Google uvádí hlasové AI modely Gemini 3.8 Live

Společnost Google Alphabet Inc. ↗ 0.78% v úterý vydala Gemini 3.8 Live a Gemini 3.8 Live Extended Thinking, dvojici hlasových AI modelů navržených pro konverzaci v reálném čase, vizuální porozumění a provádění úloh na pozadí. Firma je označuje za své dosud nejpokročilejší modely pro živý dialog.blog+1

Toto uvedení staví Google do přímé konkurence s GPT-Live-1 od OpenAI na vznikajícím trhu hlasových agentů, a to za zlomek ceny. Podle serveru The Decoder stojí Gemini 3.8 Live Extended Thinking přibližně 1,38 dolaru za hodinu hlasové konverzace, což je zhruba 13krát méně než u nabídky OpenAI. V indexu kvality řeči (Speech to Speech Quality Index) od Artificial Analysis získal Extended Thinking 82,6 bodu a obsadil první místo, zatímco GPT-Live-1 dosáhl 79,4 bodu.autointerviewai+1

Co modely dokážou

Gemini 3.8 Live je postaven pro škálovatelnost a nákladovou efektivitu, zpracovává vizuální vstupy téměř v reálném čase a automaticky přepíná mezi 97 jazyky uprostřed konverzace. Dokáže provádět volání nástrojů a API požadavky na pozadí, zatímco pokračuje v hovoru, slovně potvrdí požadavek uživatele a po dokončení úlohy se vrátí ke konverzaci.unite+1

Extended Thinking přidává k této konverzační vrstvě hlubší uvažování. Google uvádí, že model uvažuje a mluví současně, přičemž používá verbální signály jako „Nechte mě se na to podívat…“, aby udržel přirozený tok řeči při řešení vícekrokových problémů. V benchmarku agentních úloh τ-Voice dosáhl 68,6 % a v testu Big Bench Audio 97,7 %.blog+1

Demonstrační videa ukazují, jak modely provázejí zaměstnance procesem onboardingu s živým vizuálním kontextem, převádějí ručně kreslené náčrty na funkční komponenty React prostřednictvím hlasové zpětné vazby a koordinují vícekrokové rezervace v restauracích pomocí asynchronních volání funkcí.unite

Kdo má přístup

Oba modely byly uvolněny v úterý. Vývojáři k nim mají přístup prostřednictvím Gemini API a Google AI Studio. Firmy získávají soukromý náhled v rámci Gemini Enterprise, přičemž podpora zákaznické zkušenosti přijde později. Pro běžné uživatele pohání Gemini 3.8 Live službu Google Search Live, zatímco Extended Thinking je k dispozici v aplikaci Gemini Live, v Dokumentech pro předplatitele Google AI Pro a Ultra a v Gmailu a Keep pro všechny předplatitele Google AI.sqmagazine+1

Google mezi prvními partnery z řad platforem a podniků, kteří staví na schopnostech modelů volat nástroje s nízkou latencí, jmenoval společnosti Agora, LiveKit, Pipecat, Vercel a Salesforce ↘ 3.94%. Veškerý zvukový výstup je opatřen vodoznakem systému SynthID od Googlu pro označení řeči generované umělou inteligencí.blog+1

Konkurenční prostředí

Vydání přiostřuje rivalitu v oblasti hlasové AI. Model GPT-Live-1 od OpenAI si udržuje architektonickou výhodu – skutečnou full-duplex konverzaci, kdy model poslouchá, zatímco mluví – ale Google sází na to, že lepší výsledky v benchmarcích a agresivní cenotvorba přesvědčí vývojáře, kteří budují produkční hlasové agenty ve velkém měřítku. V benchmarku EVA-Bench od ServiceNow ↘ 0.38% Google uvádí, že jeho modely posouvají hranice přesnosti a konverzační kvality pro komplexní hlasové pracovní postupy.orcarouter+3