Oleksandr Kuzmenko, РедакторОпубліковано 5 хв читанняЗа участі AI · перевірено редактором
TL;DR
- Gemini 3.8 Live виконує звернення до інструментів у фоні без зупинки голосового потоку.
- Extended Thinking отримала 82.6 бала на Speech to Speech Index та 68.6% на тесті агентів τ-Voice.
- Обидві моделі вже доступні в Gemini API, Google AI Studio та фреймворках LiveKit і Pipecat.
Ключові факти
- Speech to Speech Quality Index
- 82.6 (1-ше місце, за даними компанії)
- Успішність завдань τ-Voice
- 68.6% (за даними компанії)
- Бенчмарк Sierra τ-Voice banking
- 35.1% (за даними компанії)
- Результат Big Bench Audio
- 97.7% (за даними компанії)
- Підтримувані мови
- 97 мов
Джерело: Ключові факти — Підтримувані мови
Джерело: Ключові факти. Підтримувані мови: 97 мов. Кожне число скопійоване з історії.
- Підтримувані мови97 мов
Джерело: Ключові факти — Успішність завдань τ-Voice, Бенчмарк Sierra τ-Voice banking, Результат Big Bench Audio
Джерело: Ключові факти. Успішність завдань τ-Voice: 68.6% (за даними компанії). Бенчмарк Sierra τ-Voice banking: 35.1% (за даними компанії). Результат Big Bench Audio: 97.7% (за даними компанії). Графік порівнює лише значення з однаковою одиницею. Кожне число скопійоване з історії.
Міні-графік метрик
- 68.6% (за даними компанії)Успішність завдань τ-Voice
- 35.1% (за даними компанії)Бенчмарк Sierra τ-Voice banking
- 97.7% (за даними компанії)Результат Big Bench Audio
- Успішність завдань τ-Voice68.6% (за даними компанії)
- Бенчмарк Sierra τ-Voice banking35.1% (за даними компанії)
- Результат Big Bench Audio97.7% (за даними компанії)
Паралельні міркування та фонове виконання
Google представила моделі Gemini 3.8 Live та Gemini 3.8 Live Extended Thinking, головною інженерною перевагою яких є одночасна генерація мовлення та виконання фонових операцій. Замість блокування аудіопотоку під час звернення до зовнішніх інструментів, модель повідомляє користувача про початок обробки та коментує проміжні кроки без затримок.
Результати бенчмарків і мовна підтримка
За даними Google, версія 3.8 Live Extended Thinking посіла перше місце в індексі якості Speech to Speech від Artificial Analysis з результатом 82.6 бала. У тестуванні агентних сценаріїв модель показала 68.6% на τ-Voice, 35.1% на банківському бенчмарку Sierra τ-Voice та 97.7% на Big Bench Audio. Базова версія 3.8 Live забезпечує роботу з відеопотоком і автоматичне перемикання між 97 мовами прямо під час бесіди.
Доступність для розробників
Моделі вже доступні в Gemini API та Google AI Studio. Підтримка потокового медіаінтерфейсу інтегрована в платформи Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel та Vision Agents. Усе генероване аудіо захищене невидимими цифровими водяними знаками SynthID.
Коли використовувати
- Створення інтерактивної голосової підтримки з одночасним запитом до бекенду.
- Реалізація голосових асистентів для діагностики, де користувач транслює камеру та одночасно говорить.
Коли НЕ варто
- Не використовуйте для суто текстових конвеєрів, де звичайні REST або пакетні виклики значно дешевші.
- Уникайте в регульованих сферах із нульовою толерантністю до галюцинацій без підтвердження людиною.
Що зробити сьогодні
- Протестуйте сценарії голосових агентів у Google AI Studio або через Gemini API.
- Ознайомтеся з документацією з інтеграції аудіопотоків через LiveKit або Pipecat до Gemini 3.8 Live.
Назви кроків узяті з блоку «Що зробити сьогодні».
Назви кроків узяті з блоку «Що зробити сьогодні». Протестуйте сценарії голосових агентів у Google AI Studio або через Gemini API.. Ознайомтеся з документацією з інтеграції аудіопотоків через LiveKit або Pipecat до Gemini 3.8 Live.
- Протестуйте сценарії голосових агентів у Google AI Studio або через Gemini API.
- Ознайомтеся з документацією з інтеграції аудіопотоків через LiveKit або Pipecat до Gemini 3.8 Live.
Що каже спільнота
I had a funny moment with ChatGPT. I was talking to it in English and then asked it to speak Swedish with me. It did, but with an English accent. But if you just start a session in Swedish, it speaks Swedish perfectly with local accent
It is by far the least accurate of any model I have used too. For a company that was started to organize the world's information, it has by far the most misinformation I've encountered.