Google-მა Gemini 3.8 Live და მსჯელობის უნარის მქონე ვერსია გამოუშვა

15 სექტემბერს Google-მა წარადგინა ორი ნატიური speech-to-speech მოდელი: Gemini 3.8 Live და Gemini 3.8 Live Extended Thinking. პირველი ორიენტირებულია მასშტაბსა და ფასზე, მეორე კი — მრავალსაფეხურიან ამოცანებზე, რომლებიც უშუალოდ დიალოგის პროცესში მსჯელობას მოითხოვს.

ქულებზე უფრო საინტერესო ის არის, რომ ხმოვანმა აგენტებმა საბოლოოდ შეიძინეს სრულფასოვანი პროდაქშენ-პროდუქტის მახასიათებლები: ფუნქციების ასინქრონული გამოძახებები, პროგნოზირებადი ფასი და ინტეგრაციები იმ პლატფორმებთან, რომლებზეც ასეთი სისტემები რეალურად იწყობა.

მინდა შეგახსენოთ, როგორ კეთდებოდა ეს ადრე. ხმოვანი ბოტი იყო სამი სერვისისგან შემდგარი კონვეიერი: მეტყველების ამოცნობა, ენობრივი მოდელი და სინთეზი. დაყოვნებები ჯამდება, ხოლო ტექსტთან ერთად შეიძლება დაიკარგოს ყველაფერი დანარჩენი — ინტონაცია, მეტყველების ტემპი, ემოცია, ფონური ხმაური. მოდელი იღებს ტრანსკრიფციას და არ იცის, რომ მოსაუბრე გაბრაზებულია. პრობლემური იყო საუბრის შეწყვეტინებაც. სანამ ამოცნობის მოდული ფრაზას არ დაასრულებდა, სისტემა საერთოდ ვერ ხვდებოდა, რომ საუბარი გააწყვეტინეს. ნატიური speech-to-speech მოდელი პირდაპირ აუდიოსთან მუშაობს და ორივე ამ შეზღუდვას ერთდროულად ხსნის.

რიცხვები

Extended Thinking-მა Artificial Analysis-ის Speech to Speech Quality Index-ში 82,6 ქულით პირველი ადგილი დაიკავა. τ-Voice-ის სააგენტო ამოცანებში მას 68,6% აქვს, Sierra-ს საბანკო ტესტში τ-Voice-banking — 35,1%, ხოლო Big Bench Audio-ზე — 97,7%.

ბენჩმარკები აბსტრაქტულად ჟღერს, ამიტომ მარტივად განვმარტავ: საუბარი და ხმამაღლა მსჯელობა მოდელმა შესანიშნავად ისწავლა. აი, კლიენტის საბანკო პროცედურის ბოლომდე მიყვანა კი, სადაც მონაცემების შემოწმება, მდგომარეობის შენარჩუნება და თანხაში შეცდომის არდაშვებაა საჭირო, მას შემთხვევათა მხოლოდ მესამედში გამოსდის.

სტანდარტული Live მეორე ადგილზე გავიდა Speech Agent Arena-ში, და აქ აქცენტი ფასზეა გაკეთებული. შემავალი აუდიო წუთში 0,005 $ ღირს, გამომავალი — 0,018 $. ტოკენებზე გადაანგარიშებით გამოდის დაახლოებით 3 $ ერთ მილიონ შემავალ ტოკენზე და 12 $ ერთ მილიონ გამომავალზე.

რა შეიცვალა ტექნიკურად

ფუნქციების ასინქრონული გამოძახება — ყველაზე პრაქტიკული ცვლილებაა. ინსტრუმენტი ფონურ რეჟიმში ეშვება, სანამ აუდიონაკადი გრძელდება, და აგენტი API-სთან მიმართვისას აღარ დუმდება. ამასთანავე, Extended Thinking ფიქრის პროცესში პროგრესს ხმამაღლა წარმოთქვამს. ხმოვან ინტერფეისში ეს ცვლის ჩატვირთვის ანიმაციურ იკონკას, რომელიც ჩვეულებრივ ეკრანზე ტრიალებს ხოლმე, სანამ პროგრამა რაიმე ამოცანას ასრულებს.

სხვა სიახლეებიდან აღსანიშნავია ვიზუალური კონტექსტის დამუშავება თითქმის რეალურ დროში და 97 ენა, რომელთა გადართვაც დიალოგის შუაშიცაა შესაძლებელი. Google-მა ცალკე იმუშავა ანბანურ-ციფრული მიმდევრობების, შეკვეთის ნომრების, კოდებისა და ანგარიშების ამოცნობის სიზუსტეზე. გამომავალი აუდიო ინიშნება SynthID-ის წყლის ნიშნით.

სად არის ხელმისაწვდომი

მოდელები ხელმისაწვდომია Gemini API-სა და Google AI Studio-ს მეშვეობით, Gemini Enterprise-ში კი ჯერჯერობით დახურული წინასწარი ვერსიაა (private preview). მომხმარებლებისთვის სტანდარტული Live ინტეგრირდა Search Live-ში, Extended Thinking კი — Gemini Live-სა და Workspace-ში AI Pro და Ultra ტარიფებზე. ინტეგრაციებიდან დასახელებულია LiveKit, Pipecat, LangChain, Vercel, Agora. პარტნიორული ქეისებიდან — Salesforce, ServiceNow, Genspark და Lumeris.

რელიზში ერთი რამ არ არის ხაზგასმული: Self-hosting გათვალისწინებული არ არის, ორივე მოდელი მხოლოდ ჰოსტირებული სერვისის სახით მუშაობს.

რას ნიშნავს ეს

ფასის გასაგებ ერთეულებში გადაყვანა სასარგებლოა. ერთსაათიანი საუბარი, სადაც მოდელი დროის დაახლოებით ნახევარს ლაპარაკობს, დოლარზე ოდნავ მეტი ჯდება, ინსტრუმენტების გამოძახების ხარჯის გარეშე. ცოცხალი ოპერატორის ერთი საათის მუშაობა თითქმის ნებისმიერ იურისდიქციაში ერთი რიგით უფრო ძვირი ღირს.

ასეთი ციფრების პირობებში სცენარის ეკონომიკა უკვე CRM-თან და ტელეფონიასთან ინტეგრაციაზეა დამოკიდებული, რაც მთავარია — შეცდომის ფასზე. ამიტომ საბანკო ბენჩმარკზე დაფიქსირებული 35,1% იმისთვის, ვინც სისტემის დანერგვას გეგმავს, ბევრად უფრო მნიშვნელოვანია, ვიდრე პირველი ადგილი საერთო რეიტინგში.

შეზღუდვაც სრულიად გასაგებია. ხმა — პერსონალური მონაცემებია ყველაზე მოუხერხებელი ფორმით: ხმის ანაბეჭდი, ფონური ხმები, გარშემომყოფი მესამე პირების შემთხვევითი ფრაზები. Self-hosted ვარიანტის არარსებობა გამორიცხავს სცენარების მთელ კლასს, სადაც აუდიოს შიდა პერიმეტრის დატოვების უფლება არ აქვს, მედიცინაში, ფინანსებსა და სახელმწიფო სექტორში კი ასეთი სცენარი საკმაოდ ბევრია.