Google выпустила голосовые модели Gemini 3.8 Live для разработчиков

Модели Google ведут голосовой разговор и одновременно в фоне обращаются к сервисам, а версия с размышлениями заняла первое место в рейтинге голосовых моделей Artificial Analysis.

15 сентября Google открыла разработчикам голосовые модели Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking. Они слушают речь, отвечают голосом и выполняют задачи, не прерывая разговор.

Почему это важно: Голосового помощника обычно собирают из трёх звеньев: распознавание речи, текстовая модель и синтез голоса. Google предлагает вместо такой цепочки одну модель, которая сразу отвечает голосом на голос.

Детали: Google выделяет у новых моделей такие возможности:

Модель в фоне обращается к внешним сервисам и инструментам и при этом продолжает говорить с пользователем.
Разговор может опираться на живое видео: агент учитывает и то, что человек говорит, и то, что он видит.
Модель точно разбирает на слух коды подтверждения, номера заявок и другие технические данные.
Она поддерживает более 97 языков, так что одного агента можно запустить для пользователей в разных странах.

Как это работает: Версии Extended Thinking можно задать, насколько глубоко рассуждать. Сложную многошаговую задачу она решает в фоне, а в разговоре тем временем отвечает или рассказывает, как продвигается работа.

Расклад: Extended Thinking заняла первое место в рейтинге Artificial Analysis¹, где сравнивают модели, которые отвечают голосом на голос. Обе модели доступны через Gemini Live API² и в Google AI Studio³, а также у партнёров, которые берут на себя передачу звука и видео, — LiveKit, Pipecat, Agora, LangChain, Vercel и других.

В цифрах: Цену Google приводит в пересчёте на минуты:

Минута входящего звука стоит 0,005 доллара, минута ответа модели — 0,018 доллара.
Это оценка компании на основе цены токенов: 3 доллара за миллион на входе и 12 долларов за миллион на выходе.

Предыстория: В конце августа Google выпустила Gemini 3.5 Transcribe — модель, которая переводит речь в текст на более чем 85 языках. Теперь компания рассказала о ней подробнее:

При расшифровке на лету модель ошибается в среднем в 4% слов, при расшифровке готовых записей — в 2,6%.
Ей можно передать список до 1 000 редких терминов, названий компаний и имён, чтобы она распознавала их точнее.
Она сама замечает, когда человек переходит на другой язык, в том числе посреди фразы.
Записи длиной до часа она расшифровывает с метками времени и указывает, кто из собеседников говорит.

Общая картина: Новые модели дополняют набор Google для работы со звуком в Gemini API. В нём уже есть перевод речи на речь Gemini 3.5 Live Translate для более чем 70 языков, синтез речи Gemini 3.1 Flash TTS и музыкальная модель Lyria 3.5.

Но: Первое место в рейтинге заняла только версия с размышлениями. Насколько обычная 3.8 Live лучше прошлых голосовых моделей, Google в цифрах не показала.