Gemini 3.8 Live и Extended Thinking: Google обновила голосовой ИИ для агентов

Что именно выпустила Google

Gemini 3.8 Live — основная модель для голосовых агентов с низкой задержкой. Google ориентирует её на масштабируемые приложения, где разговор должен оставаться быстрым и естественным.

Gemini 3.8 Live Extended Thinking предназначена для более сложных задач. Модель может выполнять многошаговое рассуждение и одновременно поддерживать диалог, сообщая пользователю о ходе выполнения задачи вместо длительной паузы.

Обе модели основаны на Gemini 3 Pro. Согласно официальной model card, они принимают текст, изображения, аудио и видео, а возвращают текст и аудио. Максимальный входной контекст составляет 128K токенов, максимальный выход — 64K токенов.

Почему это больше, чем обычный голосовой чат

Ключевое отличие Live API — возможность строить не просто интерфейс «распознать речь → отправить текст в LLM → озвучить ответ», а полноценного мультимодального агента. Модель получает поток разговора и визуальный контекст, может использовать инструменты и продолжать взаимодействие с человеком, пока внешняя операция выполняется.

Асинхронные вызовы инструментов

Для разработчиков одно из наиболее важных изменений — асинхронные function calls. В Gemini 3.8 Live режим NON_BLOCKING стал стандартным поведением для вызова функций. Агенту не обязательно прекращать разговор на время выполнения внешней операции.

Это полезно для сценариев, где API отвечает не мгновенно: поиск информации, запрос к базе данных, управление внешней системой, создание документа, проверка состояния оборудования или выполнение многошаговой операции.

При миграции со старого gemini-3.1-flash-live-preview Google рекомендует заменить идентификатор модели на gemini-3.8-live. Синхронное блокирующее поведение при необходимости можно сохранить, явно задав behavior: BLOCKING.

Обычная Live и Extended Thinking: в чём разница

Это важный нюанс интеграции: обычная Gemini 3.8 Live не принимает параметр thinking_level. Нельзя механически переносить конфигурацию Extended Thinking или другой reasoning-модели на стандартную Live.

Голос плюс камера

Gemini 3.8 Live способна учитывать визуальный поток почти в реальном времени. Это открывает более практичные сценарии, чем обычный голосовой ассистент: удалённая техническая помощь, обучение, пошаговые инструкции, анализ происходящего перед камерой и интерфейсы, в которых пользователь не обязан описывать словами всё, что видит.

Для технической поддержки это особенно интересно. Теоретически агент может видеть электрощит, сетевое оборудование, интерфейс программы или устройство и обсуждать наблюдаемое с пользователем. Однако такой помощник не должен заменять измерения, документацию производителя и специалиста там, где ошибка создаёт риск поражения электрическим током, пожара или повреждения оборудования.

97 языков и переключение прямо во время разговора

Google заявляет автоматическое определение и переключение между 97 поддерживаемыми языками внутри одной беседы. Для международных голосовых сервисов это уменьшает необходимость заранее выбирать язык сессии и строить отдельную маршрутизацию для каждого языка.

Реальное качество всё равно следует проверять отдельно для нужного языка, акцента, качества микрофона, фонового шума и профессиональной терминологии. Количество поддерживаемых языков само по себе не означает одинаковую точность на каждом из них.

Что показывают тесты

Google сообщает, что Gemini 3.8 Live Extended Thinking получила 82,6 балла в Speech-to-Speech Quality Index Artificial Analysis, 68,6% в τ-Voice и 35,1% в Sierra τ-Voice-banking. На Big Bench Audio компания приводит результат 97,7%.

Эти показатели полезны как ориентир, но не стоит переносить их напрямую на конкретного голосового агента. На практике результат зависит от системного промпта, подключённых инструментов, задержки сети, качества аудио, логики приложения и сложности реальных задач.

Где доступны модели

Согласно Google DeepMind, Gemini 3.8 Live распространяется через Gemini API, Gemini App, Google AI Studio, Google Cloud / Vertex AI и Search Live. Extended Thinking также заявлена для Gemini API, AI Studio, Vertex AI, Gemini App и отдельных сценариев Google Workspace.

Google отдельно указывает интеграции Live API с инфраструктурой и фреймворками для realtime-приложений, включая LiveKit, LangChain, Pipecat и Vercel. Это снижает порог разработки собственного голосового агента, поскольку разработчику не обязательно самостоятельно реализовывать весь медиатранспорт.

Что важно учитывать разработчику

• Задержка важнее одного benchmark. Голосовой агент воспринимается плохо даже при сильной модели, если паузы и перебивания реализованы неудачно.
• Function calling требует контроля. Возможность продолжать разговор во время выполнения инструмента не отменяет проверки прав и критических действий.
• Нужны реальные тесты русского языка. Поддержка языка и стабильная работа с технической терминологией — разные вещи.
• Мультимодальность увеличивает риски. Камера и микрофон могут передавать персональные или конфиденциальные данные, поэтому архитектуру хранения и передачи данных нужно продумывать заранее.
• Миграция требует проверки конфигурации. Поведение thinking и асинхронных функций отличается от предыдущих Live-моделей.

Практическое значение

Gemini 3.8 Live интересна прежде всего переходом от «голосового чат-бота» к агенту, который одновременно разговаривает, видит контекст и взаимодействует с внешними системами. Для бизнеса это потенциально голосовая поддержка и операторские интерфейсы. Для разработчиков — realtime-агенты. Для умного дома — более естественный голосовой интерфейс к автоматизациям и данным, если управление реализовано через безопасный промежуточный слой.

Extended Thinking добавляет второй класс сценариев: пользователь может продолжать разговор, пока модель выполняет более сложную цепочку рассуждений и действий. Насколько хорошо это работает за пределами демонстраций, нужно оценивать на реальных задачах.