3.8 Gemini Live و Gemini Live Extended Thinking
گوگل دیپ‌مایند دو مدل جدید برای مکالمه‌ی صوتی زنده معرفی کرده: 3.8 Gemini Live که برای مقیاس و صرفه‌ی هزینه ساخته شده، و 3.8 Gemini Live Extended Thinking که برای وظایف پیچیده و استدلال چندمرحله‌ای طراحی شده است. هر دو از طریق Gemini API و Google AI Studio در دسترس توسعه‌دهنده‌ها قرار گرفته‌اند.
گوگل دیپ‌مایند دو مدل جدید برای مکالمه‌ی صوتی زنده معرفی کرده: 3.8 Gemini Live که برای مقیاس و صرفه‌ی هزینه ساخته شده، و 3.8 Gemini Live Extended Thinking که برای وظایف پیچیده و استدلال چندمرحله‌ای طراحی شده است. هر دو از طریق Gemini API و Google AI Studio در دسترس توسعه‌دهنده‌ها قرار گرفته‌اند.
دو مدل، دو منطق طراحی
گوگل دیپ‌مایند به‌جای یک مدل واحد برای مکالمه‌ی صوتی زنده، دو نسخه‌ی مجزا معرفی کرده است. 3.8 Gemini Live برای مقیاس و کارایی هزینه ساخته شده و ترکیبی از هوش مکالمه‌ای، گفتگوی روان و درک بینایی را در خود دارد. 3.8 Gemini Live Extended Thinking اما برای وظایف پیچیده‌تر طراحی شده و از استدلال چندمرحله‌ای پشتیبانی می‌کند؛ یعنی می‌تواند در همان لحظه که صحبت می‌کند، همچنان در پس‌زمینه استدلال کند. این جدایی نشان می‌دهد گوگل تصمیم گرفته به‌جای یک مدل همه‌کاره، مسیر مکالمه‌ی صوتی زنده را بر اساس نوع تقاضا شاخه‌بندی کند.
اعدادی که این ادعا را پشتیبانی می‌کنند
3.8 Gemini Live Extended Thinking در شاخص کیفیت Speech to Speech Quality Index متعلق به Artificial Analysis رتبه‌ی اول را کسب کرده و امتیاز 82.6 گرفته است. در بنچمارک τ-Voice امتیاز 68.6 درصد و در نسخه‌ی بانکی همان بنچمارک، τ-Voice-banking، امتیاز 35.1 درصد به‌دست آورده است؛ فاصله‌ی زیاد میان این دو عدد نشان می‌دهد وظایف مالی همچنان چالش‌برانگیزتر از مکالمه‌ی عمومی هستند. در Big Bench Audio هم امتیاز 97.7 درصد ثبت شده است. در مقابل، نسخه‌ی استاندارد یعنی 3.8 Gemini Live در آرنای Speech Agent Arena رتبه‌ی دوم را به‌دست آورده؛ رتبه‌ای که با توجه به تمرکز این نسخه بر سرعت و مقیاس، قابل انتظار است.
چیزی که در پس‌زمینه‌ی مکالمه اتفاق می‌افتد
3.8 Gemini Live می‌تواند ورودی‌های تصویری را تقریباً در زمان واقعی پردازش کند و در همان حین که مکالمه ادامه دارد، ابزارها و فراخوانی‌های API را در پس‌زمینه اجرا کند. مدل همچنین می‌تواند در میان مکالمه به‌طور خودکار بین 97 زبان جا‌به‌جا شود. نسخه‌ی Extended Thinking یک قدم جلوتر می‌رود و می‌تواند همزمان با صحبت‌کردن، استدلال کند؛ ترکیبی که برای وظایفی که نیاز به تفکر چندمرحله‌ای در حین گفتگو دارند طراحی شده است.
مسیر دسترسی و پلتفرم‌های همراه
برای توسعه‌دهنده‌ها، هر دو مدل از طریق Gemini API و Google AI Studio در دسترس‌اند. گوگل فهرستی از پلتفرم‌های توسعه‌دهنده‌ی Gemini Live API را هم اعلام کرده که شامل Agora، Fishjam، LangChain، LiveKit، Pipecat، Vercel و Vision Agents می‌شود؛ یعنی کسی که می‌خواهد این مدل‌ها را در یک محصول صوتی واقعی به‌کار بگیرد، می‌تواند از این ابزارها به‌عنوان لایه‌ی اتصال استفاده کند به‌جای این‌که همه‌چیز را از صفر بسازد. گوگل همچنین گفته صدای تولیدشده توسط محصولات هوش مصنوعی‌اش با SynthID واترمارک می‌شود؛ نکته‌ای که برای هر تیمی که قرار است خروجی صوتی این مدل‌ها را در محیط عمومی منتشر کند، قابل توجه است.
مشخصات
- زبان‌های پشتیبانی‌شده: 97 زبان با تبدیل خودکار میان مکالمه
- امتیاز Speech to Speech Quality Index: 82.6 (رتبه اول)
- امتیاز τ-Voice: 68.6٪
- امتیاز τ-Voice-banking: 35.1٪
- امتیاز Big Bench Audio: 97.7٪
- دسترسی: از طریق Gemini API و Google AI Studio
منابع
- Gemini 3.8 Live and Extended Thinking — Google DeepMind