Η Google λανσάρει τα μοντέλα τεχνητής νοημοσύνης Gemini 3.8 Live

Η Google Alphabet Inc. ↘ 1.24% κυκλοφόρησε την Τρίτη τα Gemini 3.8 Live και Gemini 3.8 Live Extended Thinking, δύο μοντέλα τεχνητής νοημοσύνης με επίκεντρο τη φωνή, σχεδιασμένα για συνομιλία σε πραγματικό χρόνο, οπτική κατανόηση και εκτέλεση εργασιών στο παρασκήνιο. Η εταιρεία τα αποκαλεί τα πιο προηγμένα μοντέλα ζωντανού διαλόγου που έχει παρουσιάσει μέχρι σήμερα.blog+1

Το λανσάρισμα τοποθετεί την Google σε άμεσο ανταγωνισμό με το GPT-Live-1 της OpenAI στην αναδυόμενη αγορά των φωνητικών πρακτόρων, προσφέροντας μια πολύ πιο οικονομική λύση. Σύμφωνα με το The Decoder, το Gemini 3.8 Live Extended Thinking κοστίζει περίπου 1,38 δολάρια ανά ώρα φωνητικής συνομιλίας, όντας περίπου 13 φορές φθηνότερο από την πρόταση της OpenAI. Στον δείκτη ποιότητας ομιλίας της Artificial Analysis, το Extended Thinking συγκέντρωσε 82,6 βαθμούς, καταλαμβάνοντας την κορυφή, έναντι 79,4 του GPT-Live-1.autointerviewai+1

Τι προσφέρουν τα μοντέλα

Το Gemini 3.8 Live έχει σχεδιαστεί για κλιμάκωση και αποδοτικότητα κόστους, επεξεργαζόμενο οπτικά δεδομένα σχεδόν σε πραγματικό χρόνο και εναλλάσσοντας αυτόματα 97 γλώσσες κατά τη διάρκεια της συνομιλίας. Μπορεί να εκτελεί κλήσεις εργαλείων και αιτήματα API στο παρασκήνιο ενώ συνεχίζει να μιλάει, επιβεβαιώνοντας προφορικά το αίτημα του χρήστη και συνεχίζοντας τη συζήτηση μόλις ολοκληρωθεί η εργασία.unite+1

Το Extended Thinking προσθέτει βαθύτερη ικανότητα συλλογισμού πάνω από αυτό το επίπεδο συνομιλίας. Η Google αναφέρει ότι το μοντέλο σκέφτεται και μιλάει ταυτόχρονα, χρησιμοποιώντας λεκτικές ενδείξεις όπως "Ας το ελέγξω…" για να διατηρήσει τη φυσική ροή ενώ επιλύει σύνθετα προβλήματα. Σημείωσε 68,6% στο benchmark πρακτόρων τ-Voice και 97,7% στο Big Bench Audio.blog+1

Τα βίντεο επίδειξης δείχνουν τα μοντέλα να καθοδηγούν την ένταξη νέων υπαλλήλων με ζωντανό οπτικό πλαίσιο, να μετατρέπουν χειρόγραφα σκίτσα σε λειτουργικά στοιχεία React μέσω φωνητικής ανατροφοδότησης και να συντονίζουν κρατήσεις σε εστιατόρια μέσω ασύγχρονων κλήσεων λειτουργιών.unite

Ποιοι έχουν πρόσβαση

Και τα δύο μοντέλα άρχισαν να διατίθενται την Τρίτη. Οι προγραμματιστές μπορούν να έχουν πρόσβαση μέσω του Gemini API και του Google AI Studio. Οι επιχειρήσεις λαμβάνουν μια ιδιωτική προεπισκόπηση στο Gemini Enterprise, με υποστήριξη εμπειρίας πελατών να έπεται. Για τους καταναλωτές, το Gemini 3.8 Live τροφοδοτεί το Google Search Live, ενώ το Extended Thinking είναι διαθέσιμο στην εφαρμογή Gemini Live, στα Έγγραφα για συνδρομητές Google AI Pro και Ultra, καθώς και στο Gmail και το Keep για όλους τους συνδρομητές Google AI.sqmagazine+1

Η Google κατονόμασε τις Agora, LiveKit, Pipecat, Vercel και Salesforce ↘ 1.46% μεταξύ των πρώτων συνεργατών πλατφόρμας και επιχειρήσεων που βασίζονται στις δυνατότητες κλήσης εργαλείων χαμηλής καθυστέρησης των μοντέλων. Όλη η έξοδος ήχου φέρει υδατογράφημα με το σύστημα SynthID της Google για την επισήμανση της τεχνητής ομιλίας.blog+1

Το ανταγωνιστικό τοπίο

Η κυκλοφορία εντείνει τον ανταγωνισμό στη φωνητική τεχνητή νοημοσύνη. Το GPT-Live-1 της OpenAI διατηρεί ένα αρχιτεκτονικό πλεονέκτημα, την πραγματική αμφίδρομη επικοινωνία όπου το μοντέλο ακούει ενώ μιλάει, αλλά η Google ποντάρει στο ότι τα ανώτερα αποτελέσματα στα benchmarks και η επιθετική τιμολόγηση θα κερδίσουν τους προγραμματιστές που δημιουργούν φωνητικούς πράκτορες μεγάλης κλίμακας. Στο EVA-Bench της ServiceNow ↘ 0.32%, η Google υποστηρίζει ότι τα μοντέλα της διευρύνουν τα όρια μεταξύ ακρίβειας και ποιότητας συνομιλίας για σύνθετες φωνητικές ροές εργασίας.orcarouter+3