dos gargalos dos assistentes falados: a espera silenciosa que quebra o ritmo da conversa. Para o mercado corporativo, isso abre espaço para agentes de atendimento, suporte técnico e onboarding que mantêm o usuário informado enquanto trabalham.
Os números de benchmarks citados, como os 68,6% no τ-Voice e os 35,1% no τ-Voice-banking, servem para sustentar a promessa de confiabilidade em fluxos longos e multitarefa, terreno onde modelos de voz costumam perder consistência.
Ainda assim, os próprios dados apontam limites. Mesmo o modelo líder não completa a totalidade das tarefas agênticas avaliadas.
Isso reforça que a supervisão humana e a definição clara de escopo continuam necessárias em implantações reais.
