Gemini 3.8 Live vs. GPT-Live-1: Kosten von Voice Agents im Produktionseinsatz

Ein Voice Agent wirkt oft erstaunlich günstig – bis der Anrufer pausiert, das Thema wechselt, auf ein Tool wartet oder eine halbe Stunde in der Leitung bleibt. Gemini 3.8 Live und GPT-Live-1 machen dieses Kostenrisiko auf sehr unterschiedliche Weise sichtbar: Gemini rechnet tokenbasiert ab und berücksichtigt dabei den persistenten Kontext, während GPT-Live-1 für die Voice-Schicht einen klaren Preis von 0,05 US-Dollar pro Minute nennt. Für Produktionsteams zählt deshalb nicht der niedrigere Werbepreis, sondern das Abrechnungsmodell, das zum tatsächlichen Gesprächsverlauf passt.

Die kurze Antwort für Produktionsteams

Googles Dokumentation zur Live API nennt im Beispiel zur Sitzungsfortsetzung den Modell-String gemini-3.8-live. In der aktuellen Live-Dokumentation erklärt Google außerdem, dass Audio als Tokens abgerechnet wird und zurückgehaltener Kontext in späteren Gesprächsrunden erneut verarbeitet werden kann. OpenAIs Ankündigung zu GPT-Live-1 nennt 0,05 US-Dollar pro Minute für die vorgeschaltete Voice-Schicht; Backend-Reasoning und Tools werden separat berechnet.

Daraus ergibt sich für die Praxis eine klare Aufteilung:

Wichtig ist allerdings: Auf Googles Preisseite für die Gemini API findet sich in dem hier geprüften Material keine separate Preiszeile für Gemini 3.8 Live. Verwende deshalb nicht einfach die Tarife von Gemini 3.1 Flash Live für eine Finanzplanung mit Gemini 3.8 Live.

Gemini 3.8 Live vs. GPT-Live-1: So wird abgerechnet

Gemini 3.8 Live: Audio-Tokens, Kontext und Kompression

Googles Leitfaden zu Best Practices für die Live API geht bei nativem Audio von ungefähr 25 Tokens pro Audi­osekunde aus. Derselbe Leitfaden erklärt, dass eine persistente Session den bereits angesammelten Kontext in späteren Gesprächsrunden erneut abrechnen kann. Je länger das Gespräch dauert, desto größer kann die historische Eingabe für eine neue Antwort ausfallen.

Das grobe Kostenmodell sieht so aus:

Gemini session cost
= current audio and text usage
+ retained context reprocessed across turns
+ output audio and thinking usage
+ optional transcription usage
+ tools and infrastructure

Kompression verändert diese Kostenkurve. Google dokumentiert dafür ContextWindowCompressionConfig und eine Sliding-Window-Strategie für lange Sessions. Im von Google dokumentierten Beispiel wird die Kompression bei 25.000 Tokens ausgelöst; das Sliding Window umfasst 8.000 Tokens. Die konkreten Werte für den Produktionseinsatz sollten anhand von Erinnerungsvermögen und Tool-Genauigkeit getestet werden, statt sie blind zu übernehmen.

Auch Transkripte können zusätzliche Kosten verursachen. Laut Google erzeugt die Aktivierung von inputAudioTranscription oder outputAudioTranscription zusätzlichen Text-Token-Verbrauch – zusätzlich zur Abrechnung des nativen Audios. Wer durchsuchbare Transkripte benötigt, sollte diesen Aufschlag in die Kosten pro gelöstem Vorgang einrechnen.

GPT-Live-1: Abrechnung nach laufender Gesprächszeit

OpenAI nennt für GPT-Live-1 0,05 US-Dollar pro Minute, abgerechnet mit einer Genauigkeit von einzelnen Sekunden, für die vorgeschaltete Voice-Schicht. Die Rechnung ist entsprechend einfach:

Der entscheidende Haken sind Gesprächspausen. Der veröffentlichte Minutenpreis bezieht sich auf die Sitzungsdauer – nicht nur auf die Sekunden, in denen der Anrufer tatsächlich spricht. Eine 30-minütige Session mit zehn Minuten Stille wird also weiterhin als 30-minütige Session berechnet.

GPT-Live-1 ist außerdem nicht die komplette Agentenrechnung. OpenAI beschreibt das Modell als Voice-Schicht, die tieferes Reasoning und Tool-Aufrufe an Backend-Systeme delegieren kann. Backend-Tokens, Tools, Telefonie, Speicherung, Monitoring und Übergaben an Mitarbeitende kommen daher separat hinzu.

Die Kosten langer Sessions in vier Szenarien

Der folgende Vergleich verwendet die veröffentlichten GPT-Live-1-Tarife und Formeln, ohne einen Gemini-3.8-Preis zu erfinden.

1. Fünfminütiger Termin-Anruf

GPT-Live-1 schlägt für die Voice-Schicht mit 0,25 US-Dollar zu Buche – Backend-Reasoning und Telefoniekosten noch nicht eingerechnet. Gemini 3.8 Live lässt sich erst dann belastbar kalkulieren, wenn Google den für die exakte Modell-ID geltenden Preis veröffentlicht oder zugänglich macht.

Bei Gemini solltest du aus echten Sessions die Sekunden für eingehendes und ausgehendes Audio, die Tokens des zurückgehaltenen Kontexts, Transkriptions-Tokens und Tool-Aufrufe erfassen. Gerade bei kurzen Gesprächen kann die Token-Abrechnung attraktiv aussehen – aber nur, wenn Prompt und Kontext begrenzt bleiben.

2. Dreißigminütiges Support-Gespräch

GPT-Live-1 kostet für die Voice-Schicht 1,50 US-Dollar. Das lässt sich einfach budgetieren, sagt aber noch nichts darüber aus, ob das Anliegen tatsächlich gelöst wurde.

Bei Gemini hängt der Preis davon ab, wie viel Audio im Kontext bleibt und wie viele Gesprächsrunden die Session erzeugt. Zwei 30-minütige Anrufe können beim Token-Verbrauch deutlich auseinanderliegen: etwa dann, wenn einer fast durchgehend Sprache enthält, während der andere lange Pausen, wiederholte Erklärungen oder multimodale Eingaben umfasst.

3. Warteschleife oder verzögerter Tool-Aufruf

GPT-Live-1 berechnet weiter, solange die Session geöffnet bleibt. Die operative Gegenmaßnahme ist ein striktes Timeout bei Stille oder ein expliziter Übergang in einen Übergabezustand.

Auch Gemini ist während einer Gesprächspause nicht automatisch „kostenlos“. Die Verbindung, die Tool-Orchestrierung, die Kontextstrategie und die spätere Gesprächsrunde gehören weiterhin in die Kostenrechnung. Behandle Stille deshalb als Produktzustand – nicht bloß als Detail der Anbieterpreise.

4. Eine Session, die den ganzen Tag zuhört

Beim veröffentlichten Tarif von GPT-Live-1 kosten acht durchgehend geöffnete Stunden für die Voice-Schicht 24 US-Dollar. Zehn solcher Sessions summieren sich auf 240 US-Dollar pro Tag – Backend-Modelle und sonstige Infrastruktur noch nicht berücksichtigt.

Gemini kann bei spärlichen Interaktionen effizienter sein, wenn die Anwendung unnötige Audioübertragungen vermeidet und den Gesprächsverlauf komprimiert. Weniger planbar wird das Modell, wenn die Anwendung den vollständigen Rohkontext behält und endlose Gesprächsschleifen zulässt. Ein Always-on-Design gehört unter Last getestet und sollte nicht aus einer fünfminütigen Demo hochgerechnet werden.

Produktionsfaktoren, die deine Kalkulation verändern

Kontext und Lebensdauer der Verbindung

Googles Dokumentation zur Sitzungsverwaltung nennt für unkomprimierte Sessions mit ausschließlich Audio 15 Minuten und für Audio-Video-Sessions 2 Minuten. Außerdem beschreibt die Dokumentation einzelne WebSocket-Verbindungen mit einer Dauer von etwa 10 Minuten – unabhängig von der Lebensdauer der logischen Session. Clients im Produktionseinsatz brauchen daher sowohl Kontextkompression als auch eine saubere Sitzungsfortsetzung.

Die von Google ausgegebenen Handles zur Sitzungsfortsetzung bleiben zwei Stunden nach dem Ende der letzten Session gültig. Vor dem Schließen einer Verbindung sendet der Server außerdem GoAway. Wer diese Ereignisse nicht verarbeitet, riskiert bei langen Gesprächen abgebrochene Anrufe, doppelt ausgeführte Tool-Aktionen oder verlorene Zustände.

Parallelität ist ein eigenes Kosten- und Kapazitätsthema

Ein Minutenpreis beantwortet die Frage: „Was kostet eine geöffnete Session?“ Er beantwortet aber nicht: „Wie viele Sessions kann ich gleichzeitig betreiben?“ Die GPT-Live-1-Dokumentation beschreibt die Kapazität über parallele Sessions; die genannten Stufen reichen von 25 Sessions in Tier 1 bis 500 in Tier 5. Eine plötzliche Anrufwelle kann dieses Limit erreichen, obwohl das Monatsbudget noch eingehalten wird. Vor dem Start sollte deshalb OpenAIs Modellreferenz zu GPT-Live-1 auf die aktuell geltende Parallelitätszusage geprüft werden.

Bei Gemini solltest du parallele WebSockets, Wiederverbindungsraten, Kompressionsereignisse und Quotenfehler protokollieren. Token-Durchsatz und die Zahl gleichzeitiger Sessions sind unterschiedliche Engpässe.

Telefonie und Audio-Bridge

Ein Telefon-Agent verursacht Kosten, die bei keinem der beiden Modelle im Inferenzpreis enthalten sind. Googles Leitfaden zur Telefonie-Integration verwendet eine Bridge wie Twilio Media Streams. Beschrieben wird die Umwandlung zwischen Twilios 8-kHz-μ-law-Audio, Geminis 16-kHz-PCM-Eingabe und Geminis 24-kHz-PCM-Ausgabe. Diese Vermittlung bringt zusätzliche Kosten und Arbeit für Carrier, Transport, Rechenleistung und Betrieb mit sich.

Die Vollduplex-Ausrichtung von GPT-Live-1 kann die eigene Orchestrierung von Unterbrechungen vereinfachen. Gebühren für den Telefonanbieter und die Arbeit im Backend entfallen dadurch aber nicht. Vergleiche deshalb die vollständigen Kosten pro Anruf – nicht nur die Inferenzkosten.

„Ich habe einen Gemini-Live-Voice-Agenten für die Marketing-Annahme ausgeliefert. Beim Buchen hing er immer wieder mitten im Vorgang.“ – @ramanpal, Bericht über einen Fehler bei der Verarbeitung von turnComplete in Gemini 3.8 Live Extended Thinking (X).

Das ist der frühe Erfahrungsbericht eines einzelnen Entwicklers und keine gemessene Fehlerquote. Trotzdem erinnert er an einen wichtigen Punkt: Protokollsemantik kann in der Praxis teurer werden als ein kleiner Unterschied beim Tokenpreis.

Meine Entscheidungsregel für die Praxis

Wähle GPT-Live-1, wenn die Voice-Schicht die größte Unsicherheit darstellt und das Finanzteam eine klare, dauerbasierte Kalkulation braucht. Begrenze Pausen, maximale Gesprächsdauer, Parallelität und Backend-Reasoning konsequent. Die 0,05 US-Dollar sind ein Mindestwert für die Voice-Schicht – nicht die Gesamtkosten pro Anruf.

Wähle Gemini 3.8 Live, wenn dein Team den Token-Verbrauch instrumentieren kann und von Kontextkompression, Multimodalität oder Kontrolle auf Token-Ebene profitiert. Starte mit einem klar begrenzten Workflow statt mit einem offenen Assistenten. Entscheidend sind die Kosten pro erfolgreich abgeschlossenem Vorgang, nicht die Kosten pro Minute:

cost per successful resolution
= total model + tool + telephony + infrastructure cost
  / completed valid resolutions

Bevor du dich festlegst, lass denselben Gesprächsmix durch beide Systeme laufen. Erfasse Median und p95-Werte für Dauer, Audiosekunden, Tokens im zurückgehaltenen Kontext, Transkriptionsverbrauch, Tool-Wiederholungen, Übergaberate, Wiederverbindungen und Lösungsquote. Das bessere System ist dasjenige, bei dem diese Kennzahlen auch bei längeren Gesprächen stabil bleiben.

FAQ

Ist Gemini 3.8 Live offiziell verfügbar?

Googles aktuelle Dokumentation zur Sitzungsverwaltung verwendet gemini-3.8-live in einem Beispiel zur Sitzungsfortsetzung. Prüfe vor dem Produktionseinsatz den Zugriff, die Region, die Quoten und die exakte Preiszeile in deinem Google-Projekt.

Berechnet GPT-Live-1 auch Gesprächspausen?

Der veröffentlichte Preis gilt pro Minute der Voice-Session und wird sekundengenau abgerechnet. Gehe deshalb davon aus, dass auch die Stille innerhalb der Session berechnet wird – sofern dein Vertrag nichts anderes festlegt.

Sind 0,05 US-Dollar pro Minute bei GPT-Live-1 die kompletten Anrufkosten?

Nein. OpenAI beschreibt diesen Betrag als Preis für die vorgeschaltete Voice-Schicht. Backend-Reasoning, Tools, Telefonie, Speicherung, Monitoring und die Eskalation an Mitarbeitende verursachen zusätzliche Kosten.

Kann Kontextkompression eine lange Gemini-Session kostenlos machen?

Nein. Kompression ist ein Mechanismus zur Kontextverwaltung, kein kostenloser Modus. Sie kann den gespeicherten Gesprächsverlauf begrenzen und helfen, Laufzeitbeschränkungen zu vermeiden. Live-Audio, Ausgaben, Tools und Infrastruktur bleiben jedoch kostenpflichtig oder zumindest betrieblich relevant.

Welches Modell ist für lange Voice-Sessions günstiger?

Solange der für Gemini 3.8 Live geltende Preis und das konkrete Nutzungsprofil nicht bekannt sind, gibt es darauf keine belastbare allgemeingültige Antwort. GPT-Live-1 lässt sich leichter prognostizieren; Gemini kann sich bei sorgfältigem Kontext- und Input-Management lohnen. Vergleiche beide Systeme anhand erfolgreich abgeschlossener Vorgänge.

Ein Voice Agent im Produktionseinsatz wird nicht nach seinem ersten angenehmen Gespräch bepreist. Entscheidend ist der lange Schwanz der Verteilung: Stille, Wiederholungen, wachsender Kontext, Wiederverbindungen und Anrufe, die am Ende doch einen Menschen benötigen. Verankere das Mess- und Abrechnungskonzept in der Architektur, bevor du dich für ein Modell entscheidest.