Gemini 3.8 Live: benchmark ufficiali, prezzi veri e cosa cambia per gli assistenti vocali

Di Daniele Forciniti

Indice del Contenuto

Gemini 3.8 Live è il nuovo modello vocale di Google per chi costruisce assistenti che ascoltano e rispondono in tempo reale. È arrivato il 15 settembre 2026 insieme alla versione Extended Thinking, che ragiona mentre continua a parlare, e si affianca a Gemini 3.5 Transcribe per la trascrizione. Nella classifica indipendente di Artificial Analysis la versione Extended Thinking è prima con 82,6 punti, e il prezzo di listino è di 0,005 dollari al minuto per l’audio in ingresso e 0,018 per quello in uscita.

Fin qui il comunicato. In questo articolo guardo le tre cose che il comunicato non dice: quanto valgono davvero quei benchmark, quanto costa una conversazione vera confrontata con OpenAI, e perché il numero delle lingue cambia a seconda della pagina che apri.

Cosa ha presentato Google il 15 settembre

L’annuncio, firmato da Tom Ouyang e Malini Jaganathan del team Gemini Audio, riguarda due modelli che parlano e ascoltano, più un terzo dedicato alla trascrizione uscito il mese prima:

Gemini 3.8 Live: il modello da usare per la maggior parte degli assistenti vocali, pensato per costare poco e rispondere subito.
Gemini 3.8 Live Extended Thinking: la versione che ragiona più a lungo, per richieste complesse in più passaggi.
Gemini 3.5 Transcribe: solo da voce a testo, uscito il 26 agosto 2026.

Tutti e tre sono già stabili, non in anteprima: lo conferma il changelog ufficiale dell’API. Si provano da Google AI Studio e si usano tramite la Live API, oltre che dentro Search Live, Gemini Live e Workspace per chi ha un abbonamento AI Pro o Ultra.

Gemini 3.8 Live e Extended Thinking: la differenza che conta

La differenza non è “uno è più intelligente”. È come si comportano mentre lavorano. I modelli normali, quando devono chiamare un sistema esterno per controllare un dato, si fermano: tu resti in silenzio ad ascoltare il nulla. Extended Thinking no: continua a parlare mentre lavora, dicendo cose come “sto controllando i voli per Seattle”.

Nella documentazione questo si regola con un parametro, thinkingLevel, che accetta tre valori: basso, medio e alto. Le funzioni che il modello richiama vanno dichiarate come non bloccanti, e lo stato della conversazione si segue con interaction_status, che dice se il modello sta ancora lavorando o ha finito.

Le altre capacità dichiarate sono quattro: chiamate a sistemi esterni in sottofondo senza interrompere l’audio, contesto visivo (il modello guarda la fotocamera o lo schermo mentre parli), precisione su codici e numeri di pratica, e cambio di lingua automatico durante la conversazione. Tutto l’audio generato porta la filigrana SynthID, la stessa tecnologia di cui ho parlato quando Google ha tolto il watermark visibile dalle immagini.

I benchmark, e cosa misurano davvero

Google dichiara il primo posto nell’indice di Artificial Analysis, che è una classifica indipendente. Vale la pena capire cosa misura, perché il nome fa pensare a un voto unico sulla “qualità della voce” e invece è altro.

L’indice è nato il 23 giugno 2026 e mette insieme tre prove diverse, pesate allo stesso modo: il ragionamento a partire dall’audio (Big Bench Audio), la naturalezza del botta e risposta (Full Duplex Bench) e la capacità di portare a termine compiti concreti (τ-Voice). Un modello entra in classifica solo se ha un risultato valido in tutte e tre.

Grafico a barre con i punteggi dello Speech to Speech Index di Artificial Analysis: Gemini 3.8 Live Extended Thinking primo con 82,6 — Gemini 3.8 Live Extended Thinking è primo, ma il distacco dal secondo è di poco più di un punto.

Questa è la classifica, e racconta una storia più interessante del comunicato:

Modello	Indice	Costo per ora di audio
Gemini 3.8 Live Extended Thinking	82,6	3,50 $
GPT-Live-1 (Astra)	81,5	5,83 $
Grok Voice Think Fast 2.0	81,3	4,80 $
GPT-Live-1 (Sol)	80,1	4,47 $
Gemini 3.8 Live	76,0	0,84 $
GPT-Realtime-2.1	73,9	10,75 $

Punteggi e costi rilevati da Artificial Analysis il 16 settembre 2026.

Il primo posto c’è, ma fra il primo e il quarto ballano 2,5 punti su 100. Tradotto: sulla qualità sono tutti lì. Quello che cambia davvero è la colonna a destra. Gemini 3.8 Live Extended Thinking costa poco più della metà di GPT-Live-1 e un terzo di GPT-Realtime-2.1, e la versione normale, che pure resta a 76 punti, costa 3,50 dollari in meno all’ora di GPT-Live-1.

Google riporta anche altri tre numeri: 68,6% nei compiti da portare a termine (τ-Voice), 35,1% nella prova bancaria di Sierra e 97,7% su Big Bench Audio. Il secondo è il più onesto dei tre: significa che in uno scenario da assistenza clienti di banca, due volte su tre il compito non viene chiuso. Siamo lontani dall’assistente che risolve tutto da solo.

Quanto costa davvero far parlare un’AI

Il listino ufficiale è pubblico, e conviene leggerlo con attenzione perché mescola due modi di contare: al minuto e a token.

Modello	Audio in ingresso	In uscita
Gemini 3.8 Live e Extended Thinking	0,005 $/min (3 $ per milione di token)	0,018 $/min (12 $ per milione)
Gemini 3.5 Transcribe Live	0,005 $/min (3,50 $ per milione)	0,004 $/min di testo
Gemini 3.5 Live Translate	0,0053 $/min	0,0315 $/min
Gemini 3.1 Flash TTS	1 $ per milione di token di testo	20 $ per milione
Lyria 3.5 (musica)	0,08 $ a brano	–

Prezzi di listino della Gemini API al 16 settembre 2026. Tutti i modelli hanno anche un livello gratuito, tranne Lyria.

C’è una nota a piè di pagina che quasi nessuno riporta e che invece va letta: quei prezzi al minuto sono una stima di Google, calcolata sulla tariffa a token. Il conto vero dipende da quanto parla il modello e da quanto contesto si porta dietro. È la stessa ragione per cui su OpenAI la spesa reale sale nelle telefonate lunghe.

Per il confronto sono andato sul listino di OpenAI. GPT-Live-1 costa 0,05 dollari al minuto, prezzo fisso. GPT-Realtime-2.1 invece si paga a token: 32 dollari per milione in ingresso e 64 in uscita.

Mettiamola in pratica su mille minuti di conversazione al mese, cioè poco più di sedici ore:

Gemini 3.8 Live a listino: circa 23 dollari, contando ingresso e uscita.
GPT-Live-1 a listino: 50 dollari.
Misurati sul campo da Artificial Analysis, che conta anche il contesto che cresce: circa 14 dollari per Gemini 3.8 Live, 58 per la versione Extended Thinking, 97 per GPT-Live-1.

La differenza resta importante anche prendendo i numeri misurati invece di quelli di listino. Se ti interessa il tema del risparmio sui modelli, ne ho scritto in modo più largo in stai pagando l’AI dieci volte troppo.

Gemini 3.5 Transcribe: la parte meno appariscente e più utile

Il modello di trascrizione è uscito il 26 agosto 2026 e per molte attività è più utile del modello che parla. Google dichiara un tasso di errore medio sulle parole del 4,0% in diretta e del 2,6% sui file registrati, con un miglioramento del 70% nel tempo di risposta rispetto al modello precedente.

Un tasso di errore del 4% vuol dire che su cento parole quattro sbagliano. Su una riunione di un’ora è tanto o poco a seconda di cosa ci fai: per un verbale interno va benissimo, per un referto medico no.

Le cose che lo rendono usabile sul serio, prese dalla documentazione:

Vocabolario personalizzato: gli passi fino a 1.000 termini tuoi, nomi di prodotto, sigle, cognomi, e smette di storpiarli.
Cambio di lingua dentro la stessa frase: gestito da solo, senza configurare niente.
Trascrizione pulita: toglie gli intercalari e corregge le frasi lasciate a metà, restituendo un testo leggibile.
Riconoscimento di chi parla: fino a 8 persone sui file registrati.

I limiti da sapere prima di progettarci sopra: un’ora per file, che scende a 30 minuti se attivi il riconoscimento di chi parla o i tempi parola per parola, e sessioni in diretta da 10 minuti.

Daniele Forciniti · DF Studio Design

Prima della voce, serve che l’AI ti trovi

Un assistente vocale è utile quando qualcuno ti sta già cercando. Il passo prima è farsi trovare: comparire su Google e venire citati dalle AI quando qualcuno chiede chi fa quello che fai tu.

Mi chiamo Daniele Forciniti: faccio siti web e posizionamento da dieci anni, e da due lavoro anche sulla GEO. Se vuoi capire da dove partire, ne parliamo.

Consulenza SEO e GEO Sviluppo siti web

97, 85 o 70 lingue? Mettiamo ordine

Qui c’è una confusione che ho visto rimbalzare su parecchi articoli, compresi quelli in italiano. I numeri sono tre e sono tutti veri, ma riguardano cose diverse.

97 lingue: è quanto Google dichiara nell’annuncio per i nuovi modelli che parlano, con riconoscimento e cambio automatico durante la conversazione.
85 lingue: è la copertura di Gemini 3.5 Transcribe, cioè la trascrizione.
70 lingue: è quello che riporta ancora oggi la pagina generale della Live API, e riguarda anche la traduzione vocale.

Non ho trovato una pagina ufficiale che elenchi le 97 lingue del nuovo modello, quindi il consiglio pratico è semplice: se il tuo progetto vive o muore su una lingua particolare, provala in AI Studio prima di prendere impegni con un cliente. È gratis e ci metti cinque minuti.

Cosa cambia per un’attività, in concreto

Il silenzio al telefono non c’è più

Il problema numero uno dei risponditori automatici non era la voce finta: erano le pause. Chiedevi una cosa e restavi cinque secondi nel vuoto, chiedendoti se la chiamata fosse caduta. Un modello che parla mentre lavora toglie proprio quel momento, ed è la ragione per cui questi rilasci contano più di quanto sembri.

Il costo non è più l’ostacolo

Mille minuti di conversazione al mese, cioè una piccola attività che risponde a un centinaio di chiamate, stanno sotto i 25 dollari di modello. Il costo vero si è spostato altrove: integrare il gestionale, gestire gli errori, e la responsabilità di quello che l’assistente dice ai clienti.

Serve comunque qualcuno che lo costruisca

Google elenca sette partner (Agora, Fishjam, LiveKit, LangChain, Pipecat, Vercel, Vision Agents) che si occupano dell’infrastruttura audio, e pubblica esempi già pronti su GitHub. Restano strumenti da sviluppatori. Se il tema degli assistenti che agiscono ti interessa da vicino, l’ho trattato per intero nella guida agli agenti IA, e la parte su come collegarli ai dati aziendali l’ho spiegata parlando di BigQuery Data Agents.

Cosa ne penso

Lavoro da oltre dieci anni con siti, contenuti e posizionamento, e i rilasci di modelli li leggo ormai con un filtro fisso: il primo posto in classifica conta poco, il prezzo conta tantissimo. Qui il primo posto c’è, ma vale un punto di distacco. La notizia vera è che una conversazione vocale decente è scesa a pochi centesimi al minuto.

La parte che mi convince meno è il divario fra la demo e i numeri. Un assistente che chiude il 35% dei compiti bancari non è pronto a stare da solo davanti a un cliente: è pronto ad aiutare una persona che risponde. Chi lo venderà come sostituto completo del centralino farà danni, e poi la colpa la daranno all’AI.

La cosa che invece terrei d’occhio è Transcribe. Non fa notizia, costa mezzo centesimo al minuto e risolve un problema che hanno tutti: trasformare in testo cercabile le telefonate, le riunioni e i messaggi vocali. Lì il ritorno si vede subito.

Conclusione

Gemini 3.8 Live porta due cose concrete: un modello che continua a parlare mentre esegue compiti, e un prezzo che rende sostenibile un assistente vocale anche per un’attività piccola. I benchmark dicono che è primo, ma dicono anche che la concorrenza è a un punto di distanza e che nei compiti difficili nessuno è ancora affidabile da solo. Se devi scegliere oggi, la versione normale conviene per quasi tutto, Extended Thinking solo dove serve ragionare in più passaggi, e Transcribe è quello che rende prima.

FAQ

Quanto costa Gemini 3.8 Live?

A listino 0,005 dollari al minuto per l’audio in ingresso e 0,018 per quello in uscita, cioè circa 23 dollari ogni mille minuti di conversazione. Google precisa che sono stime calcolate sulla tariffa a token, quindi il conto reale cambia con la lunghezza delle conversazioni. C’è anche un livello gratuito per provare.

Qual è la differenza con Extended Thinking?

Extended Thinking ragiona più a lungo prima di rispondere e lo fa parlando, invece di lasciarti in silenzio. Si regola con tre livelli di ragionamento. Costa di più: misurato sul campo, 3,50 dollari l’ora contro 0,84.

È davvero il migliore modello vocale?

È primo nell’indice di Artificial Analysis con 82,6 punti, ma GPT-Live-1 è a 81,5 e Grok Voice Think Fast 2.0 a 81,3. Sulla qualità sono vicinissimi. La differenza grossa è il costo per ora di audio.

Quante lingue supporta?

Google dichiara 97 lingue per i nuovi modelli vocali, con cambio automatico durante la conversazione. Gemini 3.5 Transcribe ne copre più di 85 e la pagina generale della Live API ne indica ancora 70. Conviene provare la lingua che ti serve prima di progettare.

Quanto è precisa la trascrizione di Gemini 3.5 Transcribe?

Google dichiara un tasso di errore medio del 4,0% in diretta e del 2,6% sui file registrati: quattro parole sbagliate ogni cento nel primo caso. Si possono caricare file fino a un’ora, che scendono a 30 minuti se attivi il riconoscimento di chi parla.

Serve saper programmare per usarli?

Per provarli no, bastano Google AI Studio e il microfono. Per metterli dentro un servizio vero sì: si passa dalla Live API, si gestiscono le chiamate ai propri sistemi e serve un’infrastruttura audio, che Google delega a partner come LiveKit o Pipecat.

Sono disponibili in italiano?

Sì, l’italiano è fra le lingue supportate e Gemini Live parla italiano già da tempo. Quello che conviene verificare è la resa sul tuo caso specifico, soprattutto con termini tecnici o nomi propri, dove aiuta il vocabolario personalizzato di Transcribe.

Fonti

Google, 15 settembre 2026: l’annuncio per gli sviluppatori, con prezzi e capacità.
Google, 15 settembre 2026: la presentazione dei due modelli e i benchmark dichiarati.
Google, 26 agosto 2026: Gemini 3.5 Transcribe e i tassi di errore.
Listino ufficiale della Gemini API: prezzi al minuto e a token.
Artificial Analysis, Speech to Speech Index: la classifica indipendente e i costi per ora.
Listino ufficiale OpenAI: i prezzi dei modelli vocali per il confronto.
Documentazione Google: come si configura il ragionamento nella Live API.
TuttoAndroid, 15 settembre 2026: la copertura italiana dell’annuncio.

Daniele Forciniti

Sono Daniele Forciniti, un esperto di web design e SEO con oltre 10 anni di esperienza e diverse certificazioni professionali. Mi specializzo in HTML e CSS, utilizzo CMS come WordPress. Sono il maggior esperto in Italia di WIX e WIX Studio, mi occupo anche di SEO posizionamento web nei motori di ricerca e digital marketing. Sono appassionato del mio lavoro e continuo ad aggiornare le mie competenze per fornire soluzioni innovative e di alta qualità ai miei clienti.