مدلها
Gemini 3.8 Live و Extended Thinking؛ مدل صوتی با استدلال بلادرنگ
دو مدل جدید صوتی گوگل همزمان با گفتگو فکر میکنند و وظایف را در پسزمینه اجرا میکنند.
دو مدل جدید صوتی گوگل همزمان با گفتگو فکر میکنند و وظایف را در پسزمینه اجرا میکنند.
گوگل دیپمایند نسل تازه مدلهای گفتگوی صوتیاش را با پشتیبانی از ۹۷ زبان، درک تصویر و اجرای ابزارها در پسزمینه عرضه کرد.
گوگل دیپمایند دو مدل گفتگوی صوتی به نامهای Gemini 3.8 Live و Gemini 3.8 Live Extended Thinking را در ۱۵ سپتامبر ۲۰۲۶ معرفی کرد؛ پیشرفتهترین مدلهای دیالوگ زنده این شرکت تا امروز. ادعای اصلی گوگل ساده است: با مدل حرف میزنید، در میانه صحبت زبان عوض میکنید، به آن تصویر نشان میدهید و بقیه کار را بدون قطع شدن مکالمه به خودش میسپارید.
نسخه Extended Thinking برای وظایف پیچیده ساخته شده و ترفند اصلیاش این است که استدلال و گفتگو را جدا نمیکند. مدل با جملههایی مثل «بگذار بررسی کنم…» درخواست شما را تایید میکند، در پسزمینه استدلال چندمرحلهای را پیش میبرد و همزمان روند کار را با صدای بلند روایت میکند. مکالمه هرگز روی «لطفاً صبر کنید» قفل نمیشود.
نسخه معمولی 3.8 Live اما برای مقیاس و هزینه بهینه شده است. ورودیهای تصویری را نزدیک به بلادرنگ پردازش میکند، بهطور خودکار بین ۹۷ زبان پشتیبانیشده جابهجا میشود و فراخوانی ابزارها و APIها را در پسزمینه اجرا میکند در حالی که گفتگو ادامه دارد. گوگل نمونههایی مثل راهنمایی زنده در آنبوردینگ کارمندان یا شطرنجبازی با دیدن صفحه از دوربین را نشان داده است.
Extended Thinking در شاخص Speech to Speech Quality Index شرکت Artificial Analysis با نمره ۸۲.۶ رتبه اول را گرفته است. در بنچمارکهای عاملمحور هم ۶۸.۶ درصد در τ-Voice و ۳۵.۱ درصد در τ-Voice-banking سیِرا به دست آورده و در Big Bench Audio نمره ۹۷.۷ درصد ثبت کرده — با قیمتی که گوگل آن را «رقابتی» در مقایسه با مدلهای مرزی میداند.
نسخه معمولی Live در Speech Agent Arena جای دوم را گرفته، اما برگ برندهاش بهرهوری هزینه است؛ چیزی که برای شرکتهایی که میخواهند ایجنت صوتی در مقیاس میلیونها تماس اجرا کنند، مهمتر از چند رتبه بنچمارک است. روی EVA-Bench سرویسناو هم این دو مدل مرز پارتو بین دقت و کیفیت مکالمه را جابهجا کردهاند.
دسترسی چندلایه است: توسعهدهندگان از امروز میتوانند در Gemini API و Google AI Studio هر دو مدل را امتحان کنند. پلتفرمهایی مثل LiveKit، Agora، Vercel، Pipecat، Fishjam و Vision Agents روی Gemini Live API سوار شدهاند تا زیرساخت استریم رسانه بلادرنگ را مدیریت کنند و Salesforce، Genspark و Lumeris در حال یکپارچهسازی هستند.
برای کاربران عادی، قابلیتهای Live در اپ Gemini و Search Live عرضه شده و در Workspace هم Docs Live، Gmail Live و Keep Live فعالاند — Docs برای مشترکان Google AI Pro و Ultra و Gmail و Keep برای همه مشترکان Google AI. نسخه سازمانی فعلاً در پیشنمایش خصوصی Gemini Enterprise است.
یک نکته کوچک اما قابل توجه: تمام صداهای تولیدشده با واترمارک SynthID نشانهگذاری میشوند تا محتوای ساخت هوش مصنوعی قابل تشخیص بماند. با رشد ایجنتهای صوتی که قرار است به جای ما با هم حرف بزنند، این جور جزییات بهمرور مهمتر از خود بنچمارکها میشوند.
رقابت دستیارهای صوتی تازه داغ شده و گوگل با این نسخه هم روی هوشمندی و هم روی هزینه شرط بسته است. اینکه آیا Extended Thinking واقعاً میتواند مکالمه را بدون وقفه با استدلال سنگین ترکیب کند، باید در استفاده واقعی دید — اما اعداد اولیه وعده خوبی هستند.
**تفاوت Gemini 3.8 Live با نسخه Extended Thinking چیست؟ ** نسخه معمولی برای مقیاسپذیری و بهینهسازی هزینه طراحی شده و ورودی تصویری نزدیک به بلادرنگ را پشتیبانی میکند. Extended Thinking برای وظایف پیچیده ساخته شده و همزمان با گفتگو، استدلال چندمرحلهای را در پسزمینه پیش میبرد.
**این مدلها از چند زبان پشتیبانی میکنند؟ ** هر دو مدل بهطور خودکار و در میانه گفتگو بین ۹۷ زبان پشتیبانیشده جابهجا میشوند.
**کاربران عادی چطور میتوانند از این قابلیتها استفاده کنند؟ ** قابلیتهای Live در اپ Gemini و Search Live در دسترساند. در Workspace، Docs Live برای مشترکان Google AI Pro و Ultra و Gmail Live و Keep Live برای همه مشترکان Google AI فعال است.
برای خواندن تحلیلهای بیشتر، صفحهٔ اصلی یا دستهٔ مرتبط را دنبال کنید. میتوانید با میانبرهای صفحهکلید هم بین مقالهها جابهجا شوید.
DeepMind Blog
https://deepmind.google/blog/introducing-gemini-3-8-live-and-3-8-live-extended-thinking/تحریریه هوشنامه این خبر را بر اساس گزارش منبع اصلی بازنویسی و ویرایش کرده است. برای جزئیات بیشتر به منبع مراجعه کنید.
مهمترین اخبار هوش مصنوعی را در ایمیلتان دریافت کنید. بدون تبلیغ، هرزمان بخواهید لغو کنید.
عرضه Gemini 3.7 Flash با نصف قیمت نسخه قبل، معرفی چهار گوشی Pixel 11 با تراشه Tensor G6 و عبور اپلیکیشن Gemini از یک میلیارد کاربر ماهانه، مهمترین اخبار اوت ۲۰۲۶ گوگل است.
