Gemini Audio liegt in Produktion noch hinter GPT Live

Was der Vergleich mit GPT Live gezeigt hat

Mein kurzes Fazit ist für Google unerquicklich: Gemini Audio API wirkt weiterhin wie ein Vorschauprodukt, auch wenn die Verpackung etwas anderes verspricht. Ich habe es neben GPT Live getestet und Sprachmischungen, häufige Stimmfehler sowie einen weniger vorhersehbaren Dialog erlebt.

Im September 2026 fällt der Unterschied besonders dort auf, wo ein Sprachinterface einfach funktionieren muss. Einen einzelnen Ausfall kann man verkraften, doch wiederkehrende Sprach-Artefakte und plötzliche Sprachwechsel zerstören schnell das Gefühl eines natürlichen Gesprächs.

Google betont bei der Ankündigung der Gemini Audio API Echtzeit-Sprachanwendungen. Die offiziellen Materialien beschreiben die Übertragung von unverarbeitetem PCM-Audio, Audioausgabe mit 24 kHz und Echtzeitübersetzung von Sprache. Auf dem Papier ist das ein starkes Paket: Das Modell erhält einen Audiostream und antwortet per Stimme, ohne eine separate Kette aus Erkennung und Synthese.

Doch Transportspezifikationen sind nicht gleichbedeutend mit Produktstabilität. In meinem Vergleich lag das Problem nicht in der Idee von Streaming-Audio, sondern in der Qualität des Verhaltens innerhalb einer Sitzung. Die Stimme zeigte regelmäßig Fehler, Sprachen vermischten sich, und das Ergebnis wirkte unausgereift.

Auch Entwickler berichten in sozialen Netzwerken, dass das Modell zeitweise überhaupt nicht verfügbar sei. Das sind keine öffentlichen Verfügbarkeitsstatistiken und kein Ersatz für Monitoring, daher sollten solche Berichte nicht als exakte Kennzahl behandelt werden. Allerdings enthalten die verfügbaren offiziellen Materialien auch keine konkrete Metrik, die diese Frage klären würde.

Warum Reife in Produktion wichtiger ist als eine Funktionsliste

Für einen echten Sprachagenten wirkt GPT Live derzeit als Engineering-Entscheidung sicherer. Die OpenAI-Dokumentation zur Realtime API behandelt Sitzungslebenszyklen, Unterbrechungen, Tool-Aufrufe und WebRTC-Abläufe ausführlicher – also genau die Bereiche, in denen Sprachsysteme gewöhnlich auseinanderfallen.

Ich würde zuerst nicht auf eine Übersetzungsdemo schauen, sondern auf Wiederherstellung nach Verbindungsabbrüchen, Sprachwechsel, den Umgang mit Unterbrechungen und die Stabilität langer Dialoge. Wenn ein Modell die Sprache verliert oder die Stimme verfälscht, rettet auch eine gute Latenz das Erlebnis nicht mehr.

Gemini Audio verfügt über eine technisch interessante Grundlage, besonders für mehrsprachige Szenarien. Das aktuelle Bild erinnert jedoch eher an einen schnellen Release unter Wettbewerbsdruck als an die ruhige Einführung einer ausgereiften API. Der zentrale Unterschied zu GPT Live liegt derzeit nicht bei den Modellfähigkeiten, sondern bei der Vorhersagbarkeit jedes folgenden Audiosegments.

Wir haben Gemini bereits mit Tools für Besprechungszusammenfassungen verglichen und dabei Transkriptionsgenauigkeit sowie Halluzinationsrisiken untersucht. Diese praktischen Abwägungen bei der Audioqualität sind auch bei der Bewertung von Echtzeit-Sprach-APIs relevant.