A hangalapú AI eddig gyakran vagy gyors volt, vagy okos, de ritkán mindkettő egyszerre. A Gemini 3.8 Live és a 3.8 Live Extended Thinking pont ezen próbál változtatni: folyamatosabb beszélgetést ígérnek úgy, hogy közben a modell a háttérben dolgozni is tud.

Mi történt

A Google DeepMind két új audio-orientált modellt jelentett be. A Gemini 3.8 Live a skálázhatóságra és a költséghatékonyságra épít, vagyis arra, hogy sok felhasználóval és sok lekéréssel is gazdaságosan működjön. Emellett természetesebb párbeszédet, vizuális bemenet kezelését és valós idő közeli reakciót kínál. Ez utóbbi azt jelenti, hogy nem hosszú szünetekkel válaszol, hanem inkább egy élő beszélgetés ritmusát próbálja követni.

A másik újdonság a Gemini 3.8 Live Extended Thinking, amelyet összetettebb feladatokra szántak. Itt a hangsúly a több lépéses következtetésen van: a modell nem csak reagál, hanem hosszabb gondolati láncokat is végig tud vinni, miközben szóban visszajelzi, min dolgozik. Gondolj rá úgy, mint egy asszisztensre, aki nem tűnik el csendben fél percre, hanem közben jelzi, hogy épp ellenőriz valamit, majd lépésről lépésre halad tovább.

A modellek több gyakorlati képességet is kaptak. A 3.8 Live közel valós időben dolgozza fel a vizuális inputot, vagyis a beszélgetésbe be tudja húzni azt is, amit a kamera vagy megosztott kép alapján „lát”. Menet közben 97 támogatott nyelv között is tud váltani, és a háttérben eszközöket, illetve API-hívásokat futtathat. Az API-hívás lényegében egy kapcsolat külső szolgáltatásokhoz: például naptárhoz, ügyféladatbázishoz vagy foglalási rendszerhez. Ettől lesz a hangügynök nem csak beszélgetőpartner, hanem cselekvő rendszer.

Miért fontos

Ez a bejelentés azért érdekes, mert a hangos AI következő nagy lépése nem feltétlenül az, hogy még emberibben beszéljen, hanem az, hogy használhatóbb legyen valódi feladatoknál. Egy ügyfélszolgálati, értékesítési vagy irodai asszisztensnél az számít, hogy tud-e beszélgetés közben keresni, ellenőrizni, kitölteni, foglalni vagy összefoglalni. Ha ez megszakítás nélkül történik, az a felhasználónak sokkal természetesebb élmény. A teljesítményről közölt benchmarkok alapján a vállalat egyértelműen azt üzeni, hogy nem csak demóra, hanem éles üzleti használatra szánja ezeket a modelleket.

Külön fontos a vízjelezés is: az AI által generált hangot SynthID jelöli. Ez egy emberi fül számára nem hallható azonosító, amely segíthet később megállapítani, hogy egy hangfelvétel mesterségesen készült-e. Ez nem old meg minden visszaélési kockázatot, de fontos alapréteg a hitelesség ellenőrzésében.

Mire figyelj

  1. Az igazi kérdés a késleltetés lesz. Hangos használatnál néhány századmásodperc is sokat számít, ezért érdemes figyelni, mennyire marad folyamatos a beszélgetés valós környezetben.
  1. Fontos lesz, hogyan működik a háttérben futó eszközhasználat. Minél több rendszerhez fér hozzá egy hangügynök, annál hasznosabb, de annál érzékenyebb is a hibákra és a jogosultságkezelésre.
  1. A többnyelvű váltás és a vizuális kontextus jól hangzik, de a mindennapi minőséget az dönti el, mennyire stabilan működnek zajos, vegyes nyelvű vagy összetett helyzetekben.
  1. A szélesebb elterjedést az döntheti el, mennyire tudják a fejlesztők gyorsan beépíteni ezeket a modelleket saját termékekbe, és hogy a vállalati előnézetből milyen tempóban lesz általánosan elérhető szolgáltatás.