Dokumentationerreichbar
Google, Live API capabilities guide
aistudio.google.com (externe Seite)
Die Beschreibung zweier Einstellungen, die es nur beim durchgehenden Modell gibt: Das Modell darf entscheiden, ob es überhaupt antwortet, und es richtet seinen Ton nach dem des Gegenübers. Beides setzt voraus, dass mehr ankommt als der Wortlaut. Beide laufen nur über eine Vorabfassung der Schnittstelle. Die Seite vermerkt zu beiden, dass Gemini 3.1 Flash Live Preview sie nicht unterstützt. Zu Gemini 3.8 Live sagt sie inzwischen Genaueres, und es ist nicht dasselbe: Das Schweigen ist dort dauerhaft eingeschaltet, der Wert falsch führt zu einem Fehler; die Anpassung an den Ton gibt es nur noch bei Gemini 2.5 Flash Live und ist in Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking entfernt. Dieselbe Seite vergleicht vier Modelle in einer Tabelle und beschreibt den Umstieg von Gemini 3.1 Flash Live Preview auf Gemini 3.8 Live. Beim Tool Call läuft Gemini 3.8 Live ohne Warten als Voreinstellung, und die Anwendung wählt, wann ein Ergebnis ins Gespräch kommt; die Fassung mit ausgedehntem Denken kennt nur den Weg ohne Warten, ohne Wahl des Zeitpunkts, 3.1 Flash Live nur den Aufruf der Reihe nach. Beim Denken gilt: Das aktuelle Live-Modell führt Denken fest verdrahtet ohne wählbare Stufe, die Fassung mit ausgedehntem Denken erlaubt niedrig, mittel und hoch, und nur bei Gemini 3.1 Flash Live Preview gibt es zusätzlich die niedrigste Stufe als Voreinstellung, mit der Antwortzeit begründet. Sie beschreibt außerdem das Hineinreden: Das Modell verwirft seine laufende Erzeugung, und im Kommentar des Codebeispiels zum Feld interrupted steht, dass die Anwendung den schon gesendeten Ton selbst aus ihrem Puffer räumen muss. Die Erkennung der Sprechpausen lässt sich abschalten und an den Client übergeben. Was das kostet, steht daneben: Die Pufferung auf der Gegenseite entfällt, und die Seite nennt 500 Millisekunden Stille als Untergrenze für die eigene Erkennung. Die Seite nennt außerdem die Betriebsgrenzen einer Sprachsitzung in Zahlen: eine Viertelstunde für reinen Ton, zwei Minuten sobald Video dazukommt, dazu ein Kontextfenster von 128k oder 32k Token je nach Modellart. Im selben Absatz steht, dass sich die Dauer über eine andere Sitzungsführung beliebig verlängern lässt. Die Zahl ist damit eine Voreinstellung.
geprüft 10.11.2026
Worauf sich diese Seite beruft, wörtlich, abgerufen am 05.08.2026:
Gemini can proactively decide not to respond if the content is not relevant
bestätigt 10.11.2026lets Gemini adapt its response style to the input expression and tone
bestätigt 10.11.2026Configurable on Gemini 2.5 Flash Live, and not supported on Gemini 3.1 Flash Live Preview.
bestätigt 10.11.2026Permanently enabled on Gemini 3.8 Live and Gemini 3.8 Live Extended Thinking
bestätigt 10.11.2026Supported on Gemini 2.5 Flash Live only. Removed in Gemini 3.8 Live and Gemini 3.8 Live Extended Thinking
bestätigt 10.11.2026Uses thinking
bestätigt 10.11.2026Level (minimal, low, medium, high). Defaults to minimal to optimize for lowest latency. When VAD detects an interruption, the ongoing generation is canceled and discarded.
bestätigt 10.11.2026By default, the model automatically performs VAD on a continuous audio input stream.
bestätigt 10.11.2026In this configuration the client is responsible for detecting user speech and sending activity
bestätigt 10.11.2026Start and activity End messages at the appropriate times. No pre-speech buffer: The server no longer prepends audio before the detected speech start.
bestätigt 10.11.2026No silence tolerance: The server acts immediately on your activity
bestätigt 10.11.2026End signal with no additional wait. To preserve audio quality with manual VAD, use an end-of-speech silence threshold of at least 500ms in your client's voice activity detector.
bestätigt 10.11.2026Native audio output models support any of the voices available for our Text-to-Speech (TTS) models.
bestätigt 10.11.2026To migrate from Gemini 3.1 Flash Live Preview to Gemini 3.8 Live
bestätigt 10.11.2026Only the information already sent to the client is retained in the session history.
bestätigt 10.11.2026internal default is approximately 800ms
bestätigt 10.11.2026Hybrid VAD combines the benefits of automatic VAD (robust speech start detection) and manual VAD (low-latency response finalization).
bestätigt 10.11.2026The Gemini server then discards any pending function calls
bestätigt 10.11.2026You can provide up to 1,000 terms, but best results are typically achieved with up to 100 terms.
bestätigt 10.11.2026Audio-only sessions are limited to 15 minutes, and audio plus video sessions are limited to 2 minutes.
bestätigt 10.11.2026However, you can configure different session management techniques for unlimited extensions on session duration.
bestätigt 10.11.2026A session has a context window limit of: 128k tokens for native audio output models 32k tokens for other Multimodal Live API models
bestätigt 10.11.2026Gemini 3.8 Live Extended Thinking supports low, medium, and high (minimal is not supported).
bestätigt 10.11.2026
Barge-in im Glossar02 Sprache und Audio03 Wenn das Gespräch nicht in Runden läuft06 Tools anbinden11 Ton wird nach Zeit bezahlt