„Google“ pristatė „Gemini 3.8 Live“ balso dirbtinio intelekto modelius

„Google Alphabet Inc.“ ↗ 0.78% antradienį pristatė „Gemini 3.8 Live“ ir „Gemini 3.8 Live Extended Thinking“ – balso dirbtinio intelekto modelius, skirtus pokalbiams realiuoju laiku, vaizdiniam suvokimui ir fono užduočių vykdymui. Bendrovė teigia, kad tai yra iki šiol pažangiausi jų tiesioginio dialogo modeliai.blog+1

Šis pristatymas leidžia „Google“ tiesiogiai konkuruoti su „OpenAI“ „GPT-Live-1“ kylančioje balso agentų rinkoje už mažesnę kainą. „The Decoder“ duomenimis, „Gemini 3.8 Live Extended Thinking“ kainuoja apie 1,38 JAV dolerio už valandą balso pokalbio, o tai yra maždaug 13 kartų pigiau nei „OpenAI“ pasiūlymas. „Artificial Analysis“ kalbos kokybės indekse „Extended Thinking“ surinko 82,6 balo ir užėmė pirmąją vietą, palyginti su 79,4 balo, kuriuos gavo „GPT-Live-1“.autointerviewai+1

Ką modeliai geba

„Gemini 3.8 Live“ sukurtas masteliui ir ekonomiškumui, apdoroja vaizdinę informaciją beveik realiuoju laiku ir automatiškai persijungia tarp 97 kalbų pokalbio metu. Jis gali vykdyti įrankių iškvietimus ir API užklausas fone tęsdamas pokalbį, žodžiu patvirtindamas vartotojo užklausą ir grįždamas prie pokalbio, kai užduotis baigiama.unite+1

„Extended Thinking“ prie šio pokalbių sluoksnio prideda gilesnį mąstymą. „Google“ teigia, kad modelis mąsto ir kalba vienu metu, naudodamas verbalinius signalus, tokius kaip „Leiskite man patikrinti…“, kad išlaikytų natūralų srautą sprendžiant daugiapakopes problemas. Jis surinko 68,6 % „τ-Voice“ agentų užduočių vertinimo teste ir 97,7 % „Big Bench Audio“ teste.blog+1

Demonstraciniuose vaizdo įrašuose matyti, kaip modeliai padeda darbuotojams įsilieti į darbą su tiesioginiu vaizdiniu kontekstu, ranka pieštus eskizus paverčia funkciniais „React“ komponentais per balso grįžtamąjį ryšį ir koordinuoja daugiapakopius restoranų užsakymus per asinchroninius funkcijų iškvietimus.unite

Prieiga prie modelių

Abu modeliai pradėti platinti antradienį. Kūrėjai gali juos pasiekti per „Gemini API“ ir „Google AI Studio“. Įmonės gauna privačią peržiūrą „Gemini Enterprise“ platformoje, o klientų aptarnavimo funkcijos bus pridėtos vėliau. Vartotojams „Gemini 3.8 Live“ veikia „Google Search Live“, o „Extended Thinking“ pasiekiamas „Gemini Live“ programėlėje, „Docs“ „Google AI Pro“ ir „Ultra“ prenumeratoriams bei „Gmail“ ir „Keep“ visiems „Google AI“ prenumeratoriams.sqmagazine+1

„Google“ įvardijo „Agora“, „LiveKit“, „Pipecat“, „Vercel“ ir „Salesforce“ ↘ 3.94% kaip pirmuosius platformų ir įmonių partnerius, kuriančius sprendimus, pagrįstus šių modelių mažo vėlavimo įrankių iškvietimo galimybėmis. Visa garso išvestis yra pažymėta „Google“ „SynthID“ sistema, skirta dirbtinio intelekto sugeneruotai kalbai atpažinti.blog+1

Konkurencinė aplinka

Šis išleidimas paaštrina konkurenciją balso dirbtinio intelekto srityje. „OpenAI“ „GPT-Live-1“ išlaiko architektūrinį pranašumą – tikrą „full-duplex“ pokalbį, kai modelis klauso kalbėdamas, tačiau „Google“ tikisi, kad geresni rezultatai ir agresyvi kainodara pritrauks kūrėjus, kuriančius balso agentus dideliu mastu. „ServiceNow“ ↘ 0.38% „EVA-Bench“ teste „Google“ teigia, kad jų modeliai peržengia tikslumo ir pokalbio kokybės ribas sudėtingiems balso darbo procesams.orcarouter+3