Google представила Gemini 3.8 Live: голосовые модели с «мышлением вслух» и переключение...
Google представила Gemini 3.8 Live: голосовые модели с «мышлением вслух» и переключением между 97 языками 🎙️🧠 15 сентября Google выпустила две нативные speech-to-speech модели— Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking. Это важный шаг: голосовые агенты наконец получили признаки продакшен-продукта, а не игрушки. 🎯 В чём главная фишка? Gemini 3.8 Live Extended Thinking научилась «думать вслух» — она выполняет многошаговые рассуждения прямо во время разговора, проговаривая прогресс вслух. Это заменяет анимированный значок загрузки: пользователь слышит «дай-ка проверю…», пока модель в фоне решает сложную задачу. Обычная Gemini 3.8 Live заточена под скорость и цену. Она мгновенно отвечает и обрабатывает визуальный контент почти в реальном времени. 🔧 Что изменилось технически. Раньше голосовой бот был конвейером из трёх сервисов: распознавание речи → языковая модель → синтез. Задержки складывались, а вместе с текстом терялись интонация, эмоции, шум на фоне. Модель получала расшифровку и не знала, что собеседник злится. Перебивание тоже работало плохо — система не понимала, что её прервали, пока не закончится фраза. Нативная speech-to-speech модель работает с аудио напрямую и снимает оба ограничения. Ключевые улучшения: — Асинхронные вызовы функций — инструмент выполняется в фоне, пока диалог продолжается. Агент больше не замолкает, уходя в API — Обработка визуального контекста почти в реальном времени — 97 языков с автоматическим переключением посреди разговора — Точность распознавания буквенно-цифровых последовательностей — номеров заказов, кодов, счетов — Водяной знак SynthID на выходном аудио. 📊 Бенчмарки. Extended Thinking занял первое место в Speech to Speech Quality Index от Artificial Analysis с результатом 82,6. Он обошёл GPT-Live-1 Astra (81,5%) и Grok Voice Think Fast 2.0 (81,3%). Другие результаты: — τ-Voice (агентные задачи): 68,6% — τ-Voice-banking (банковский срез): 35,1% — Big Bench Audio: 97,7% Цифры звучат абстрактно, но вот перевод: разговаривать и рассуждать вслух модель научилась отлично. А довести клиента до конца банковской процедуры, где надо проверить данные и удержать состояние, у неё получается лишь в трети случаев. 💰 Цена. Аудио на входе — $0,005 за минуту**, на выходе — **$0,018 за минуту. Час разговора, где модель говорит примерно половину времени, обходится примерно в $1,50 без учёта вызовов инструментов. Час работы живого оператора почти в любой юрисдикции стоит на порядок дороже. 🌍 Где это живёт: — Разработчикам: Gemini API и Google AI Studio — Бизнесу: приватное превью в Gemini Enterprise — Обычным пользователям: Gemini 3.8 Live в Search Live, Extended Thinking — в Gemini Live и Workspace на тарифах AI Pro и Ultra. Из интеграций: LiveKit, Pipecat, LangChain, Vercel, Agora. Из партнёрских кейсов — Salesforce, ServiceNow, Genspark и Lumeris. ⚠️ Оговорка. Self-hosting не предусмотрен — обе модели работают только как хостируемый сервис. Это закрывает весь класс сценариев, где аудио не имеет права покидать периметр (медицина, финансы, госсектор). #НейроЛогика #ИИ #Google #Gemini #голосовыеагенты #нейросети #новости