Google ma tette elérhetővé a Gemini 3.8 Live és a Gemini 3.8 Live Extended Thinking nevű beszéd–beszéd (speech-to-speech) modelleket. A megközelítés formailag hasonlít az OpenAI GPT-Live modelljeihez: a rendszerek valós időben képesek beszédet fogadni és generált beszéddel válaszolni.
Böngészőben futó tesztfelület készült
Egy fejlesztő — a dokumentációt GPT-6 Astra Extra High modellel elemezve — létrehozott egy webböngészőn belül futó felhasználói felületet a modellek kipróbálásához. A felület lehetővé teszi:
- modell és hang (voice) előbeállítás kiválasztását,
- opcionális system prompt megadását,
- böngészőn keresztüli hangalapú beszélgetés indítását,
- a modell megszakítását beszéd közben (azaz a felhasználó be tud avatkozni, miközben a modell beszél).
Megvalósítási részletek
A fejlesztő elmondása szerint a megvalósítás nem használ külső könyvtárakat. A kapcsolatot a Google generatív nyelvi szolgáltatásának WebSocket végpontjára építi: wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent?key=..., és hangfelvételhez illetve lejátszáshoz a böngésző Web Audio API-jának AudioContext objektumát használja.
Miért fontos ez
A Gemini 3.8 Live család újabb lépés a valós idejű beszédfeldolgozás felé: a modellalkalmazások mostantól könnyebben beépíthetnek böngészőn belüli, megszakítható hanginterakciót. A WebSocket alapú, könyvtármentes megközelítés egyszerűsített prototípus-készítést tesz lehetővé fejlesztők számára, akik gyorsan szeretnék kipróbálni a modellek képességeit.
Korlátozások és további megjegyzések
A demonstrációs felület forrása és a kapcsolódó beállítások a fejlesztő megosztása szerint egyéni megoldások; nem minden részlet nyilvános. A WebSocket URL a Google generatív nyelvi API-jának interfészére mutat, a ?key=... paraméter pedig azt jelzi, hogy API kulcs szükséges a használathoz.
