Новий лідер рейтінгу speech-to-speech! Google випустила Gemini 3.8 Live

Google представила дві нові live-моделі: Gemini 3.8 Live для масштабу й швидкості та Gemini 3.8 Live Extended Thinking для складних задач. Головна фішка другої — вона міркує й говорить одночасно: модель не мовчить над відповіддю, а проговорює проміжні кроки, поки виконує завдання у фоні.

Дві моделі — два сценарії

Gemini 3.8 Live — базова модель, збудована для масштабу та цінності: плавний діалог, розуміння того, що бачить камера, у near real-time, і висока ефективність витрат. Extended Thinking — старша версія для складних багатокрокових задач: під час міркування вона видає природні вербальні підказки на кшталт «зачекайте, перевірю…», а потім у живому режимі розповідає, як просувається фонове завдання.

Обидві моделі викликають інструменти та API у фоні, не перериваючи розмову: можна попросити забронювати щойно згаданий ресторан, і модель продовжить балачку, поки бронювання оформлюється.

Цифри, які варто знати

Extended Thinking посіла перше місце в Speech-to-Speech Quality Index від Artificial Analysis (82.6) і лідирує в агентному завершенні завдань: 68.6% на τ-Voice та 35.1% на банківському бенчмарку Sierra. На Big Bench Audio модель набирає 97.7%, зберігаючи конкурентну ціну серед флагманів. Базова 3.8 Live — друга в Speech Agent Arena, що важливо саме для продуктових сценаріїв: користувачі віддають їй перевагу при порівнянні, а витрати на неї нижчі.

Де це вже працює

• Розробникам — у Gemini API через Google AI Studio (режим Live) уже сьогодні.
• Умовним користувачам — у Search Live для покрокового вирішення проблем у реальному часі.
• Підписникам Google AI Pro/Ultra — у Gemini Live та у Workspace: Docs Live, Gmail Live, Keep Live.
• Підприємствам — приватне превʼю в Gemini Enterprise і скоро в Customer Experience.

Екосистема навколо вже готова: платформи Agora, LiveKit, Pipecat, Fishjam і Vercel підтримують Gemini Live API, тож голосовий інтерфейс можна зібрати, не займаючись потоковою інфраструктурою. Google також підкреслює безпеку: весь згенерований аудіо має невидимий водяний знак SynthID.

Контекст: гонитва за живим голосом

Це прямий хід у протистоянні з OpenAI, чиї GPT-Live-1 ми розбирали кілька днів тому. Обидві компанії тепер пропонують голосові моделі, які говорять без пауз і працюють з інструментами посеред розмови — різниця дедалі більше не в самій можливості, а в ціні, латентності та якості агентних сценаріїв. За бенчмарками Google, її новий флагман наразі попереду; перевіримо на власних українських задачах найближчим часом.