গুগল জেমিনি 3.8 লাইভ এবং জেমিনি 3.8 লাইভ এক্সটেন্ডেড থিঙ্কিং চালু করেছে, লাইভ ডায়ালগ মডেলগুলির একটি জোড়া যা কোম্পানিটি প্রাকৃতিক ভয়েস কথোপকথনের জন্য এখনও সবচেয়ে উন্নত হিসাবে বর্ণনা করে৷ জেমিনি এন্টারপ্রাইজের মাধ্যমে ব্যক্তিগত প্রিভিউতে এন্টারপ্রাইজ অ্যাক্সেস সহ জেমিনি API, Google AI স্টুডিও, সার্চ লাইভ, জেমিনি লাইভ এবং গুগল ওয়ার্কস্পেস জুড়ে মডেলগুলি 15 সেপ্টেম্বর রোল আউট করা শুরু হয়েছে।

জেমিনি অডিও টিমের পক্ষে লিখিত টম ওয়্যাং, একজন প্রধান প্রকৌশলী এবং প্রযুক্তিগত কর্মীদের একজন সদস্য মালিনী জগনাথনের কাছ থেকে ঘোষণাটি এসেছে। এটি ফ্ল্যাশ এবং ফ্ল্যাশ সাইবার মডেলগুলির সাথে এই মাসের শুরুতে আত্মপ্রকাশ করা জেমিনি 3.8 পরিবারকে প্রসারিত করে, এবং এটি রিয়েল-টাইম, মাল্টিমোডাল ভয়েস সহায়তায় Google-এর সবচেয়ে আক্রমনাত্মক ধাক্কাকে চিহ্নিত করে — এমন একটি বাজার যেখানে OpenAI-এর ভয়েস মোড এবং স্পিচ স্টার্টআপগুলি একই দৈনিক ব্যবহারের ক্ষেত্রে প্রতিদ্বন্দ্বিতা করছে৷

লঞ্চটি গুগলের মডেল লাইনের জন্য একটি উল্লেখযোগ্যভাবে জনাকীর্ণ প্রসারিত অংশে ফিট করে; সর্বশেষ AI উন্নয়নের কভারেজ দেখায় যে কোম্পানিটি এখন কয়েক সপ্তাহের ব্যবধানে বারবার শিপিং করেছে কারণ এটি মূল্য নির্ধারণ, কোডিং এবং এখন ভয়েসের প্রতিদ্বন্দ্বীদের সাথে লড়াই করে।

রিয়েল-টাইম কথোপকথনের জন্য তৈরি

একটি মাইক্রোফোন সংযুক্ত একটি স্ট্যান্ডার্ড চ্যাট মডেল থেকে লাইভ মডেলগুলিকে যা আলাদা করে তা হল লেটেন্সি এবং স্টেট৷ Google-এর লাইভ এপিআই ডকুমেন্টেশন একটি কম লেটেন্সি ইন্টারফেস বর্ণনা করে যা একটি স্টেটফুল ওয়েবসকেট সংযোগের মাধ্যমে অডিও, ছবি এবং পাঠ্যের ক্রমাগত স্ট্রিম প্রক্রিয়া করে, কাঁচা 16kHz PCM অডিও গ্রহণ করে, প্রতি সেকেন্ডে এক ফ্রেম পর্যন্ত JPEG চিত্র গ্রহণ করে এবং পাঠ্য, এবং রিয়েল টাইমে কথ্য অডিও ফেরত দেয়।

মডেলগুলি কাছাকাছি রিয়েল টাইমে ভিজ্যুয়াল ইনপুট প্রক্রিয়া করে, সহকারীকে ব্যবহারকারী যা দেখে তা দেখতে দেয় — Google-এর প্রদর্শনী ভিডিওগুলি জেমিনি 3.8 লাইভ দেখায় যা ভিজ্যুয়াল প্রসঙ্গ ব্যবহার করে একজন কর্মচারীকে অনবোর্ডিং সেশনে গাইড করে, কাছাকাছি রিয়েল টাইমে দাবা খেলতে এবং স্বাভাবিক বক্তৃতার মাধ্যমে সম্পূর্ণ ব্যবসায়িক পরিকল্পনা এবং কাস্টম মার্কেটিং টুলকিট তৈরি করে৷ মডেলগুলি ব্যবহারকারীর সুইচিং সেটিংস ছাড়াই স্বয়ংক্রিয়ভাবে, মধ্য-কথোপকথনের 97টি সমর্থিত ভাষার মধ্যে সনাক্ত এবং স্থানান্তর করতে পারে।

ব্যবহারিক ব্যবহারের জন্য সম্ভবত সবচেয়ে তাৎপর্যপূর্ণ: মডেলগুলি কথোপকথন চালিয়ে যাওয়ার সময় পটভূমিতে সরঞ্জাম এবং API কলগুলি চালায়, অনুরোধগুলি স্বীকার করে এবং কাজগুলি শেষ হওয়ার সময় সংলাপ চালিয়ে যায়। এটি একটি কঠোরভাবে টার্ন-ভিত্তিক উত্তরদাতা থেকে সহকারীকে একটি এজেন্টের কাছাকাছি কিছুতে পরিণত করে যা কথা বলতে হয়।

দ্য নাম্বার গুগল ইজ টাউটিং

গুগল রিপোর্ট করেছে যে জেমিনি 3.8 লাইভ এক্সটেন্ডেড থিঙ্কিং 82.6 স্কোর সহ কৃত্রিম বিশ্লেষণের স্পিচ-টু-স্পিচ কোয়ালিটি সূচকে শীর্ষ সামগ্রিক অবস্থান দখল করেছে। এজেন্টিক টাস্ক সমাপ্তির ক্ষেত্রে, কোম্পানি বিগ বেঞ্চ অডিওতে 97.7% স্কোরের পাশাপাশি τ-ভয়েস বেঞ্চমার্কে 68.6% এবং সিয়েরার τ-ভয়েস-ব্যাঙ্কিং মূল্যায়নে 35.1% উল্লেখ করেছে।

এগুলি হল Google-এর নিজস্ব রিপোর্ট করা পরিসংখ্যান, এবং স্বাধীন যাচাইকরণে সময় লাগবে — তবে কৃত্রিম বিশ্লেষণের চার্টের শীর্ষে থাকা দাবিটি, যদি এটি ধরে থাকে, তাহলে সামগ্রিক কথোপকথনের গুণমানে ওপেনএআই এবং ডেডিকেটেড ভয়েস এআই কোম্পানিগুলির স্পিচ-অপ্টিমাইজড অফারগুলির চেয়ে গুগলকে এগিয়ে রাখবে৷ গুগল আরও বলে যে এক্সটেন্ডেড থিঙ্কিং একটি অত্যন্ত প্রতিযোগিতামূলক মূল্য পয়েন্ট বজায় রাখে, দামের চাপের একটি অন্তর্নিহিত সম্মতি যা 3.8 প্রজন্মকে সংজ্ঞায়িত করেছে।

মডেলগুলির দ্বারা উত্পন্ন সমস্ত অডিও SynthID দিয়ে ওয়াটারমার্ক করা হয়, Google-এর অবোধ্য ওয়াটারমার্ক, তাই AI-উত্পন্ন স্পিচ শনাক্ত করা যায় - একটি সম্মতি এবং ভুল তথ্য সুরক্ষা যা Google-এর জেনারেটিভ পণ্য জুড়ে মানক হয়ে উঠছে।

যেখানে আপনি এটি ব্যবহার করতে পারেন

দুটি মডেলের মধ্যে উপলব্ধতা আলাদা। Gemini 3.8 লাইভ সার্চ লাইভ, গুগলের রিয়েল-টাইম ভিজ্যুয়াল সার্চ মোডের মধ্যে সকলের জন্য উপলব্ধ। এক্সটেন্ডেড থিঙ্কিং জেমিনি লাইভে, ওয়ার্কস্পেসের মাধ্যমে Google AI প্রো এবং আল্ট্রা গ্রাহকদের জন্য ডক্সে এবং সমস্ত Google ব্যবহারকারীদের জন্য Gmail এবং Keep-এ উপলব্ধ।

ডেভেলপাররা জেমিনি এপিআই এবং গুগল এআই স্টুডিওর মাধ্যমে মডেলগুলি পান এবং গুগল বলেছে যে লাইভ এপিআই ইতিমধ্যেই গুগলের রিয়েল-টাইম অবকাঠামোর উপরে ভয়েস-চালিত ইন্টারফেস তৈরি করতে Agora, Fishjam, LiveKit, Pipecat, Vercel এবং ভিশন এজেন্ট সহ প্ল্যাটফর্মগুলি ব্যবহার করছে। সেলসফোর্স, গেনসপার্ক এবং লুমেরিসকে নতুন মডেলের লঞ্চ পার্টনার হিসেবে নাম দেওয়া হয়েছে।

একটি ভিড় ভয়েস এআই মার্কেট

ভয়েস 2026-এর ইন্টারফেস যুদ্ধক্ষেত্র হয়ে উঠছে কারণ এটিই যেখানে AI অবশেষে কীবোর্ড থেকে পালিয়ে যায়। একটি মডেল যা দেখতে, শুনতে, ভাষা পরিবর্তন করতে এবং কথা বলার সময় সরঞ্জামগুলি চালাতে পারে অন্য চ্যাটবটের সাথে নয় বরং ফোন কল, গ্রাহক সহায়তা লাইন এবং ব্যক্তিগত সহকারীর সাথে প্রতিযোগিতা করে।

Google এর সুবিধা হ'ল বিতরণ: অনুসন্ধান, অ্যান্ড্রয়েড, ওয়ার্কস্পেস এবং ক্রোম লাইভ মডেলগুলিকে একটি ইনস্টল করা বেস দেয় যার সাথে কোনও প্রতিদ্বন্দ্বী মেলে না। কোম্পানি বাজি ধরছে যে ব্যবহারকারীর দিনের প্রতিটি কোণে উপস্থিত থাকা — এখন তার সেরা ভয়েস মডেলগুলির সাথে — যে কোনও একক বেঞ্চমার্ক জয়ের চেয়ে বেশি গুরুত্বপূর্ণ। প্রতিদ্বন্দ্বীরা তাদের প্রতিক্রিয়া জানানোর সুযোগ পাবে, তবে Google স্পষ্ট করে দিয়েছে যে ভয়েস, একসময় ডেমো বৈশিষ্ট্য, এখন একটি প্রথম-শ্রেণীর পণ্য লাইন।

বিকাশকারীদের জন্য, বার্তাটি একইভাবে সরাসরি। সঠিক ইনপুট ফরম্যাট প্রকাশ করে, ব্যাকগ্রাউন্ড টুল এক্সিকিউশন ডকুমেন্ট করে এবং লাইভ এপিআই প্ল্যাটফর্মের সাথে ইকোসিস্টেম সিডিং করে, Google তার স্ট্যাকটিকে যে কেউ কথ্য ইন্টারফেস তৈরি করে - গ্রাহক সহায়তা বট থেকে পরিধানযোগ্য সহকারী পর্যন্ত ডিফল্ট সাবস্ট্রেট করার চেষ্টা করছে। জেমিনি 3.8 লাইভ-এর মানের দাবিগুলি স্বাধীন পরীক্ষার অধীনে থাকুক না কেন, প্রাপ্যতা খেলা ইতিমধ্যেই চলছে৷

---

এআই থেকে এগিয়ে থাকুন

সর্বশেষ AI খবর, বিশ্লেষণ এবং সাফল্য পান — সব এক জায়গায়।

আরও এআই খবর পড়ুন →