Google-ը գործարկել է Gemini 3.8 Live ձայնային AI մոդելները

Google Alphabet Inc. ↗ 0.78%-ը երեքշաբթի օրը թողարկեց Gemini 3.8 Live և Gemini 3.8 Live Extended Thinking մոդելները՝ ձայնային AI մոդելների զույգ, որոնք նախատեսված են իրական ժամանակում զրույցի, տեսողական ընկալման և ֆոնային առաջադրանքների կատարման համար։ Ընկերությունը դրանք անվանում է իր մինչ օրս ամենաառաջադեմ կենդանի երկխոսության մոդելները:blog+1

Այս գործարկումը Google-ին հնարավորություն է տալիս ուղղակիորեն մրցակցել OpenAI-ի GPT-Live-1-ի հետ ձայնային գործակալների զարգացող շուկայում՝ շատ ավելի ցածր գնով։ Ըստ The Decoder-ի՝ Gemini 3.8 Live Extended Thinking-ի արժեքը կազմում է ժամում մոտ 1.38 դոլար, ինչը մոտ 13 անգամ էժան է OpenAI-ի առաջարկից։ Artificial Analysis-ի Speech to Speech Quality Index-ում Extended Thinking-ը հավաքել է 82.6 միավոր՝ զբաղեցնելով առաջին տեղը, մինչդեռ GPT-Live-1-ը հավաքել է 79.4 միավոր:autointerviewai+1

Ինչ են անում մոդելները

Gemini 3.8 Live-ը նախատեսված է մասշտաբայնության և ծախսարդյունավետության համար՝ մշակելով տեսողական մուտքային տվյալները գրեթե իրական ժամանակում և ավտոմատ կերպով անցնելով 97 լեզուների միջև զրույցի ընթացքում։ Այն կարող է կատարել գործիքների կանչեր և API հարցումներ ֆոնային ռեժիմում՝ շարունակելով խոսել, բանավոր հաստատելով օգտատիրոջ հարցումը և վերսկսելով զրույցը առաջադրանքի ավարտից հետո:unite+1

Extended Thinking-ը այս զրուցային շերտին ավելացնում է ավելի խորը տրամաբանելու ունակություն։ Google-ը նշում է, որ մոդելը մտածում և խոսում է միաժամանակ՝ օգտագործելով բանավոր ազդակներ, ինչպիսիք են «Թույլ տվեք ստուգեմ…», որպեսզի պահպանի բնական հոսքը բազմաքայլ խնդիրներ լուծելիս։ Այն հավաքել է 68.6% τ-Voice գործակալային առաջադրանքների բենչմարկում և 97.7% Big Bench Audio-ում:blog+1

Ցուցադրական տեսանյութերը ցույց են տալիս, թե ինչպես են մոդելները ուղղորդում աշխատակիցների ընդունման գործընթացը կենդանի տեսողական համատեքստով, ձեռքով գծված էսքիզները վերածում ֆունկցիոնալ React բաղադրիչների ձայնային հետադարձ կապի միջոցով և համակարգում ռեստորանային ամրագրումների բազմաքայլ գործընթացները ասինխրոն ֆունկցիաների կանչերի միջոցով:unite

Ովքեր ունեն հասանելիություն

Երկու մոդելների տարածումը սկսվել է երեքշաբթի օրը։ Ծրագրավորողները կարող են մուտք գործել դրանք Gemini API-ի և Google AI Studio-ի միջոցով։ Ձեռնարկությունները կստանան մասնավոր նախադիտում Gemini Enterprise-ում, իսկ հաճախորդների սպասարկման աջակցությունը կավելացվի ավելի ուշ։ Սպառողների համար Gemini 3.8 Live-ը ապահովում է Google Search Live-ը, իսկ Extended Thinking-ը հասանելի է Gemini Live հավելվածում, Docs-ում Google AI Pro և Ultra բաժանորդների համար, ինչպես նաև Gmail-ում և Keep-ում բոլոր Google AI բաժանորդների համար:sqmagazine+1

Google-ը նշել է Agora, LiveKit, Pipecat, Vercel և Salesforce ↘ 3.94% ընկերություններին որպես վաղ գործընկերներ, որոնք կառուցում են իրենց արտադրանքը մոդելների ցածր լատենտայնությամբ գործիքների կանչման հնարավորությունների վրա։ Բոլոր աուդիո ելքերը նշված են Google-ի SynthID համակարգով՝ AI-ի կողմից ստեղծված խոսքը բացահայտելու համար:blog+1

Մրցակցային պատկերը

Այս թողարկումը սրում է մրցակցությունը ձայնային AI-ի ոլորտում։ OpenAI-ի GPT-Live-1-ը պահպանում է ճարտարապետական առավելությունը՝ իրական լիարժեք դուպլեքսային զրույցի հնարավորությամբ, սակայն Google-ը խաղադրույք է կատարում այն բանի վրա, որ բարձրագույն բենչմարկները և ագրեսիվ գները կգրավեն ծրագրավորողներին, ովքեր ստեղծում են մասշտաբային ձայնային գործակալներ։ ServiceNow-ի ↘ 0.38% EVA-Bench-ի հիման վրա Google-ը հայտարարում է, որ իր մոդելները ընդլայնում են ճշգրտության և զրուցային որակի սահմանները բարդ ձայնային աշխատանքային գործընթացների համար:orcarouter+3