Google представила Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking: голосовые модели нового поколения
Что такое Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking
15 сентября Google анонсировала две новые голосовые модели — Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking. Они работают напрямую со звуком, минуя традиционную цепочку «распознавание речи → текстовая модель → синтез». Благодаря этому модели могут слышать речь, анализировать изображение с камеры и одновременно выполнять вызовы внешних API в фоне, не прерывая диалог.
Как работают модели и их ключевые особенности
Асинхронные вызовы и одновременное рассуждение
Основное техническое нововведение — поддержка асинхронных вызовов функций. Model подтверждает запрос вслух, переходит к выполнению API‑запроса в фоне и продолжает разговор, пока задача не завершена. В версии Extended Thinking модель дополнительно проговаривает прогресс, используя вербальные маркеры типа «Let me check that…», чтобы избежать неловкой тишины.
Визуальный вход и многоязычность
Модели принимают визуальный вход почти в реальном времени, обрабатывая изображение с камеры. Поддерживается 97 языков, переключение между ними происходит прямо посреди разговора без ручной настройки. Отдельно обещана высокая точность при работе с буквенно‑цифровыми данными: кодами подтверждения, номерами заявок, артикулами.
Результаты тестов и цены
Оценка качества Speech-to-Speech
Старшая версия Gemini 3.8 Live Extended Thinking заняла первое место в индексе Artificial Speech to Speech Quality с результатом 82,6 балла. Также она показала 68,6 % на агентном τ-Voice, 35,1 % на банковском срезе Sierra τ-Voice-banking и 97,7 % на Big Bench Audio. Младшая модель получила второе место в Speech Agent Arena без указания точного балла.
Тарифы Live API
Стоимость использования Live API составляет 0,005 USD за минуту входящего аудио и 0,018 USD за минуту исходящего. Эти цифры derived from токенной цены: 3 USD за миллион входных токенов и 12 USD за миллион выходных токенов. Для Extended Thinking отдельная цена на токены, используемые в фоновых рассуждениях, не объявлена.
Доступность и интеграция
Где уже используются модели
Обе модели доступны через Gemini API и Google AI Studio. Версия Extended Thinking уже интегрирована в Gemini Live, Gmail, Docs и Keep. Поиск Live получил Gemini 3.8 Live для всех пользователей, а Gemini Live — Extended Thinking для всех. В Google Docs и Keep модель доступна подписчикам Google AI Pro и Ultra, а в Gmail — всем подписчикам Google AI. Для корпоративных клиентов предусмотрен закрытый предварительный доступ в Gemini Enterprise.
Как добавить голосового помощника на сайт
Для реализации голосового ассистента на веб‑странице разработчики могут воспользоваться партнерскими инфраструктурами реального времени, такими как LiveKit или Vercel. Это позволяет превратить голосовой ассистент из отдельной разработки в готовую интеграцию, а поминутная цена упрощает планирование бюджета перед запуском. Google также отмечает, что весь аудиовыход своих ИИ‑продуктов помечается водяным знаком SynthID, поэтому озвучка, созданная этими моделями, остаётся детектируемой.
Выводы
Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking представляют шаг к голосовым агентам, способным не только вести диалог, но и выполнять полезные действия в фоне. Модели уже находятся в нескольких продуктов Google, доступны через API и готовы к интеграции в сторонние сервисы. Точная информация о региональных ограничениях, лимитах запросов и корпоративных тарифах пока не раскрыта, что оставляет пространство для будущих уточнений со стороны компании.
