Google lancerer to stemmemodeller, der kan tale med dig i realtid

Google har udgivet to nye AI-modeller, der kan føre samtaler på tale i realtid: Gemini 3.8 Live og Gemini 3.8 Live Extended Thinking. Man taler til dem, og de svarer med stemme uden at gå omvejen over skrevet tekst.

Ifølge Google er den almindelige udgave den omkostningseffektive model til flydende dialog. Extended Thinking-udgaven er til komplekse opgaver, hvor AI'en skal løse flere trin efter hinanden. Her kan udviklere indstille, hvor meget modellen skal tænke i baggrunden.

Billeder, sprog og baggrundsopgaver

Modellerne kan behandle billeder næsten i realtid og bruge dem som baggrund for samtalen. De kan også selv registrere og skifte mellem 97 understøttede sprog midt i en samtale.

De kan desuden slå op eller bede andre systemer om data i baggrunden uden at afbryde samtalen. Undervejs kan de sige noget i retning af »lad mig lige tjekke det« og fortælle, hvordan det går med en opgave i flere trin.

Googles egne tal

Ifølge Google ligger Extended Thinking-modellen nummer et på Artificial Analysis' kvalitetsindeks for tale-til-tale med en score på 82,6. Google opgiver også 68,6 procent på testen τ-Voice og 97,7 procent på Big Bench Audio. Gemini 3.8 Live ligger ifølge Google på andenpladsen i Speech Agent Arena. Alle tal er Googles egne opgivelser.

Jamie Wood, medstifter af Ambr AI, siger i en afkortet udtalelse, at skiftet til Extended Thinking-modellen gjorde virksomhedens simuleringer hurtigere.

Hvem kan bruge det

Udviklere kan få modellerne via Gemini API og Google AI Studio. Virksomheder kan prøve dem i en privat preview i Gemini Enterprise. Almindelige brugere møder 3.8 Live i Search Live, mens Extended Thinking bruges i Gemini Live. Google Workspace (Docs, Gmail og Keep) får funktionerne for abonnenter på AI Pro og Ultra samt erhvervsabonnenter.

Googles udviklerpris er 0,005 dollar pr. minut for lyd ind og 0,018 dollar pr. minut for lyd ud. Det fremgår ikke tydeligt, om priserne gælder begge modeller.

Lyd fra modellerne er mærket med et skjult vandmærke kaldet SynthID, så det kan opdages som AI-genereret.

Ny model til tale-til-tekst

Google omtaler også Gemini 3.5 Transcribe, som laver tale om til tekst på over 85 sprog. Google opgiver en ordfejlrate på 4,0 procent i streaming og 2,6 procent uden. Modellen kan skifte sprog automatisk, bruge en ordliste på op til 1.000 termer og behandle lydfiler på op til én time.