Sakhanda Wire
NVDA $152.58 -2.28% MSFT $506.11 -2.29% GOOGL $279.81 -1.38% META $619.07 -1.17% AMZN $256.55 -0.47%
← Към новините

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.

Първоначално публикувано от The Decoder на

Прочетете оригинала в The Decoder ↗

Репортажът и изображението принадлежат на The Decoder и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини