Google, sesli konuşma için iki yeni Gemini modeli çıkardı
Google, konuşma sırasında arka planda araç çağırabilen ve 97 dil arasında otomatik geçiş yapan iki yeni canlı diyalog modelini yayına aldı.
Google, sesli etkileşim için tasarlanmış iki yeni canlı diyalog modelini duyurdu: Gemini 3.8 Live ve Gemini 3.8 Live Extended Thinking. İkisi de bugünden itibaren Gemini API, Google Workspace ve Gemini uygulaması üzerinden kullanılabiliyor.
Gemini 3.8 Live görsel girdileri gerçek zamanlıya yakın işliyor, desteklediği 97 dili otomatik algılıyor ve konuşmanın ortasında bunlar arasında geçiş yapıyor. Araç ve API çağrılarını arka planda yürütüyor; yani isteği onaylayıp sohbete devam ederken görev arkada tamamlanıyor.
Extended Thinking sürümü aynı anda hem düşünüyor hem konuşuyor. Şirkete göre model, "Bir bakayım..." gibi erken sözlü işaretlerle isteği karşılıyor ve çok adımlı arka plan görevlerinde ilerlemeyi kullanıcıya anlatıyor.
Test sonuçları
Google'ın paylaştığı verilere göre Gemini 3.8 Live Extended Thinking, Artificial Analysis'in Speech to Speech Quality Index sıralamasında 82,6 puanla birinci oldu. Ajan görev tamamlamada τ-Voice'ta %68,6, Sierra'nın τ-Voice-banking testinde %35,1 sonuç aldı. Big Bench Audio'da puanı %97,7.
Gemini 3.8 Live ise Speech Agent Arena'da ikinci sırada yer aldı. Şirket bu modeli ölçek için maliyet etkin bir seçenek diye tanımlıyor. ServiceNow'un sesli ajanları değerlendiren EVA-Bench testi, Gemini Enterprise Agent Platform üzerindeki Live API ile çalıştırıldı.
Entegrasyonlar
Gemini Live API'yi kullanan geliştirici platformları arasında Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel ve Vision Agents var. Google, Salesforce, Genspark ve Lumeris ile de çalıştığını, bu şirketlerin gecikme süresi ve araç çağırma yeteneklerini öne çıkardığını belirtti.
Workspace tarafında Extended Thinking, Docs Live, Gmail Live ve Keep Live içinde deneniyor. Üretilen tüm sesler SynthID ile işaretleniyor.
Ayrıntılar Google DeepMind duyurusunda.
