Google presentó Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking, sus modelos de diálogo en vivo más avanzados hasta la fecha: razonan mientras hablan, en lugar de pensar primero y responder después. El lanzamiento llegó el mismo día en que OpenAI presentó GPT-Live, su propio modelo de voz nativo para ChatGPT — la carrera por dominar la voz como interfaz empresarial se acelera.
Hasta ahora, la mayoría de asistentes de voz basados en LLM funcionaban como una tubería en tres pasos: transcribir el audio a texto, razonar sobre ese texto, y sintetizar la respuesta en voz de vuelta. Ese proceso introduce latencia y pierde matices (tono, dudas, énfasis) que existen solo en el audio original. Gemini 3.8 Live Extended Thinking está diseñado para razonar sobre el audio directamente y "pensar en voz alta" mientras trabaja, usando frases de reconocimiento naturales como "déjame revisar eso" para cubrir los tiempos de procesamiento sin que la conversación se sienta cortada. El modelo entiende y genera voz en 97 idiomas y soporta anclaje visual (visual grounding) casi en tiempo real, es decir, puede razonar sobre lo que ve una cámara mientras sostiene la conversación.
Google reporta que Gemini 3.8 Live Extended Thinking lidera el índice de Calidad Speech-to-Speech de Artificial Analysis con 82.6 puntos, y —más relevante para uso empresarial— alcanza 68.6% en τ-Voice y 35.1% en τ-Voice-banking, el benchmark de Sierra que mide si un agente de voz puede completar tareas reales de servicio al cliente en el sector bancario (verificar identidad, resolver disputas, ejecutar transacciones) sin intervención humana. Ese es el número que debería importarle a cualquier empresa evaluando reemplazar o complementar un call center con IA: no qué tan natural suena el modelo, sino qué porcentaje de llamadas resuelve de principio a fin.
Si tu empresa en Guatemala o Latinoamérica está evaluando un agente de voz para atención al cliente, cobranza o soporte técnico de primer nivel, este lanzamiento —junto al de GPT-Live el mismo día— cambia el criterio de selección: en lugar de comparar solo naturalidad de voz o costo por minuto, conviene exigir a cada proveedor benchmarks de finalización de tarea en el dominio específico (bancario, retail, salud) antes de comprometerse. El precio por minuto de audio ($0.005 entrada / $0.018 salida en el caso de Gemini) también obliga a modelar el costo real de un piloto: una llamada promedio de 4 minutos con manejo de audio bidireccional puede costar fracciones de centavo, pero a escala de miles de llamadas diarias el cálculo cambia rápido y merece una prueba de carga antes de firmar un contrato anual.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel