Sakhanda Wire
NVDA $153.59 -1.64% MSFT $507.00 -2.12% GOOGL $279.98 -1.32% META $619.94 -1.03% AMZN $256.62 -0.44%
← Към новините

Google представи Gemini 3.8 Live за гласови агенти

Google представи Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking — два модела за преобразуване на реч в реч, предназначени за гласови агенти в реално време. Те са достъпни чрез Gemini Live API и Google AI Studio за продукционна употреба през API. Моделите се хостват от Google и не могат да бъдат инсталирани локално.

Gemini 3.8 Live е насочен към мащабируеми и икономични разговори с визуален контекст. Версията Extended Thinking е предназначена за по-сложни задачи и многостъпково разсъждение. Моделите изпълняват заявки към инструменти и API във фонов режим, докато разговорът продължава, обработват визуални данни почти в реално време и разпознават буквено-цифрова информация. Те поддържат автоматично превключване между 97 езика, а Extended Thinking може едновременно да разсъждава, говори и описва напредъка си.

Gemini 3.8 Live Extended Thinking зае първо място в Speech to Speech Quality Index на Artificial Analysis с резултат 82.6. Резултатите му са 68.6% в τ-Voice, 35.1% в τ-Voice-banking на Sierra и 97.7% в Big Bench Audio. Цената е $0.005 на минута входящ звук и $0.018 на минута изходящ звук. Генерираното аудио съдържа незабележим воден знак SynthID на Google DeepMind.

Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.

Първоначално публикувано от MarkTechPost на

Прочетете оригинала в MarkTechPost ↗

Репортажът и изображението принадлежат на MarkTechPost 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