15 сентября 2026 года Google выпустила live-модели голосового диалога Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking, доступные на 97 языках. Главная новинка — режим Extended Thinking, в котором модель рассуждает и одновременно говорит с пользователем.

image
image

Что произошло

Выпущенные модели понимают аудио, изображение и видео с камеры вблизи реального времени и умеют переключаться между 97 поддерживаемыми языками прямо во время разговора. Они вызывают инструменты и API на фоне, не прерывая диалог. По данным Google, базовая Gemini 3.8 Live заняла второе место в Speech Agent Arena, а Extended Thinking — первое в Speech to Speech Quality Index (Artificial Analysis) с результатом 82,6 балла; также зафиксированы 68,6% на τ-Voice, 35,1% на τ-Voice-banking (Sierra) и 97,7% на Big Bench Audio. Во время рассуждения версия Extended Thinking выдает устные сигналы в духе «Let me check that…» и озвучивает прогресс фоновых задач. Тариф API на paid tier за 1 млн токенов: $0,75 за текстовый ввод и $4,50 за текстовый вывод, $3,00 за аудиоввод и $12,00 за аудиовывод, при этом аудио дополнительно тарифицируется $0,005/мин на входе и $0,018/мин на выходе. Обе модели уже доступны в Gemini API и Google AI Studio, есть free tier.

Контекст

Главным пользовательским неудобством голосовых ассистентов долго оставалась пауза между вопросом и ответом — момент, когда модель «подумала и промолчала». Режим Extended Thinking направлен именно на него: вместо тишины модель говорит, пока думает, озвучивая свои действия. Релиз также обозначил сдвиг в культуре оценки голосового ИИ: ранее вендоры публиковали метрики качества выборочно или вовсе укрывали их в пресс-релизах, теперь же публичные speech-to-speech бенчмарки вышли вместе с анонсом. Инфраструктура для интеграции готова: экосистема LiveKit, Vercel, LangChain и Agora поддерживается, для корпораций доступен private preview Gemini Enterprise.

Почему это важно для индустрии

Для разработчиков и компаний релиз переводит голосовых агентов из категории экспериментальных демо в deployable продукт: публичный API, free tier и опубликованные цены позволяют сразу рассчитать unit-экономику voice-агента и сравнить его с текстовыми API и действующими voice-решениями. Сценарии поддержки, продаж и банковского обслуживания, которые раньше были дорогими, становятся экономически сопоставимыми с текстовыми диалогами, а развёртывание в Search Live, Gemini Live и Workspace (Docs Live, Gmail Live, Keep Live) расширяет референс-базу отрасли. Публикация бенчмарков задала ориентир качества: следующие поколения голосовых моделей будут оценивать по тем же speech-to-speech и агентным метрикам, а не по маркетинговым демо, при этом результат 35,1% на τ-Voice-banking показывает верхнюю границу текущей надёжности в сложных сценариях.

Почему это важно для пользователей

Для читателей модели доступны сразу: free tier в Gemini API и Google AI Studio позволяет самостоятельно проверить паттерн «рассуждает, пока говорит» и фоновые API-вызовы, а подписчикам Google AI Pro/Ultra функциональность докатывается в Gemini Live, Gmail, Docs и Keep. На практике это голосовой диалог без пауз на обдумывание: ассистент способен отвечать на вопросы в то время, пока выполняет задачу, и озвучивает её прогресс.

Что пока неизвестно / ограничения

Все приведенные бенчмарк-цифры приведены по данным Google, независимой верификации пока нет. Не опубликованы данные по латентности, rate limits и SLA, отсутствует paper с абляциями, размер модели и разбор ошибок. Результат 35,1% на τ-Voice-banking указывает на верхнюю границу надёжности в сложных агентных сценариях, а места в лидербордах даны без абсолютных значений остальных участников, поэтому оценить масштаб отрыва нельзя. Выбор цифр, вынесенных на вид, — часть нарратива, и присутствует риск cherry-picking. Утверждение о том, что параллельное рассуждение снимает главный барьер голосовых ассистентов, пока остаётся маркетинговой интерпретацией: качество ответов в режиме «думаю и говорю» независимо не замерено.

Источники

Автор

Look at AI, редакция