Google gibt Gemini ein Gesicht: Live Avatar spricht 97 Sprachen
Google hat am 24. September 2026 Live Avatar für Gemini 3.8 Live vorgestellt: animierte Gesichter, die nahezu in Echtzeit zuhören, sehen und sprechen. Die Avatare beherrschen 97 Sprachen samt passender Lippenbewegungen und rufen Werkzeuge im Hintergrund auf, ohne das Gespräch zu unterbrechen. Verfügbar ist die Funktion vorerst nur für Unternehmen in Gemini Enterprise.
Pascal Eugster
GRÜNDER & ENTWICKLER
26. SEPTEMBER 2026
2 MIN. LESEZEIT
INHALT
INHALT
in
PARTNER · INOO GMBH
Wie viel KI verträgt dein Betrieb? In 30 Minuten Klartext.
Kostenloses Erstgespräch — herstellerneutral, direkt aus dem Rheintal.
Gespräch buchen →
DAS WICHTIGSTE IN KÜRZE
Sprachagenten bekommen ein Gesicht – aber vorerst nur im Unternehmenseinsatz, mit SynthID-Wasserzeichen und ohne Schweizer Endpunkt.
Google hat am 24. September 2026 Gemini 3.8 Live with Live Avatar vorgestellt – animierte Gesichter für Sprachagenten, die nahezu in Echtzeit zuhören, sehen, sprechen und mimisch reagieren. Die Funktion ist laut Google ab sofort allgemein in Gemini Enterprise verfügbar, richtet sich vorerst ausschliesslich an Unternehmen und beherrscht 97 Sprachen samt passender Lippenbewegungen. Erstmals gezeigt hatte Google die Technik an der Google Cloud Next 2026.
Das Modell dahinter kennst du vielleicht schon: Gemini 3.8 Live, über das wir vor gut einer Woche berichtet haben. Neu ist nicht die Stimme, sondern das Gesicht davor.
Weiterreden, während im Hintergrund gebucht wird
Der spannendste Teil ist nicht die Optik, sondern das Timing. Live Avatar kann Werkzeuge und Schnittstellen asynchron aufrufen – also im Hintergrund Daten holen oder eine Buchung auslösen, während der Dialog ununterbrochen weiterläuft. In Googles Demo checkt ein Avatar einen Hotelgast ein: Er nimmt die Anfrage entgegen, redet weiter, und die Abfrage läuft nebenher. Wer je in einer Hotline das «Einen Moment, ich schaue kurz nach» ausgesessen hat, merkt den Unterschied sofort.
Dazu kommt die zweite Hälfte der Multimodalität: Live-Kamerabilder und Bildschirmfreigaben verarbeitet der Agent gleichzeitig mit dem Ton. Er hört also nicht nur, was du sagst, sondern sieht auch, was du ihm hinhältst.
