DeepMind представи гласовите модели Gemini 3.8 Live
DeepMind представи Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking — два модела за гласово взаимодействие почти в реално време. Според компанията първият съчетава разговорни умения, визуално разбиране на контекста и ефективност на разходите, а версията Extended Thinking е предназначена за сложни задачи с многостъпково разсъждение.
Gemini 3.8 Live Extended Thinking зае първо място в Speech to Speech Quality Index на Artificial Analysis с резултат 82.6. Моделът е постигнал 68.6% в τ-Voice, 35.1% в банковия бенчмарк τ-Voice на Sierra и 97.7% в Big Bench Audio. DeepMind съобщава, че Gemini 3.8 Live е втори в Speech Agent Arena.
Моделите обработват визуални входове, автоматично преминават между 97 поддържани езика и изпълняват инструменти или API повиквания, докато разговорът продължава. Extended Thinking може да описва с глас напредъка при по-дълги задачи. Генерираният звук е маркиран с водния знак SynthID.
Gemini 3.8 Live започва да се разпространява чрез Gemini API, Google AI Studio и Search Live, а корпоративният достъп е в частен преглед. Extended Thinking е достъпен по тези канали и в Gemini Live, като допълнителните възможности за Workspace и предприятията се въвеждат поетапно.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на DeepMind. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.