El cuello de botella de los agentes de voz nunca fue la síntesis del audio: era el silencio. Un modelo que razona deja de hablar, y tres segundos de vacío en una llamada se sienten como una eternidad. Google publicó hoy dos modelos que atacan exactamente ese problema desde el diseño, no desde el parche.
Qué pasó
Google anunció Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking, sus modelos de diálogo en vivo más avanzados hasta la fecha. La división es de manual: el primero está construido para escala y eficiencia de costo, con diálogo fluido y grounding visual; el segundo apunta a tareas de alta complejidad con razonamiento multi-paso.
Los números que presume la variante Extended Thinking son buenos: primer lugar general en el Speech to Speech Quality Index de Artificial Analysis con 82.6, 68.6% en τ-Voice y 35.1% en el τ-Voice-banking de Sierra —ambos benchmarks de completado de tareas agénticas por voz— y 97.7% en Big Bench Audio. El modelo base, 3.8 Live, se quedó con el segundo lugar del Speech Agent Arena, apostando a la relación costo-desempeño más que a la corona.
En el EVA-Bench de ServiceNow, Google afirma que ambos modelos empujan la frontera de Pareto en workflows complejos, es decir, que dejan de obligarte a elegir entre precisión y calidad conversacional.
Por qué importa
La pieza interesante no es el benchmark, es la arquitectura de la interacción. Extended Thinking razona y habla al mismo tiempo: usa señales verbales tempranas tipo "déjame revisar eso…" para acusar recibo del prompt y narra el progreso mientras las tareas de varios pasos avanzan en segundo plano. El modelo base va por el mismo camino desde otro ángulo: ejecuta herramientas y llamadas a API en background sin cortar la conversación, así que confirma la petición y sigue platicando mientras el trabajo termina.
Eso convierte la latencia de un defecto en un elemento de diseño conversacional. Para cualquiera que haya intentado poner un agente de voz en producción —un IVR que no sea infame, soporte de nivel 1, onboarding— es la diferencia entre una demo y algo que un cliente tolera.
El otro dato con peso operativo: 97 idiomas con detección y transición automática a media conversación. Para un piso de soporte en México que atiende en español, inglés y spanglish real, eso no es una casilla de marketing.
El detalle técnico
3.8 Live procesa entradas visuales en tiempo casi real, lo que le permite responder con el contexto de lo que está viendo: Google lo demuestra guiando un onboarding de empleados y jugando ajedrez leyendo el tablero en vivo.
La distribución va por dos carriles. Del lado de producto, los modelos aterrizan en la app de Gemini, en Workspace —Docs Live, Gmail Live, Keep Live— y en Search Live para troubleshooting paso a paso. Del lado de desarrollo, el vehículo es la Live API, y ahí Google ya trae al ecosistema que importa: Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel y Vision Agents manejan el streaming de media en tiempo real por debajo. Salesforce y Genspark aparecen como partners de implementación.
Vale leer el lanzamiento en su contexto de cadencia, porque explica la estrategia. Como documentó Ars Technica hace dos semanas, Google no libera un Pro de frontera desde principios de 2026, pero encadenó tres modelos Flash en seis semanas —incluido un 3.8 Flash Cyber afinado para detección y mitigación de vulnerabilidades— con precios introductorios de 0.75 y 3.75 dólares por millón de tokens de entrada y salida. La lectura es clara: Google dejó de pelear por el trofeo del modelo más grande y está inundando los nichos donde el costo por token decide la compra. Los agentes de voz son uno de los más caros de operar, y por eso el mensaje de hoy insiste tanto en el precio.
La comunidad, mientras tanto, mantiene su diagnóstico dividido. En la discusión de Hacker News —165 puntos y más de cien comentarios en tres horas— el consenso repite el mismo elogio y la misma reserva de siempre: la prosa y la traducción de Gemini se consideran las mejores del mercado, y su desempeño en código, por debajo de los rivales. Para voz, ese perfil juega a favor.
Qué hacer
- Si traes un piloto de agente de voz, la comparativa correcta no es el Quality Index: es τ-Voice-banking. Un 35.1% en tareas bancarias reales dice mucho más de lo que aguanta tu caso de uso que un 97.7% en Big Bench Audio.
- Prueba las dos variantes antes de estandarizar. Si tu flujo es acotado, 3.8 Live y su costo bajo probablemente bastan; Extended Thinking se justifica solo cuando hay pasos encadenados de verdad.
- Si ya usas LiveKit o Pipecat, el cambio es de configuración, no de arquitectura. Aprovéchalo para medir contra tu stack actual con tu propio audio, no con el de las demos.
- Con grounding visual y micrófono abierto, revisa el alcance antes del piloto: un agente que ve pantallas y escucha llamadas amplía la superficie de datos sensibles que estás enviando a un tercero. Que legal lo vea antes, no después.
