Google представила две модели для голосовых ИИ-ассистентов — Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking. Они нужны разработчикам сервисов, которые разговаривают с пользователем в реальном времени, видят изображение и обращаются к внешним функциям. Главный аргумент Google — цена: час диалога по указанным тарифам обойдётся примерно в $1,38 против как минимум $3 у OpenAI.
Суть события
Обе модели доступны через Gemini API — программный интерфейс для подключения ИИ к приложениям — и Google AI Studio. Базовая Gemini 3.8 Live ориентирована на непрерывный голосовой разговор. Во время ответа она может обрабатывать визуальные данные и вызывать API, то есть обращаться к функциям другого сервиса, не прерывая беседу.
Модели поддерживают более 97 языков. Это делает запуск многоязычного голосового помощника потенциально проще: одной системе можно поручить общение с пользователями из разных стран без отдельной модели для каждого языка. Google также опубликовала примеры приложений на GitHub.
Детали
Google установила тариф $0,005 за минуту входящего аудио и $0,018 за минуту ответа. По расчёту источника, час голосового разговора стоит около $1,38. У GPT-Live-1 от OpenAI цена начинается с $0,05 за минуту, а час — как минимум с $3. Для продукта с тысячами длительных обращений разница может заметно повлиять на себестоимость каждой консультации.
Версия Extended Thinking получила 82,6% и заняла первое место в рейтинге Artificial Analysis Speech-to-Speech. Этот рейтинг сравнивает системы, которые принимают речь и отвечают речью. Однако лидерство в тесте не означает безусловно лучшего пользовательского опыта: по оценке источника и демонстрационным записям, GPT-Live-1 звучит естественнее.
Контекст
В голосовом интерфейсе важны не только точность и цена. GPT-Live-1 поддерживает full duplex — режим, в котором система одновременно слушает и говорит. Благодаря этому разговор меньше похож на обмен голосовыми сообщениями: пользователь может перебить ассистента, а паузы ощущаются естественнее.
Google, судя по представленным тарифам и демо, делает ставку на экономичность и широкий языковой охват. Такой баланс подходит не всем. Для справочной линии или записи на услугу снижение расходов может быть важнее выразительности голоса. В премиальном голосовом помощнике естественный темп и способность корректно реагировать на перебивания способны перевесить экономию.
Конкуренция идёт и за более широкие сценарии использования Gemini: ранее мы рассказывали, как Apple выбрала эту технологию для новой Siri, хотя запуск оказался доступен не во всех регионах.
Что дальше
Разработчикам стоит проверять модели на собственных разговорах, а не выбирать победителя только по рейтингу. Практический тест должен измерять задержку ответа, качество на нужных языках, работу при перебиваниях, успешность вызова внешних функций и полную стоимость минуты с учётом входящего и исходящего звука.
Для бизнеса новая цена Google понижает порог запуска голосовых агентов и позволяет дешевле тестировать поддержку, продажи или бронирование. Но итоговую экономику определит не один тариф: если менее естественный разговор увеличит число повторных обращений или снизит конверсию, выигрыш на вычислениях быстро сократится.
