Die Gemini Live API von Google streamt multimodale Sitzungen über WebSockets; ihre stabilen nativen Sprachagentenmodelle sind Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking.
Am besten geeignet fürEntwickler, die latenzarme Konversationsagenten mit nativem Audio, multimodaler Eingabe und Funktionsaufrufen in einer persistenten WebSocket-Sitzung entwickeln.
AnrufkanäleWebSocket; serverseitige Anwendungen; Client-Anwendungen mit kurzlebigen Tokens
PreismodellDie standardmäßige Nutzung der Live API wird nach Tokens abgerechnet: $3 pro 1 Mio. Audioeingabetokens ($0,005/Min. als Gegenwert) und $12 pro 1 Mio. Audioausgabetokens ($0,018/Min. als Gegenwert), zuzüglich separater Texttoken-Nutzung. Angesammelter Sitzungskontext wird bei jeder Runde abgerechnet; dadurch können die Kosten mit dem Gesprächsverlauf steigen.
PreisangabenDie Standardtarife für die Nutzung betragen $0,005/Min. als Gegenwert für Audioeingabe und $0,018/Min. für Audioausgabe; beides wird separat zuzüglich Texttokens abgerechnet. Google führt außerdem eine kostenlose API-Stufe auf.
Kostenloser Tarif oder TestzeitraumKostenlose Gemini-API-Stufe aufgeführt; die kostenpflichtige Live-Nutzung wird nach Tokens abgerechnet.
Preise und Budget für Gemini Live API
Die Standardtarife für die Nutzung betragen $0,005/Min. als Gegenwert für Audioeingabe und $0,018/Min. für Audioausgabe; beides wird separat zuzüglich Texttokens abgerechnet. Google führt außerdem eine kostenlose API-Stufe auf.
Die standardmäßige Nutzung der Live API wird nach Tokens abgerechnet: $3 pro 1 Mio. Audioeingabetokens ($0,005/Min. als Gegenwert) und $12 pro 1 Mio. Audioausgabetokens ($0,018/Min. als Gegenwert), zuzüglich separater Texttoken-Nutzung. Angesammelter Sitzungskontext wird bei jeder Runde abgerechnet; dadurch können die Kosten mit dem Gesprächsverlauf steigen.
Kostenlose Gemini-API-Stufe aufgeführt; die kostenpflichtige Live-Nutzung wird nach Tokens abgerechnet.
Katalogpreise geprüft am 28. September 2026. Bestätigen Sie aktuelle Bedingungen anhand der Anbieterquellen.
stabile native Sprachagentenmodelle: gemini-3.8-live und gemini-3.8-live-extended-thinking
bidirektionales natives Audio
Text-, Bild- und Videoeingabe
Funktionsaufrufe
asynchrone Tool-Ausführung
Sitzungssteuerung und Unterbrechungsbehandlung
Laufzeit und Eignung
Sprachtechnologie
Native Audioagenten: Gemini 3.8 Live (gemini-3.8-live) und Gemini 3.8 Live Extended Thinking (gemini-3.8-live-extended-thinking).; Separate TTS-Modelle: gemini-3.8-flash-tts und gemini-3.8-flash-lite-tts erzeugen Sprache; keines davon ist ein Live-Agent.; Separate Transkriptionsendpunkte: gemini-3.5-transcribe verarbeitet Audiodateien; gemini-3.5-transcribe-live ist ein Speech-to-Text-Modus der Live API, kein Konversationsagent.; Separater Übersetzungsmodus: gemini-3.5-live-translate-preview ist ein Dolmetschermodus der Live API für 70+ Sprachen, kein Konversationsagent; er befindet sich in der Vorschau.
Telefonie
Nicht öffentlich dokumentiert
Anrufsteuerung
Nicht öffentlich dokumentiert
Integrationen
Nicht öffentlich dokumentiert
Wissen und Daten
Nicht öffentlich dokumentiert
Sprachen
Die Dokumentation zur Live API nennt Japanisch (ja) und mehrsprachige Unterstützung; die native Audioausgabe kann während eines Gesprächs auf natürliche Weise die Sprache wechseln. Eine Liste unterstützter Sprachen garantiert keine gleichbleibende Gesprächsqualität. Separat dazu: Transcribe führt Japanisch (ja-JP) unter 85+ Sprachen auf; Flash TTS nennt 130 Sprachen und Flash-Lite TTS 101 (beide unterstützen Japanisch); die Vorschau von Live Translate unterstützt 70+ Sprachen.
Besondere Merkmale
Die stabilen Gemini 3.8 Live-Modelle verbinden native Audiodialoge mit konfigurierbaren Tool-Aufrufen über persistente WebSocket-Sitzungen; TTS, Transkription und Übersetzung sind separate unterstützende Modelle.
Zu beachten
Google kennzeichnet die Live API als Vorschau, obwohl beide Gemini 3.8 Live-Modell-IDs stabil sind. Native Audiositzungen verwenden die Antwortmodalität AUDIO; für Text muss die Ausgabetranskription aktiviert werden. Sitzungen nur mit Audio sind auf 15 Minuten, Sitzungen mit Audio und Video auf 2 Minuten begrenzt, sofern sie nicht mit Sitzungsverwaltung verlängert werden. Client-zu-Server-Anwendungen benötigen kurzlebige Tokens. Angesammeltes Audio und Sitzungskontext werden pro Runde abgerechnet.
Fragen von Käufern
Fragen zu Gemini Live API
Wie sollte ich das Budget für Gemini Live API planen?
Die veröffentlichte Preisangabe lautet: Die Standardtarife für die Nutzung betragen $0,005/Min. als Gegenwert für Audioeingabe und $0,018/Min. für Audioausgabe; beides wird separat zuzüglich Texttokens abgerechnet. Google führt außerdem eine kostenlose API-Stufe auf. Das erfasste Preismodell lautet: Die standardmäßige Nutzung der Live API wird nach Tokens abgerechnet: $3 pro 1 Mio. Audioeingabetokens ($0,005/Min. als Gegenwert) und $12 pro 1 Mio. Audioausgabetokens ($0,018/Min. als Gegenwert), zuzüglich separater Texttoken-Nutzung. Angesammelter Sitzungskontext wird bei jeder Runde abgerechnet; dadurch können die Kosten mit dem Gesprächsverlauf steigen. Bitten Sie den Anbieter um ein aktuelles Angebot für dieselbe Nutzung, dieselben Kanäle sowie Abonnement-, Nutzungs- und Implementierungskosten.
Kann Gemini Live API meine vorhandenen Daten nutzen?
Zu den aufgeführten Wissens- und Datenquellen gehören Nicht öffentlich dokumentiert. Bestätigen Sie beim Anbieter Berechtigungen, Aktualität und Fehlerverhalten für Ihre konkreten Systeme.
Was sollte ich in einem Pilotprojekt mit Gemini Live API testen?
Testen Sie repräsentative Anrufe mit denselben Anweisungen und Eskalationsregeln. Erfassen Sie Sprachqualität, erledigte Aufgaben, Übergaben und Gesamtkosten. Prüfen Sie diese Einschränkungen: Google kennzeichnet die Live API als Vorschau, obwohl beide Gemini 3.8 Live-Modell-IDs stabil sind. Native Audiositzungen verwenden die Antwortmodalität AUDIO; für Text muss die Ausgabetranskription aktiviert werden. Sitzungen nur mit Audio sind auf 15 Minuten, Sitzungen mit Audio und Video auf 2 Minuten begrenzt, sofern sie nicht mit Sitzungsverwaltung verlängert werden. Client-zu-Server-Anwendungen benötigen kurzlebige Tokens. Angesammeltes Audio und Sitzungskontext werden pro Runde abgerechnet.
Vergleichen Sie Gemini Live mit ähnlichen Kandidaten
Diese Produkte teilen dokumentierte Kategorien oder eine Eignung für ähnliche Unternehmensgrößen. Vergleichen Sie tatsächliche Kanäle, Funktionen und Preise, bevor Sie sie als austauschbar betrachten.
Wissensgestützte Sprachagenten für Web und Telefon mit nativen Echtzeit-Audiomodellen, Geschäftstools, Lead-Erfassung, Terminplanung und Übergabe an Mitarbeitende.
es ist einfach ein erstaunlich flexibler Chatbot und ich kann GENAU abstimmen, was der Bot wissen soll Karson M. auf G2 · 5/5 · Aus dem Englischen übersetzt
Am besten geeignet für: Teams, die Sprachagenten auf gepflegte Unternehmensinhalte stützen und mit Tools für Support, Empfang, Vertrieb und Arbeitsabläufe verbinden möchten.
Sprachtechnologie: Option für ein natives Echtzeit-Audiomodell mit Wissensabruf und Tools
Telefonie: Anbindung einer Twilio-Rufnummer, Anbindung eines SIP-/PSTN-Telefonanbieters
SprachagentenKI-TelefonempfangBuilder für Gesprächsabläufe
Tarife für 49/149/499 US-Dollar pro Monat; Voice Standard+ und Business Voice befinden sich in der Betaphase; kein öffentlicher Gesamtpreis pro Minute.
Plattform für Sprachagenten am Telefon und im Web mit per API erstellten Agenten, Gesprächspfaden, dynamischen Daten, Tools, Webhooks und Einstellungen für Unterbrechungen.
Plattform für Sprachagenten
Umfang und Hinweise
Am besten geeignet für: Entwicklungs- und Betriebsteams, die gebündelte eingehende und ausgehende Anrufe mit klaren Tarifstufen für Anrufvolumen, parallele Anrufe und Wissensdatenbanken benötigen.
Programmable-Voice-Komponente, die eine TwiML-ConversationRelay-Sitzung über WebSocket mit einer Anwendung verbindet, um STT/TTS, Spracheinstellungen, DTMF und Anrufereignisse zu verarbeiten.
Telefonie-Laufzeit für Sprachagenten
Umfang und Hinweise
Am besten geeignet für: Entwickler, die eigene Sprachagentenlogik erstellen und Telefonie, Medienverarbeitung sowie Anrufsteuerung bei Twilio belassen möchten.
Sprachtechnologie: Kaskadierte Sprachschnittstelle mit vom Entwickler bereitgestelltem LLM
EVI ist eine Sprache-zu-Sprache-WebSocket-API, die Transkripte, Messwerte des stimmlichen Ausdrucks, Assistententext und Antwortaudio streamt.
API für ein natives ausdrucksstarkes Sprachmodell
Umfang und Hinweise
Am besten geeignet für: Entwickler, die gesprochene Interaktionen mit Berücksichtigung der Prosodie, konfigurierbaren Stimmen und optionalen ergänzenden LLMs prüfen.
Sprachtechnologie: Native Sprache-zu-Sprache-Verarbeitung mit Berücksichtigung der Prosodie
Das Sprachagentenmodell vor dem Sitzungsdesign wählen
Google dokumentiert Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking für native Audiogespräche. Wählen Sie vor dem Test eine genaue Modell-ID und die unterstützten Funktionen. Spracherzeugung, Transkription und Live-Übersetzung sind getrennte Modi; ihre Verfügbarkeit belegt das Agentenverhalten nicht.
Lange Anrufe, Neuverbindungen und unterbrochene Tools einplanen
Google dokumentiert eine Sitzungsgrenze von 15 Minuten für reine Audiositzungen und zwei Minuten für Audio mit Video sowie Verfahren zur Sitzungsverwaltung, mit denen sich Sitzungen verlängern lassen. Client-Anwendungen benötigen kurzlebige Tokens. Testen Sie eine Neuverbindung während einer echten Aufgabe, eine Korrektur des Anrufers während der Tool-Ausführung und die Vermeidung doppelter Aktionen in Ihrer Anwendung.
Die Audiotarife des Modells sind nur ein Teil der Rechnung
Preise geprüft am 9. Oktober 2026. Die regulären kostenpflichtigen Audiotarife der Live API betragen 3 US-Dollar pro Million Eingabetokens und 12 US-Dollar pro Million Ausgabetokens; Google nennt außerdem entsprechende Minutenwerte von 0,005 und 0,018 US-Dollar. Eingabe und Ausgabe werden getrennt berechnet, zusätzlich zur Textnutzung. Diese Angaben sind Modelltarife und kein Preis für einen gehosteten Telefonagenten.
Google berechnet den aktiven Sitzungskontext bei jedem Gesprächsschritt erneut, einschließlich der angesammelten Audiodaten. Längere Verläufe können dadurch die Kosten pro Gesprächsschritt erhöhen; aktivierte Transkriptionen verursachen zusätzlich Gebühren für Texttokens. Vergleichen Sie kurze und lange Sitzungen anhand der aufgezeichneten Token-Nutzung und addieren Sie Transport-, Telefonie-, Hosting- und Betriebskosten.
Testen Sie Erkennung, Sprachqualität, Unterbrechungen, Sprachwechsel, Tool-Nutzung und menschliche Übergabe anhand eigener Anrufe in der benötigten Sprache. Die Verfügbarkeit kann je nach Modell, Tarif und Telefonroute variieren.
DocsBot dokumentiert mehrsprachige Sprachabläufe und Unterstützung für Japanisch. Prüfen Sie Stimme, Telefoniepfad und Übergabeverhalten in Ihrem Pilotprojekt genau. Sprachinformationen von DocsBot prüfen ↗
Sprachangaben anderer Anbieter beruhen auf zitierten Anbieterunterlagen. Bestätigen Sie Japanisch und andere benötigte Sprachen direkt bei jedem Anbieter.
Die Aufnahme ist keine Empfehlung und keine Leistungsgarantie. Dieses Verzeichnis wird von DocsBot veröffentlicht. Redaktionelle Richtlinien
Ihr Unternehmen. Ihre engere Auswahl.
Ist Gemini Live API für Sie geeignet?
Beginnen Sie mit Ihrer Website. Beantworten Sie einige gezielte Fragen und erhalten Sie ein persönliches PDF mit Eignung, Abwägungen, Alternativen und einem Pilotplan für Ihren Anrufablauf.
