Am 26. März 2026 hat Google Gemini 3.1 Flash Live veröffentlicht. Ein Audio-zu-Audio-Modell, das für Echtzeit-Sprachgespräche gebaut wurde und über 90 Sprachen unterstützt. Kein anderes Sprachmodell auf dem Markt bietet aktuell eine so breite Sprachabdeckung.
Für den deutschen Markt ist das aus zwei Gründen relevant. Erstens: Deutschland ist ein Exportland. Unternehmen, die mit Kunden in Dutzenden Ländern telefonieren, brauchen Sprachunterstützung, die über Deutsch und Englisch hinausgeht. Zweitens: Die Technologie hinter Flash Live, nämlich die direkte Audio-Verarbeitung ohne den Umweg über Text, verändert die Messlatte für alle KI-Sprachagenten.
Was Gemini 3.1 Flash Live ist und warum “Echtzeit” zählt
Flash Live gehört zur Gemini-Modellfamilie von Google. Aber anders als die Textmodelle der Reihe ist dieses Modell speziell für gesprochenen Dialog optimiert. Google nennt es ihr “Audio-Modell mit der höchsten Qualität” und hat es sowohl in Verbraucherprodukte (Gemini Live, Search Live) als auch in Entwicklerwerkzeuge (Gemini Live API im Google AI Studio) integriert.
Der entscheidende Punkt ist die Architektur. Traditionelle Sprach-KI funktioniert als Kette: Spracherkennung wandelt Audio in Text um, ein Sprachmodell generiert eine Textantwort, und eine Text-to-Speech-Engine macht daraus wieder Audio. Jeder Schritt braucht Zeit. Jede Umwandlung verliert Information. Die Betonung in der Stimme des Anrufers, der Tonfall, die Geschwindigkeit, das alles geht beim Weg über Text verloren.
Flash Live arbeitet direkt mit Audio. Sprache rein, Sprache raus. Das reduziert die Latenz und bewahrt akustische Nuancen. Für Telefongespräche, wo jede Millisekunde zählt und der Tonfall die Hälfte der Kommunikation ausmacht, ist das ein spürbarer Unterschied.
OpenAI verfolgt mit ihrer Realtime API einen ähnlichen Ansatz. Die gesamte Branche bewegt sich weg von der verketteten Pipeline hin zu audio-nativen Modellen. Google steigt mit Flash Live groß in diesen Wettbewerb ein.
90+ Sprachen: Was das für deutsche Unternehmen bedeutet
Neunzig Sprachen. Im Vergleich: OpenAI unterstützt im Voice-Modus etwa 50 Sprachen. Safina bietet 50+ Sprachen für Telefongespräche. ElevenLabs kommt bei Conversational AI auf ungefähr 30. Flash Lives 90+ sind der größte Sprachkatalog, den ein einzelnes Voice-Modell je ausgeliefert hat.
Für deutsche Unternehmen mit internationaler Kundschaft heißt das: ein Modell könnte theoretisch Anrufe in fast jeder Sprache entgegennehmen, ohne dass verschiedene Systeme für verschiedene Märkte nötig sind. Flash Live erkennt die Sprache automatisch und kann mitten im Gespräch wechseln. Das ist relevant für Regionen mit mehrsprachiger Bevölkerung oder für Anrufer, die zwischen Sprachen hin- und herspringen.
Aber Abdeckung ist nicht gleich Qualität. Ein Modell, das 90 Sprachen auf 80% Genauigkeit beherrscht, ist etwas anderes als eines, das 50 Sprachen auf 95% schafft. Für allgemeine Unterhaltungen reicht gute Abdeckung. Für geschäftliche Telefonate, wo ein Assistent den Namen des Anrufers, eine Adresse oder eine Terminzeit korrekt erfassen muss, zählt Präzision.
Google hat bisher keine detaillierten Benchmarks pro Sprache für Flash Live veröffentlicht. Die 90+ Sprachen beziehen sich auf den Consumer-Modus von Gemini Live, wo Gesprächsfehler weniger Konsequenzen haben als bei einem verpassten Geschäftsanruf. Für Produkte wie Safina, die echte Geschäftsanrufe bearbeiten, bleibt Genauigkeit bei Namen, Nummern und konkreten Anliegen das Wichtigste.
Multimodale Gespräche: Stimme plus Bildschirm
Flash Live kann während eines Gesprächs visuelle Eingaben verarbeiten. Auf dem Smartphone oder Laptop sieht das Modell Deinen Bildschirm oder Kamera-Feed, während es mit Dir spricht.
Die Anwendungsfälle liegen auf der Hand: gemeinsam ein Dokument besprechen, Softwareprobleme per Bildschirmfreigabe lösen, ein defektes Gerät durch die Kamera zeigen. Für technischen Support oder Beratung ist das interessant.
Für Telefonanrufe ändert es allerdings nichts. Telefongespräche sind reines Audio. Wer bei einem Unternehmen anruft, teilt nicht seinen Bildschirm. Die multimodale Fähigkeit zeigt, wohin die Technik geht (Stimme plus Bild wird der Standard für KI-Interaktionen), aber für den Anwendungsfall “jemand ruft deine Geschäftsnummer an” bleibt Audio der einzige Kanal.
Was von der multimodalen Technik übertragbar ist: die akustische Analyse. Flash Live erkennt Ton, Emotion und Betonung in der Stimme des Anrufers. Das macht einen Unterschied am Telefon. Zu wissen, ob ein Anrufer frustriert oder entspannt klingt, beeinflusst, wie ein guter Assistent reagieren sollte. Cartesias Sonic 3 geht dieses Problem von der Ausgabeseite an (emotionale Sprache erzeugen), während Flash Live es von der Eingabeseite adressiert (emotionale Sprache verstehen).
Function Calling: Vom Gespräch zur Aktion
Flash Live erreicht 90,8% auf ComplexFuncBench Audio. Das ist ein Benchmark, der testet, ob ein Sprachmodell auf Basis gesprochener Anweisungen die richtigen Funktionen aufruft. Stand März 2026 ist das der beste Wert im Feld.
Function Calling ist der Unterschied zwischen einem Chatbot und einem Agenten. Statt nur gesprochene Antworten zu generieren, kann das Modell Aktionen ausführen: einen Kalender prüfen, eine Bestellung nachschlagen, einen Termin buchen, einen Anruf weiterleiten. Der Anrufer sagt “Verschieb meinen Termin von Donnerstag auf Freitagnachmittag” und das Modell bestätigt nicht nur, dass es die Anfrage verstanden hat. Es ruft die Kalender-API auf und führt die Änderung durch.
Google stellt Entwicklern den Zugang über die Gemini Live API im Google AI Studio bereit. Die API unterstützt Function Declarations, mit denen Entwickler definieren, welche Aktionen das Modell ausführen darf.
Für KI-Telefonassistenten ist das die relevanteste Fähigkeit. Anrufer wollen nicht plaudern. Sie wollen, dass etwas erledigt wird. Ein Termin gebucht, eine Frage beantwortet, eine Information weitergeleitet. Ein Modell, das gesprochene Anfragen zuverlässig in strukturierte Funktionsaufrufe umwandelt, ist genau das, was KI-Sprachagenten brauchen.
Was das für KI-Telefonassistenten bedeutet
Flash Live verschiebt die Erwartungen an Voice-KI in drei Bereichen.
Sprachabdeckung hat einen neuen Standard. 90 Sprachen zwingen jeden anderen Anbieter, nachzuziehen. Für exportorientierte deutsche Unternehmen verkleinert sich die Lücke zwischen “wir decken unsere Hauptmärkte ab” und “wir können überall bedienen.” Dedizierte Telefonprodukte müssen ihre Sprachunterstützung weiter ausbauen, um wettbewerbsfähig zu bleiben.
Audio-native Modelle werden zum Standard. Die alte Pipeline aus STT, LLM und TTS wird von Modellen abgelöst, die direkt mit Audio arbeiten. Flash Live, OpenAIs Realtime API und andere bewegen sich in diese Richtung. Produkte, die auf der alten Pipeline aufbauen, werden die Latenz-Differenz spüren. Safinas Architektur priorisiert bereits niedrige Latenz, aber die zugrundeliegende Modelltechnologie verändert sich.
Allzweck-KI versus telefonspezifische Lösung bleibt die zentrale Frage. Flash Live ist für breite Konversations-KI gebaut, mit Bildschirmfreigabe, Kameraintegration und Consumer-Chat. Ein Telefonassistent braucht etwas anderes: zuverlässige Anrufbearbeitung, präzise Informationserfassung, CRM-Integration, persönliche Begrüßung, Terminbuchung und dutzende geschäftsspezifische Abläufe. Google baut den Motor. Produkte wie Safina bauen das Fahrzeug drumherum.
Flash Live hebt das Leistungsniveau für die gesamte Branche. Die Frage für Unternehmen ist, ob sie eine universelle Sprach-KI brauchen oder einen Telefonassistenten, der gezielt für ihre Anrufe gebaut wurde.
