Η Google κυκλοφόρησε το Gemini 3.8 Live και το Gemini 3.8 Live Extended Thinking, ένα ζευγάρι μοντέλων ζωντανών διαλόγων που η εταιρεία περιγράφει ως τα πιο προηγμένα μέχρι σήμερα για φυσική φωνητική συνομιλία. Τα μοντέλα ξεκίνησαν να κυκλοφορούν στις 15 Σεπτεμβρίου στο Gemini API, στο Google AI Studio, στο Search Live, στο Gemini Live και στο Google Workspace, με εταιρική πρόσβαση σε ιδιωτική προεπισκόπηση μέσω του Gemini Enterprise.

Η ανακοίνωση προήλθε από τον Tom Ouyang, έναν κύριο μηχανικό, και τον Malini Jaganathan, μέλος του τεχνικού προσωπικού, που γράφουν για λογαριασμό της Gemini Audio Team. Επεκτείνει την οικογένεια Gemini 3.8 που έκανε το ντεμπούτο της νωρίτερα αυτό το μήνα με τα μοντέλα Flash και Flash Cyber ​​και σηματοδοτεί την πιο επιθετική ώθηση της Google στην πολυτροπική φωνητική βοήθεια σε πραγματικό χρόνο - μια αγορά όπου η λειτουργία φωνής του OpenAI και ένα κύμα startups ομιλίας ανταγωνίζονται για την ίδια περίπτωση καθημερινής χρήσης.

Το λανσάρισμα ταιριάζει σε μια εξαιρετικά πολυσύχναστη σειρά μοντέλων της Google. Η κάλυψη των [των τελευταίων εξελίξεων της τεχνητής νοημοσύνης] (https://aibuzzwire.news) δείχνει ότι η εταιρεία έχει πλέον αποσταλεί επανειλημμένα σε διάστημα λίγων εβδομάδων, καθώς πολεμά τους ανταγωνιστές της όσον αφορά την τιμολόγηση, την κωδικοποίηση και τώρα τη φωνή.

Κατασκευάστηκε για συνομιλία σε πραγματικό χρόνο

Αυτό που διακρίνει τα μοντέλα Live από ένα τυπικό μοντέλο συνομιλίας με συνδεδεμένο μικρόφωνο είναι η καθυστέρηση και η κατάσταση. Η τεκμηρίωση Live API της Google περιγράφει μια διεπαφή χαμηλής καθυστέρησης που επεξεργάζεται συνεχείς ροές ήχου, εικόνων και κειμένου μέσω μιας κατάστασης σύνδεσης WebSocket, αποδέχοντας ακατέργαστο ήχο PCM 16 kHz, εικόνες JPEG έως και ένα καρέ ανά δευτερόλεπτο και κείμενο και επιστρέφοντας προφορικό ήχο σε πραγματικό χρόνο.

Τα μοντέλα επεξεργάζονται οπτική είσοδο σε σχεδόν πραγματικό χρόνο, επιτρέποντας στον βοηθό να δει τι βλέπει ο χρήστης — Τα βίντεο επίδειξης της Google δείχνουν το Gemini 3.8 Live να καθοδηγεί έναν εργαζόμενο στην επιβίβαση χρησιμοποιώντας οπτικό πλαίσιο, να παίζει σκάκι σε σχεδόν πραγματικό χρόνο και να δημιουργεί πλήρη επιχειρηματικά σχέδια και προσαρμοσμένες εργαλειοθήκες μάρκετινγκ μέσω φυσικής ομιλίας. Τα μοντέλα μπορούν επίσης να ανιχνεύουν και να κάνουν μετάβαση μεταξύ 97 υποστηριζόμενων γλωσσών αυτόματα, κατά τη διάρκεια της συνομιλίας, χωρίς τις ρυθμίσεις εναλλαγής χρήστη.

Ίσως το πιο σημαντικό για πρακτική χρήση: τα μοντέλα εκτελούν εργαλεία και κλήσεις API στο παρασκήνιο ενώ η συνομιλία συνεχίζεται, αναγνωρίζοντας αιτήματα και διατηρώντας τον διάλογο σε εξέλιξη όσο τελειώνουν οι εργασίες. Αυτό μετατρέπει τον βοηθό από έναν ερωτώμενο που βασίζεται αυστηρά στη σειρά σε κάτι πιο κοντινό σε έναν πράκτορα που τυχαίνει να μιλάει.

Οι αριθμοί που διαφημίζει η Google

Η Google αναφέρει ότι το Gemini 3.8 Live Extended Thinking κατέλαβε την κορυφαία συνολική θέση στον Δείκτη Ποιότητας Ομιλίας σε Ομιλία της Artificial Analysis με βαθμολογία 82,6. Κατά την ολοκλήρωση εργασιών με πράκτορα, η εταιρεία αναφέρει 68,6% στο τ-Voice αναφοράς και 35,1% στην αξιολόγηση τ-Voice-banking της Sierra, παράλληλα με βαθμολογία 97,7% στο Big Bench Audio.

Αυτά είναι τα αναφερόμενα στοιχεία της ίδιας της Google και η ανεξάρτητη επαλήθευση θα πάρει χρόνο — αλλά η αξίωση για την κορυφή του γραφήματος της Τεχνητής Ανάλυσης, εάν ισχύει, θα έδινε την Google μπροστά από τις προσφορές βελτιστοποιημένης ομιλίας από το OpenAI και τις αποκλειστικές εταιρείες φωνητικής τεχνητής νοημοσύνης στη συνολική ποιότητα συνομιλίας. Η Google λέει επίσης ότι το Extended Thinking διατηρεί ένα εξαιρετικά ανταγωνιστικό σημείο τιμής, ένα σιωπηρό νεύμα στην πίεση των τιμών που έχει καθορίσει τη γενιά 3.8.

Όλος ο ήχος που δημιουργείται από τα μοντέλα είναι υδατογραφημένος με το SynthID, το ανεπαίσθητο υδατογράφημα της Google, επομένως η ομιλία που δημιουργείται από AI παραμένει ανιχνεύσιμη — μια διασφάλιση συμμόρφωσης και παραπληροφόρησης που καθίσταται στάνταρ σε όλα τα προϊόντα παραγωγής της Google.

Πού μπορείτε να το χρησιμοποιήσετε

Η διαθεσιμότητα διαφέρει μεταξύ των δύο μοντέλων. Το Gemini 3.8 Live είναι διαθέσιμο σε όλους μέσα στο Search Live, τη λειτουργία οπτικής αναζήτησης της Google σε πραγματικό χρόνο. Το Extended Thinking είναι διαθέσιμο στο Gemini Live, στα Έγγραφα για συνδρομητές Google AI Pro και Ultra μέσω του Workspace και στο Gmail και στο Keep για όλους τους χρήστες της Google.

Οι προγραμματιστές λαμβάνουν τα μοντέλα μέσω του Gemini API και του Google AI Studio και η Google λέει ότι το Live API χρησιμοποιείται ήδη από πλατφόρμες όπως οι Agora, Fishjam, LiveKit, Pipecat, Vercel και Vision Agents για τη δημιουργία διεπαφών που βασίζονται στη φωνή πάνω από την υποδομή της Google σε πραγματικό χρόνο. Οι Salesforce, Genspark και Lumeris ονομάζονται ως συνεργάτες λανσαρίσματος για τα νέα μοντέλα.

A Crowded Voice AI Market

Το Voice γίνεται το πεδίο μάχης διεπαφής του 2026, επειδή είναι όπου η τεχνητή νοημοσύνη τελικά ξεφεύγει από το πληκτρολόγιο. Ένα μοντέλο που μπορεί να βλέπει, να ακούει, να αλλάζει γλώσσα και να τρέχει εργαλεία ενώ μιλάει, ανταγωνίζεται όχι με άλλα chatbots, αλλά με την τηλεφωνική κλήση, τη γραμμή υποστήριξης πελατών και τον προσωπικό βοηθό.

Το πλεονέκτημα της Google είναι η διανομή: η Αναζήτηση, το Android, το Workspace και το Chrome δίνουν στα μοντέλα Live μια εγκατεστημένη βάση που δεν μπορεί να ταιριάξει κανένας ανταγωνιστής. Η εταιρεία στοιχηματίζει ότι η παρουσία σε κάθε γωνιά της ημέρας ενός χρήστη - τώρα με τα καλύτερα μοντέλα φωνής της - θα έχει μεγαλύτερη σημασία από οποιαδήποτε νίκη αναφοράς. Οι αντίπαλοι θα έχουν την ευκαιρία να απαντήσουν, αλλά η Google έχει καταστήσει σαφές ότι η φωνή, που κάποτε ήταν χαρακτηριστικό επίδειξης, είναι πλέον μια πρώτης τάξεως σειρά προϊόντων.

Για τους προγραμματιστές, το μήνυμα είναι εξίσου άμεσο. Δημοσιεύοντας ακριβείς μορφές εισαγωγής, τεκμηριώνοντας την εκτέλεση εργαλείων στο παρασκήνιο και εμπλουτίζοντας το οικοσύστημα με πλατφόρμες Live API, η Google προσπαθεί να καταστήσει τη στοίβα της το προεπιλεγμένο υπόστρωμα για οποιονδήποτε δημιουργεί προφορικές διεπαφές — από ρομπότ υποστήριξης πελατών έως φορητούς βοηθούς. Είτε οι αξιώσεις ποιότητας του Gemini 3.8 Live αντέχουν υπό ανεξάρτητες δοκιμές, η αναπαραγωγή διαθεσιμότητας βρίσκεται ήδη σε κίνηση.

---

Μείνετε μπροστά από την τεχνητή νοημοσύνη

Λάβετε τα πιο πρόσφατα νέα, αναλύσεις και ανακαλύψεις για την τεχνητή νοημοσύνη — όλα σε ένα μέρος.

Διαβάστε περισσότερα νέα AI →