Google udostępnia Gemini 3.8 Live: głos w czasie rzeczywistym ze zmianą języka w rozmowie

Gemini 3.8 Live i jego wariant Extended Thinking dodają do głosowej AI Google niemal natychmiastowe osadzenie wizualne i wnioskowanie w tle; są wdrażane w Search Live, Gemini Live i Workspace.

W tym artykule

Co nowego w interakcji głosowej
Liczby należy traktować jako deklaracje dostawcy, a nie audyt
Co to oznacza dla MSP

Google udostępniło dwa nowe modele głosowe działające w czasie rzeczywistym: Gemini 3.8 Live i Gemini 3.8 Live Extended Thinking, wdrażane w Gemini API, Google AI Studio, Gemini Enterprise, Search Live, Gemini Live i częściach Workspace. Ten duet dzieli zadania: model podstawowy stawia na skalę i efektywność kosztową, a Extended Thinking jest przeznaczony do zadań wymagających głębszego rozumowania bez przerywania toku rozmowy.

Zbliżenie srebrnego studyjnego mikrofonu pojemnościowego w koszu zawieszenia na tle ciepłego, rozmytego wnętrza — Zdjęcie: Will Fisher from Richmond, VA, United States (CC BY-SA 2.0), Wikimedia Commons.

Co nowego w interakcji głosowej

Gemini 3.8 Live przetwarza dane wizualne niemal w czasie rzeczywistym, dzięki czemu rozmowa może odwoływać się do tego, co aktualnie pokazuje kamera lub ekran, zamiast do statycznego zrzutu. Wykrywa również 97 obsługiwanych języków i przełącza się między nimi w trakcie rozmowy, a także może wykonywać wywołania narzędzi i żądania API w tle, nie przerywając mówienia — potwierdza żądanie i relacjonuje postępy, zamiast milknąć do czasu zakończenia zadania. Google podaje, że generowany dźwięk zawiera znak wodny SynthID.

Liczby należy traktować jako deklaracje dostawcy, a nie audyt

Google przytacza wyniki ocen zewnętrznych dla Extended Thinking: 82,6 punktu w indeksie Speech-to-Speech Quality Index firmy Artificial Analysis oraz 68,6% w teście zadań agentowych τ-Voice (35,1% w wariancie bankowym). Pochodzą one od wskazanych z nazwy dostawców testów, na które powołuje się sam Google, a nie z niezależnego audytu zweryfikowanego bezpośrednio tutaj; ponadto każdy z nich stosuje inne metody pomiaru — nie należy ich odczytywać jako jednego, ujednoliconego wyniku wydajności.

Co to oznacza dla MSP

Dla dostawców usług zarządzanych, którzy obsługują już więcej niż jeden model głosowy we wdrożeniach u klientów, praktyczne pytanie, jakie stawiają te premiery, nie dotyczy wyników testów, lecz tego, gdzie faktycznie wykonywana jest inferencja i które dane najemcy trafiają do jakiego regionu — to kwestia routingu i izolacji, niezależna od marketingu dotyczącego możliwości modelu.

Źródła: Google Blog, 9to5Google.