گوگل نے جیمنی 3.8 لائیو اور جیمنی 3.8 لائیو ایکسٹینڈڈ تھنکنگ کا آغاز کیا ہے، جو لائیو ڈائیلاگ ماڈلز کا ایک جوڑا ہے جسے کمپنی نے قدرتی آواز کی گفتگو کے لیے ابھی تک سب سے جدید قرار دیا ہے۔ ماڈلز 15 ستمبر کو جیمنی API، گوگل AI اسٹوڈیو، سرچ لائیو، جیمنی لائیو اور گوگل ورک اسپیس میں جیمنی انٹرپرائز کے ذریعے نجی پیش نظارہ میں انٹرپرائز رسائی کے ساتھ ملنا شروع ہوئے۔

یہ اعلان ایک پرنسپل انجینئر ٹام اویانگ اور جیمنی آڈیو ٹیم کی جانب سے لکھنے والے تکنیکی عملے کی رکن مالینی جگناتھن کی طرف سے آیا۔ یہ جیمنی 3.8 فیملی کو بڑھاتا ہے جس نے اس ماہ کے شروع میں فلیش اور فلیش سائبر ماڈلز کے ساتھ ڈیبیو کیا تھا، اور یہ گوگل کے سب سے زیادہ جارحانہ دھکے کو ریئل ٹائم، ملٹی موڈل وائس اسسٹنس میں شامل کرتا ہے - ایک ایسی مارکیٹ جہاں OpenAI کا وائس موڈ اور اسپیچ اسٹارٹ اپ کی لہر اسی روزمرہ استعمال کے کیس کے لیے مقابلہ کر رہی ہے۔

لانچ گوگل کی ماڈل لائن کے لئے ایک قابل ذکر ہجوم والے حصے میں فٹ بیٹھتا ہے۔ اے آئی کی تازہ ترین پیشرفت کی کوریج سے پتہ چلتا ہے کہ کمپنی نے اب چند ہفتوں کے عرصے میں بار بار بھیج دیا ہے کیونکہ یہ قیمتوں، کوڈنگ اور اب آواز پر حریفوں کا مقابلہ کرتی ہے۔

ریئل ٹائم گفتگو کے لیے بنایا گیا ہے۔

جو چیز لائیو ماڈلز کو معیاری چیٹ ماڈل سے ممتاز کرتی ہے جس میں مائیکروفون منسلک ہوتا ہے وہ ہے تاخیر اور حالت۔ گوگل کا لائیو API دستاویزات ایک کم تاخیر والے انٹرفیس کی وضاحت کرتا ہے جو آڈیو، امیجز اور ٹیکسٹ کی مسلسل اسٹریمز کو اسٹیٹفول WebSocket کنکشن پر پروسیس کرتا ہے، خام 16kHz PCM آڈیو، JPEG امیجز کو ایک فریم فی سیکنڈ تک قبول کرتا ہے، اور ٹیکسٹ، اور ریئل ٹائم میں بولی جانے والی آڈیو کو واپس کرتا ہے۔

ماڈلز قریب حقیقی وقت میں بصری ان پٹ پر کارروائی کرتے ہیں، اسسٹنٹ کو یہ دیکھنے دیتے ہیں کہ صارف کیا دیکھتا ہے — گوگل کے مظاہرے کی ویڈیوز میں جیمنی 3.8 لائیو دکھایا گیا ہے جو بصری سیاق و سباق کا استعمال کرتے ہوئے آن بورڈنگ سیشن میں ملازم کی رہنمائی کرتا ہے، قریب حقیقی وقت میں شطرنج کھیلتا ہے، اور قدرتی تقریر کے ذریعے مکمل کاروباری منصوبے اور اپنی مرضی کے مطابق مارکیٹنگ ٹول کٹس بناتا ہے۔ ماڈلز 97 معاون زبانوں کے درمیان خود بخود پتہ لگاسکتے ہیں اور منتقلی بھی کرسکتے ہیں، درمیانی گفتگو، صارف کی سوئچنگ سیٹنگ کے بغیر۔

عملی استعمال کے لیے شاید سب سے اہم: ماڈلز ٹولز اور API کالز کو بیک گراؤنڈ میں چلاتے ہیں جب گفتگو جاری رہتی ہے، درخواستوں کو تسلیم کرتے ہوئے اور کام ختم ہونے تک مکالمے کو جاری رکھتے ہیں۔ یہ اسسٹنٹ کو سختی سے موڑ پر مبنی جواب دہندہ سے کسی ایسے ایجنٹ کے قریب کر دیتا ہے جس سے بات ہوتی ہے۔

وہ نمبر جو گوگل ٹاؤٹنگ کر رہا ہے۔

گوگل رپورٹ کرتا ہے کہ جیمنی 3.8 لائیو ایکسٹینڈڈ تھنکنگ نے 82.6 کے اسکور کے ساتھ مصنوعی تجزیہ کے اسپیچ ٹو اسپیچ کوالٹی انڈیکس پر مجموعی طور پر ٹاپ پوزیشن حاصل کی۔ ایجنٹی کام کی تکمیل پر، کمپنی بگ بینچ آڈیو پر 97.7% سکور کے ساتھ، τ-وائس بینچ مارک پر 68.6% اور سیرا کے τ-وائس-بینکنگ تشخیص پر 35.1% کا حوالہ دیتی ہے۔

یہ گوگل کے اپنے رپورٹ کردہ اعداد و شمار ہیں، اور آزاد تصدیق میں وقت لگے گا - لیکن مصنوعی تجزیے کے چارٹ کے سب سے اوپر ہونے کا دعوی، اگر یہ رکھتا ہے، تو گوگل کو اوپن اے آئی اور سرشار وائس اے آئی کمپنیوں کی جانب سے اسپیچ آپٹمائزڈ پیشکشوں سے آگے بڑھے گا۔ گوگل یہ بھی کہتا ہے کہ ایکسٹینڈڈ تھنکنگ ایک انتہائی مسابقتی قیمت پوائنٹ کو برقرار رکھتی ہے، قیمت کے دباؤ کے لیے ایک مضمر منظوری جس نے 3.8 نسل کی تعریف کی ہے۔

ماڈلز کے ذریعہ تیار کردہ تمام آڈیو کو SynthID کے ساتھ واٹر مارک کیا جاتا ہے، گوگل کا ناقابل فہم واٹر مارک، لہذا AI سے تیار کردہ اسپیچ قابل شناخت رہتی ہے - ایک تعمیل اور غلط معلومات سے بچاؤ جو کہ Google کی تخلیقی مصنوعات میں معیاری بنتا جا رہا ہے۔

جہاں آپ اسے استعمال کرسکتے ہیں۔

دستیابی دونوں ماڈلز کے درمیان مختلف ہے۔ جیمنی 3.8 لائیو سرچ لائیو کے اندر ہر کسی کے لیے دستیاب ہے، گوگل کے ریئل ٹائم ویژول سرچ موڈ۔ توسیعی سوچ Gemini Live میں، Docs میں Google AI Pro اور Ultra سبسکرائبرز کے لیے Workspace کے ذریعے، اور Gmail اور Keep میں تمام Google صارفین کے لیے دستیاب ہے۔

ڈویلپرز جیمنی API اور گوگل AI اسٹوڈیو کے ذریعے ماڈل حاصل کرتے ہیں، اور گوگل کا کہنا ہے کہ لائیو API پہلے ہی پلیٹ فارمز بشمول Agora، Fishjam، LiveKit، Pipecat، Vercel اور Vision Agents استعمال کر رہا ہے تاکہ گوگل کے ریئل ٹائم انفراسٹرکچر کے اوپر آواز سے چلنے والے انٹرفیس بنائے جائیں۔ سیلز فورس، جینسپارک اور لومیرس کو نئے ماڈلز کے لانچ پارٹنرز کے طور پر نامزد کیا گیا ہے۔

ایک پرہجوم آواز AI مارکیٹ

آواز 2026 کا انٹرفیس میدان جنگ بن رہی ہے کیونکہ یہ وہ جگہ ہے جہاں AI آخر کار کی بورڈ سے بچ جاتا ہے۔ ایک ماڈل جو بات کرتے ہوئے دیکھ سکتا ہے، سن سکتا ہے، زبانیں بدل سکتا ہے اور ٹولز چلا سکتا ہے وہ دوسرے چیٹ بوٹس سے نہیں بلکہ فون کال، کسٹمر سپورٹ لائن اور پرسنل اسسٹنٹ سے مقابلہ کر رہا ہے۔

گوگل کا فائدہ تقسیم ہے: سرچ، اینڈرائیڈ، ورک اسپیس اور کروم لائیو ماڈلز کو ایک نصب شدہ بنیاد فراہم کرتے ہیں جس کا کوئی حریف نہیں مل سکتا۔ کمپنی شرط لگا رہی ہے کہ صارف کے دن کے ہر کونے میں موجود رہنا — اب اس کے بہترین صوتی ماڈلز کے ساتھ — کسی ایک بینچ مارک جیت سے زیادہ اہمیت رکھتا ہے۔ حریفوں کو جواب دینے کا موقع ملے گا، لیکن گوگل نے واضح کر دیا ہے کہ آواز، جو ایک بار ڈیمو فیچر تھی، اب فرسٹ کلاس پروڈکٹ لائن ہے۔

ڈویلپرز کے لئے، پیغام اسی طرح براہ راست ہے. عین مطابق ان پٹ فارمیٹس شائع کرکے، بیک گراؤنڈ ٹول کے عمل کو دستاویزی شکل دے کر اور لائیو API پلیٹ فارمز کے ساتھ ایکو سسٹم کو سیڈنگ کرکے، گوگل اپنے اسٹیک کو بولے جانے والے انٹرفیس بنانے والے ہر فرد کے لیے ڈیفالٹ سبسٹریٹ بنانے کی کوشش کر رہا ہے — کسٹمر سپورٹ بوٹس سے لے کر پہننے کے قابل معاونین تک۔ چاہے Gemini 3.8 Live کے معیار کے دعوے آزاد جانچ کے تحت برقرار رہیں، دستیابی کا کھیل پہلے سے ہی حرکت میں ہے۔

---

AI سے آگے رہیں

تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔

مزید AI خبریں پڑھیں →