Google представила Gemini 3.8 Live для голосовых агентов
Google представила Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking — две модели преобразования речи в речь для голосовых агентов, работающих в реальном времени. Они доступны через Gemini Live API и Google AI Studio для использования в производственных API-системах. Модели размещаются на стороне Google и не предусматривают самостоятельного развертывания.
Gemini 3.8 Live рассчитана на масштабируемые и экономичные диалоги с учетом визуального контекста. Версия Extended Thinking предназначена для сложных задач и многоэтапного рассуждения. Обе модели выполняют вызовы инструментов и API в фоновом режиме, пока аудио продолжает передаваться пользователю, обрабатывают потоковые визуальные данные и распознают буквенно-цифровую информацию. Они поддерживают автоматическое переключение между 97 языками. Extended Thinking может одновременно рассуждать и говорить, сообщая о ходе выполнения длительных операций.
В индексе качества Speech to Speech Quality Index от Artificial Analysis модель Gemini 3.8 Live Extended Thinking заняла первое место с результатом 82.6. Она получила 68.6% в τ-Voice, 35.1% в τ-Voice-banking от Sierra и 97.7% в Big Bench Audio. Стоимость составляет $0.005 за минуту входящего аудио и $0.018 за минуту исходящего. Весь сгенерированный звук содержит незаметную водяную метку SynthID от Google DeepMind.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.