Google lanserar Gemini 3.8 Live för realtidsröst med språkbyte mitt i samtalet

Gemini 3.8 Live och syskonmodellen Extended Thinking lägger till nära realtidsbaserad visuell förankring och bakgrundsresonemang till Googles röst-AI och rullas ut i Search Live, Gemini Live och Workspace.

I den här artikeln

Vad är nytt för röstinteraktion
Siffror att läsa som leverantörspåståenden, inte granskningar
Vad detta innebär för MSP:er

Google har släppt två nya röstmodeller för realtid, Gemini 3.8 Live och Gemini 3.8 Live Extended Thinking, som rullas ut i Gemini API, Google AI Studio, Gemini Enterprise, Search Live, Gemini Live och delar av Workspace. Paret delar upp uppgiften: basmodellen är inriktad på skala och kostnadseffektivitet, medan Extended Thinking är byggd för uppgifter som kräver mer resonemang utan att bryta samtalsflödet.

Närbild av en silverfärgad studiomikrofon av kondensatortyp i en upphängning, mot en varm, suddig bakgrund — Foto: Will Fisher from Richmond, VA, United States (CC BY-SA 2.0), Wikimedia Commons.

Vad är nytt för röstinteraktion

Gemini 3.8 Live bearbetar visuell indata i nära realtid, så att en konversation kan referera till vad en kamera eller skärm för närvarande visar snarare än en statisk ögonblicksbild. Den upptäcker och växlar också mellan 97 språk som stöds mitt i konversationen, och kan köra verktygsanrop och API-förfrågningar i bakgrunden medan den fortsätter att prata, bekräfta en begäran och berätta om framstegen i stället för att vara tyst medan en uppgift slutförs. Google uppger att genererat ljud bär en SynthID-vattenstämpel.

Siffror att läsa som leverantörspåståenden, inte granskningar

Google citerar tredjepartsutvärderingssiffror för Extended Thinking: ett resultat på 82,6 i Artificial Analysis Speech-to-Speech Quality Index och 68,6 % på τ-Voice-riktmärket för agentuppgifter (35,1 % på en bankspecifik variant). Dessa kommer från namngivna riktmärkesleverantörer som citeras i Googles eget tillkännagivande snarare än en oberoende granskning som verifierats direkt här, och de använder olika mätmetoder sinsemellan — de bör inte läsas som ett enda enhetligt prestandaresultat.

Vad detta innebär för MSP:er

För hanterade tjänsteleverantörer som redan jonglerar med fler än en röstmodell i kunddistributioner är den praktiska frågan som dessa lanseringar väcker inte riktmärkesresultaten, utan var inferens faktiskt körs och vilken kunds data som berör vilken region – en fråga om dirigering och isolering, skild från all marknadsföring av modellkapacitet.

Källor: Google Blog, 9to5Google.