Gemini 3.8 Live: Google vil lade stemmeagenter tale, mens de tænker

Google har lanceret Gemini 3.8 Live og Gemini 3.8 Live Extended Thinking – to indbyggede lyd-til-lyd-modeller til stemmeagenter og samtaler i realtid. Standardmodellen er målrettet skala, pris, flydende dialog og visuel kontekst, mens Extended Thinking er tiltænkt sværere opgaver i flere trin, hvor baggrundsbaseret ræsonnement kan være en fordel. 102

Den centrale forskel: Samtalen fortsætter, mens arbejdet foregår

Det særlige ved Gemini 3.8 Live Extended Thinking er, at modellen ifølge Google kan ræsonnere i baggrunden, planlægge og kalde asynkrone værktøjer, samtidig med at den fortsat streamer et mundtligt svar. Den kan bruge naturlige samtalefyldere, mens et værktøj med længere svartid kører, frem for at sætte hele dialogen på pause, indtil svaret er klar. 12

Det er mere end hurtige skift mellem spørgsmål og svar. I Googles model kan talegenerering, planlægning i baggrunden og asynkrone værktøjskald køre parallelt. En stemmeagent kan dermed fortsætte med at forklare næste skridt, mens den venter på data eller arbejder sig gennem en opgave med flere led. Om oplevelsen faktisk bliver bedre, afhænger dog af værktøjernes pålidelighed, dialogdesignet og af, om det sagte indhold er nyttigt frem for blot at udfylde stilheden. 12

Hvad standardmodellen er lavet til

Google placerer Gemini 3.8 Live som modellen til samtaleoplevelser med lavere forsinkelse og høj volumen, uden de forsinkelser som ræsonnement kan medføre. Den kombinerer live-dialog med visuel kontekst, så en agent kan inddrage det visuelle, mens samtalen foregår. 1045

Google-repræsentanter har desuden oplyst, at modellen understøtter 97 sprog og kan skifte sprog under en samtale. Udviklere bør alligevel afprøve kvalitet, regional tilgængelighed og ydeevne for de konkrete accenter og anvendelser, de bygger til. 16

Benchmarks er et signal – ikke en købsanbefaling

I omtalen af lanceringen blev der rapporteret resultater på Speech-to-Speech Quality Index på 76,0 for Gemini 3.8 Live og 82,6 for Gemini 3.8 Live Extended Thinking. Til sammenligning fik OpenAI's GPT-Live-1 81,5 med medium indsats. 25

I den rapporterede sammenligning ligger Extended Thinking altså højest, men tallene bør ikke læses som et uafhængigt, samlet kvalitetsstempel. En stemmeagent i drift skal også kunne håndtere afbrydelser, tale med forskellige accenter og sprog, præcise værktøjskald, belastning, sikkerhed, overvågning og den samlede pris for en løst opgave. Resultaterne er ét evalueringssignal – ikke bevis for, at ét system er bedst i alle kontaktcenter- eller assistentscenarier. 25

Pris: Brug Live API-tabellen

Googles officielle prisside samler begge nye modeller under Live API. På den betalte standardtakst står lydinput til 3,00 dollar pr. million tokens eller 0,005 dollar pr. minut, mens lydoutput koster 12,00 dollar pr. million tokens eller 0,018 dollar pr. minut. Tekstinput er angivet til 0,75 dollar pr. million tokens, og tekstoutput – inklusive thinking-tokens – til 4,50 dollar pr. million tokens. 37

Det er en vigtig skelnen: Tokenpriser, der oplyses andre steder for Gemini 3.8 Flash, gælder ikke automatisk for Live-modellerne. Ved budgettering bør teams bruge den aktuelle Live API-pristabel og modeldokumentation og derefter teste realistiske sessioner. Udgiften afhænger af blandingen af lyd ind og ud, visuel kontekst, tekst og tilknyttede værktøjer. 37

Tilgængelighed for udviklere, virksomheder og brugere

Google DeepMind angiver begge modeller som generelt tilgængelige. Den offentliggjorte oversigt omfatter Gemini-appen, Google AI Studio, Gemini API og Google Enterprise Agent Platform for begge modeller. Google Search Live er angivet for Extended Thinking, mens Google Workspace er angivet for Gemini 3.8 Live. 54

For udviklere betyder det et valg mellem en standardmodel til live-dialog og en model med mere ræsonnement i samme lyd-til-lyd-familie. For virksomheder er spørgsmålet ikke kun, hvilken model der er tilgængelig, men også hvilken platform, datakontrol, geografisk region og integrationsvej der gælder for den planlagte løsning. 54

Hvad det kan ændre for stemmeagenter i drift

Googles hovedbudskab er en mere samlet stak til realtidsinteraktion: tale, visuel kontekst, baggrundsræsonnement og asynkrone værktøjer i én modelfamilie. I princippet kan det mindske behovet for at sy separate løsninger sammen til talegenkendelse, sprogmodel, værktøjsorkestrering og talesyntese – og samtidig bevare samtalens flow, mens arbejdet foregår. 110

OpenAI's GPT-Live-1 er fortsat en relevant sammenligning, især for teams, der vurderer fuld-dupleks samtaleadfærd. Den nævnte benchmark er imidlertid for snæver til at afgøre et platformvalg. En seriøs evaluering bør bygge på repræsentative samtaler og måle håndtering af afbrydelser, korrekte værktøjskald, flersproget ydeevne, sikkerhedskontroller, genopretning efter fejl, forsinkelse og pris pr. gennemført opgave. 25

Hvad Google endnu ikke har fastslået tydeligt

Det fremlagte lanceringsmateriale dokumenterer ikke en præcis politik for SynthID-vandmærkning af lyd fra Gemini 3.8 Live eller Extended Thinking. Google oplyser, at SynthID er udvidet til vandmærkning og identifikation af tekst, der er genereret i Gemini-appen og på weboplevelsen. Det bekræfter hverken, at alle lydstrømme fra Live-modellerne får vandmærke, eller hvordan registrering og udrulning fungerer. 59

Den samme forsigtighed gælder integrations- og partneroplysninger, som kan ændre sig hurtigt. Teams, der planlægger en løsning i produktion, bør kontrollere den aktuelle modeldokumentation, priser, platformtilgængelighed og gældende servicevilkår, før de låser sig fast på en arkitektur. 3754