Google пуска аудио моделите Gemini 3.8 Live за разработчици
Google DeepMind представи Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking — два аудио модела за разработчици, достъпни чрез Gemini API и Google AI Studio. Те са предназначени за гласови агенти, които могат да извикват API във фонов режим, да обработват визуална информация и да продължават разговора едновременно. Според Google моделите поддържат над 97 езика, а примерни приложения са публикувани в GitHub.
Версията Extended Thinking заема първо място в класацията Artificial Analysis Speech-to-Speech Leaderboard с резултат 82,6%, пред последните модели GPT-Live-1 на OpenAI. Google таксува $0.005 на минута за аудио вход и $0.018 на минута за изход. Един час гласов разговор излиза приблизително $1.38, докато при GPT-Live-1 цената е най-малко $3.00.
Сравнението посочва, че моделът на OpenAI може да води по-естествени разговори благодарение на пълния дуплекс, който позволява едновременно слушане и говорене. Демонстрациите са звучали по-добре, което сочи компромис между по-ниската цена на Google и качеството на разговора.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.