A Google ma két új modellt mutatott be, amelyek a közel valós idejű érvényesítést és hangalapú interakciók fejlesztését célozzák: a Gemini 3.8 Live-ot és a Gemini 3.8 Live Extended Thinkinget. Mindkét modell arra készült, hogy megbízható, éles rendszerekben használható építőkockát adjon fejlesztőknek és vállalatoknak a beszédvezérelt ügynökökhez, illetve hogy természetesebb, folyékonyabb beszélgetéseket tegyen lehetővé a Gemini alkalmazásban, a Google Workspace-ben és a Searchben.
Mire képesek a modellek?
- Gemini 3.8 Live: skálázhatóságra és költséghatékonyságra optimalizált modell, amely konverzációs intelligenciát, gördülékeny párbeszédet és vizuális kontextusfelhasználást kombinál.
- Gemini 3.8 Live Extended Thinking: a nagy összetettségű feladatokhoz tervezett változat, amely erősebb többlépcsős következtetést és magasabb intelligenciaszintet kínál.
A 3.8 Live képes vizuális bemeneteket közel valós időben feldolgozni, és a beszélgetés során kontextust adni a hasznosabb válaszokhoz. A modell automatikusan detektál és vált 97 támogatott nyelv között a beszélgetés közben, miközben háttérben eszközöket és API-hívásokat is végrehajt — azaz a modell elismeri a kérést és folytatja a párbeszédet, miközben a feladat a háttérben befejeződik.
A 3.8 Live Extended Thinking egyszerre beszél és gondolkodik: a komplex munkafolyamatokhoz növelt következtetési kapacitást biztosít, miközben megszakítás nélkül tartja a természetes párbeszédet. Korai verbális jelzésekkel („Hadd ellenőrizzem…”) és élő folyamatnarrációval jelzi a háttérben zajló többlépéses feladatok előrehaladását.
Teljesítmény és mérőszámok
A Google közlése szerint a Gemini 3.8 Live Extended Thinking vállalati szintű feladatmegoldó képességekkel rendelkezik: az Artificial Analysis Speech to Speech Quality Indexén 82,6-os pontszámmal az összesített első helyet érte el. Agentikus feladatvégrehajtásban a τ-Voice benchmarkon 68,6%-ot, Sierra τ-Voice-banking mérésén 35,1%-ot teljesített. További következtetési mérőszámként a Big Bench Audio-n 97,7%-ot ért el. A Google szerint ez a teljesítmény versenyképes ár mellett érhető el a frontier modellekhez képest.
A Gemini 3.8 Live a Speech Agent Arena versenyén erős felhasználói preferenciát mutatva a második helyet szerezte meg, miközben a cég hangsúlyozza a költséghatékonyságát és skálázhatóságát.
A ServiceNow EVA-Bench hangügynököket vizsgáló benchmarkon a Google szerint ezek a modellek előrelépést jelentettek a Pareto-frontban, vagyis javították az összetettségű munkafolyamatok pontosságának és konverzációs minőségének egyensúlyát. A méréseket a Gemini Enterprise Agent Platform Live API-ján futtatták.
Gyakorlati példák és felhasználási területek
A Google olyan konkrét demókat említ, mint a valós idejű dolgozóbevezetés vizuális kontextus használatával, sakkjáték közel valós idejű vizuális és érvelési képességekkel, illetve nyers skiccek és élő hangos visszajelzés átalakítása működő React komponensekké a 3.8 Live Extended Thinkinggel. A modell képes többlépéses foglalások és aszinkron funkcióhívások koordinálására anélkül, hogy megszakítaná a természetes beszélgetést, valamint üzleti tervek és egyedi marketingeszköz-készletek azonnali létrehozására természetes beszéd alapján.
A Live modellek szoros integrációt kínálnak a Google Workspace és a Search felületeivel: a 3.8 Live Extended Thinking elérhető például Docs Live, Gmail Live és Keep Live funkciókban, és a Google azt javasolja, hogy a modellek különösen hasznosak lehetnek összetett feladatoknál.
Fejlesztői és vállalati ökoszisztéma
A Gemini Live API használatával több fejlesztői platform — köztük Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel és Vision Agents — lehetővé teszi, hogy fejlesztők nagy teljesítményű, hangvezérelt felületeket építsenek és telepítsenek. Ezek a platformok a valós idejű médiaátviteli infrastruktúrát menedzselik a háttérben, így a fejlesztők az UX-re koncentrálhatnak.
A Google partneri együttműködéseket említ olyan cégekkel is, mint a Salesforce, Genspark és Lumeris, amelyek a 3.8 Live és a 3.8 Live Extended Thinking alacsony késleltetését, gördülékenységét és eszköz‑hívás képességeit emelik ki.
Biztonság és átláthatóság
A Google közölte, hogy az összes, az AI termékei által generált hanganyagba beágyazott, és észlelhető SynthID vízjelet helyeznek el. Ez a nem észrevehető vízjel segíti az AI‑generált tartalom felismerhetőségét és a félretájékoztatás elleni védekezést. A cég a modellspecifikus biztonsági és felelős használati részleteket a modellkártyán ismerteti.
Bevezetés és elérhetőség
A Google szerint a kiadások ma kezdődnek:
- Gemini 3.8 Live: elérhető fejlesztőknek a Gemini API-ban és a Google AI Studio-ban; vállalati ügyfeleknek privát előnézetben a Gemini Enterprise-ben, hamarosan a Gemini Enterprise for Customer Experience-ben; a végfelhasználók számára elérhetővé válik a Search Live szolgáltatásban.
- Gemini 3.8 Live Extended Thinking: fejlesztők számára a Gemini API-ban és a Google AI Studio-ban; vállalati ügyfeleknek privát előnézet a Gemini Enterprise-ben, hamarosan a Gemini Enterprise for Customer Experience-ben és Google Workspace üzleti ügyfeleknek; a fogyasztói hozzáférés: Gemini Live felületén, valamint Google AI Pro és Ultra Workspace-előfizetők számára Docs-ban, és minden Google AI előfizető számára Gmailben és Keepben.
A bejelentés szerint a fejlesztők számára az új modellek már elérhetőek, a vállalati és fogyasztói megjelenés pedig fokozatosan történik meg a különböző termékeken keresztül.
body_en:
Google unveils Gemini 3.8 Live and 3.8 Live Extended Thinking for near‑real‑time voice agents
Google announced two new audio-capable Gemini models designed to improve near‑real‑time reasoning and make spoken interactions with AI more natural: Gemini 3.8 Live and Gemini 3.8 Live Extended Thinking. Both models are positioned as production-ready building blocks for developers and enterprises building voice-driven agents, and as a way to make conversations with Gemini across the Gemini app, Google Workspace, and Search more fluid and collaborative.
Model distinctions and capabilities
- Gemini 3.8 Live: optimized for scale and cost efficiency, combines conversational intelligence with smooth dialogue flow and visual grounding.
- Gemini 3.8 Live Extended Thinking: aimed at high‑complexity tasks, offering enhanced multi‑step reasoning and higher task intelligence.
Gemini 3.8 Live can process visual inputs in near real time to enrich conversational context, and it supports automatic mid-conversation detection and switching among 97 supported languages. The model can execute tools and API calls in the background while continuing the conversation, allowing it to acknowledge requests and keep chatting while tasks finish asynchronously.
3.8 Live Extended Thinking is designed to reason while speaking: it provides increased intelligence for complex workflows without interrupting the conversational flow, using early verbal cues (for example, “Let me check that…”) and live progress narration to inform users about multi‑step background tasks.
Benchmarks and performance
Google reports that Gemini 3.8 Live Extended Thinking achieved top results on several metrics: it ranked first overall on Artificial Analysis’ Speech to Speech Quality Index with a score of 82.6. On agentic task completion measures it scored 68.6% on the τ‑Voice benchmark and 35.1% on Sierra’s τ‑Voice‑banking benchmark. For reasoning, the model scored 97.7% on Big Bench Audio. Google emphasizes these outcomes come with a competitive price point relative to other frontier models.
Gemini 3.8 Live also placed highly in user preference testing, taking second place in the Speech Agent Arena, while remaining cost‑effective according to Google.
On ServiceNow’s EVA‑Bench (an evaluation benchmark for voice agents), Google says these models push the Pareto frontier for complex workflows by balancing accuracy and conversational quality. The company ran these evaluations on the Live API of the Gemini Enterprise Agent Platform.
Demonstrations and use cases
Google highlights several demo scenarios: real‑time employee onboarding that leverages visual context, near‑real‑time chess play using visual inputs and reasoning, transforming raw sketches and live voice feedback into working React components with 3.8 Live Extended Thinking, coordinating multi‑step bookings and asynchronous function calls without interrupting conversation, and generating complete business plans and custom marketing toolkits on the fly via natural speech.
The Live models are integrated with Google Workspace and Search surfaces; 3.8 Live Extended Thinking is available in Docs Live, Gmail Live, and Keep Live in supported configurations, which Google positions as especially helpful for complex tasks.
Developer and enterprise ecosystem
Using the Gemini Live API, developer platforms such as Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel, and Vision Agents can enable developers to build and deploy high‑performance voice interfaces. These platforms handle the complex real‑time media streaming infrastructure so developers can focus on user experience.
Google also notes partnerships with companies including Salesforce, Genspark, and Lumeris, which have highlighted the models’ low latency, fluidity, and tool‑calling capabilities.
Safety and provenance
All audio generated by Google’s AI products will include an imperceptible SynthID watermark embedded in the audio output to help ensure AI‑generated content can be detected and to mitigate misinformation. Google refers readers to the model card for details on safety and responsible use.
Availability and rollout
Google states these releases begin today:
- Gemini 3.8 Live: available to developers via the Gemini API and Google AI Studio; enterprise customers in private preview in Gemini Enterprise and coming soon to Gemini Enterprise for Customer Experience; and for general users via Search Live.
- Gemini 3.8 Live Extended Thinking: available to developers via the Gemini API and Google AI Studio; enterprise customers in private preview in Gemini Enterprise and coming soon to Gemini Enterprise for Customer Experience and Google Workspace business customers; and available to consumers on Gemini Live and for Google AI Pro and Ultra subscribers in Workspace (Docs), and for all Google AI subscribers in Gmail and Keep.
Google indicates the models are immediately available to developers while enterprise and consumer availability will roll out across products and subscription tiers.
