Google випустив Gemini 3.8 Live для голосових агентів
Google випустив Gemini 3.8 Live — модель, що розуміє візуальний контекст з камери або екрана, автоматично перемикається між 97 мовами та викликає інструменти та API у фоні без переривання розмови. Доступна версія Extended Thinking для складних завдань з розумінням.
🚀 Google запускає реальний інструмент. Gemini 3.8 Live з візуальним контекстом і 97 мовами — для тих, хто будує голосових агентів з контекстною свідомістю.
Що це означає для вас
Тестуйте Gemini 3.8 Live для створення голосових агентів, які аналізують екран клієнта під час консультації
Перший крокЗапустіть тестовий запит через API з передачею зображення екрану і оцініть реакцію моделі (15 хв)
З новини: 97 мовІнструмент: Gemini 3.8 Live
Пропустіть, якщо: якщо ваші клієнти не використовують відеозв’язок або спілкуються текстом
Перевірте, чи може ваш голосовий агент «бачити» екран клієнта — це може підвищити конверсию в консультаціях.
Отримати карту AI-можливостей →🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Google випустив Gemini 3.8 Live — модель для голосових агентів із візуальним розумінням
- •Підтримує автоматичне переключення між 97 мовами у реальному часі
- •Може викликати інструменти та API у фоні без переривання розмови
- •Доступна версія Extended Thinking для складного розуміння
- •Обидві моделі мають однакову ціну за токен у API
Як це змінить ваш ринок?
Компанії у сфері підтримки та продажів зможуть створювати голосових агентів, які аналізують екран клієнта під час спілкування — наприклад, бачать форму, яку клієнт заповнює, або помилку в інтерфейсі. Це знімає блокер у розумінні контексту, який сьогодні вимагає ручного опису або спільного екрану. Для бізнесу це означає скорочення часу на вирішення проблеми та підвищення задоволеності клієнта без додаткових працівників.
Визначення: Голосовий агент — це AI-система, що спілкується голосом, розуміє контекст і може виконувати дії за запитом користувача.
Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.
- •Для голосових агентів: потрібен доступ до Gemini API, здатність передавати зображення з камери/екрану, обробка потокового аудіо
- •Мін. масштаб: від 10+ спілкувань/день, щоб виправдати інтеграцію
- •Бюджет: вартість за токен (ціна не вказано в статті, але однакова для обох версій)
- •Час на впровадження: 1-2 дні для базової інтеграції з візуальним вводом, якщо вже використовуєте Gemini API
- •Потрібна команда: один розробник з досвідом роботи з мультимедіа API
Альтернативи (ТАБЛИЦЯ: | | Продукт 1 | Продукт 2 | Продукт 3 |
| Ціна | дані не розкриті | $0.002/1K токенів (Whisper) | $0.006/1K токенів (GPT-4o реал-тайм) | | Де працює | API Google | OpenAI API | OpenAI API | | Мін. вимоги | інтернет, Gemini API ключ | інтернет, OpenAI ключ | інтернет, OpenAI ключ | | Ключова різниця | візуальний контекст + 97 мов | лише аудіо, англійська-орієнтований | аудіо + текст, обмежена мова |
💬 Часті запитання
Чи потрібна окрема ліцензія для використання візуального контексту?
Ні, функція входить у стандартний доступ до Gemini 3.8 Live API. Ви платите лише за оброблені токени, незалежно від типу входу (текст, аудіо, зображення).
Чи працює Extended Thinking з усіма типами входу?
Так, версія Extended Thinking застосовується до всіх модальностей — текст, аудіо та зображення — і призначена для складного розуміння, а не лише для логічних задач у тексті. **Чи є обмеження на довжину візуального контексту (наприклад, тривалість спільного екрану)? В статті не вказано конкретні ліміти на розмір або тривалість візуального входу. Рекомендується протестувати з реальними випадками використання перед продакшенним розгортанням.
Чи можна використовувати Gemini 3.8 Live офлайн або на пристрої?
Ні, модель доступна лише через Google Cloud API. Для локального використання потрібні інші моделі (наприклад, Gemma або открытые аналоги), які не мають ті ж мультимедіа можливості. **Чи підтримує модель переривання у спілкуванні (як люди)? Так, стаття зазначає, що модель «автоматично перемикається» між мовами і може викликати API «не перериваючи розмову», що підразумеє естеподібний потік спілкування з можливістю втручання з обох сторін.
Підтекст
Це не просто ще одна модель — це крок до природного спілкування з AI, де бот «бачить» те, що бачите ви. Google відповідає на попит у B2B-секторі на агенти, що працюють у реальному часі з даними з екрану або камери — наприклад, підтримка або продажі через відеозв’язок.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
AI Advisory Board
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiadvisoryboard.me