Google istý čas zdanlivo zanedbával funkciu Live, v skutočnosti však práce na nej ani na okamih neustali. V uplynulých dňoch sme sa dočkali výsledkov. Vyšli Gemini 3.8 Live a jeho variant Live Extended Thinking, ku ktorým sa pridal Live Avatar, aby rozhovory s umelou inteligenciou pôsobili prirodzenejšie. Hotový je aj Gemini 3.8 Flash TTS, a to v dvoch verziách.
ChatGPT v minulosti mnohých ohúril hlasovým režimom a podarilo sa mu tým odsunúť Gemini z centra pozornosti. Google sa to teraz snaží zmeniť a prostredníctvom Gemini 3.8 Live si chce zlepšiť pozíciu v konkurenčnom boji. Tento model už zvládne oveľa prirodzenejšiu komunikáciu a rozhovory v príjemnom tempe. Ak používateľ položí chatbotovi náročnejšiu otázku, do práce sa pustí Gemini 3.8 Live Extended Thinking.
Gemini 3.8 Live vznikol s dôrazom na škálovateľnosť a nákladovú efektívnosť, pričom spája konverzačnú inteligenciu, plynulý dialóg a vizuálne schopnosti. Tie naplno využíva nový Live Avatar, ktorý generuje video takmer v reálnom čase a synchronizuje ho s rečou. Vytvára dynamickú postavu, ktorá počas rozhovoru počúva, vidí a rozpráva. Pohyby jej pier sú presne zosynchronizované s rečou v 97 jazykoch a využívať bude aj mimiku zodpovedajúcu situácii.
Live Avatar ponúkne široké možnosti prispôsobenia, pričom firemní zákazníci dostanú v tomto smere aj ďalšie možnosti. Google tiež zdôraznil, že do služby zabudoval potrebné bezpečnostné mechanizmy a pridal aj vodoznak SynthID. Ak teda niekto nahrá Live Avatara počas používania a pokúsi sa záznam zneužiť na iných platformách, s veľkou pravdepodobnosťou sa na to príde. Čoraz viac platforiem totiž bude zreteľne označovať, že ide o obsah vytvorený umelou inteligenciou.
Vráťme sa však k funkcii Live. Gemini 3.8 Live Extended Thinking je navrhnutý už aj na mimoriadne zložité úlohy a ponúka vyššiu inteligenciu i schopnosť viacstupňového uvažovania. Komplexné otázky dokáže rozložiť na menšie časti a spracovať ich tak, aby počas rozhovorov poskytoval čo najpresnejšie odpovede. Vývojárom a firmám tento model umožní vytvárať aj spoľahlivých hlasových agentov.
Podľa meraní Googlu patrí Gemini 3.8 Live Extended Thinking k špičke vo väčšine úloh, ktoré preverujú hlasové modely. V rebríčku Artificial Analysis Speech to Speech Index prekonáva všetkých konkurentov, pričom pred GPT-Live-1 a Grok Voice Think Fast 2.0 má len mierny náskok. Menší a rýchlejší Gemini 3.8 Live sa zase stal novým lídrom rebríčka Speech Agent Arena, kde za sebou nechal nástroj od OpenAI.
Gemini 3.8 Live vo všetkých 97 jazykoch automaticky rozpozná, kedy treba rozhovor prekladať. Netreba ho osobitne žiadať, aby sa ujal úlohy tlmočníka. Gemini 3.8 Live Extended Thinking počas rozprávania nepretržite spracúva informácie na pozadí a dokáže si získavať čas podobne ako ľudia, keď premýšľajú. Vďaka tomu môže komunikácia s týmito modelmi pôsobiť naozaj prirodzene.
Modely zamerané na prevod textu na reč budú pri premene slov na hovorený prejav využívať najnovšie vylepšenia rodiny Gemini. Vytvoria most medzi čisto textovým režimom a plne hlasovým ovládaním, takže všetko bude odteraz stáť na Gemini 3.8. Gemini 3.8 Flash TTS sa zameriava na tvorbu hlasov a navrhovanie postáv, zatiaľ čo Gemini 3.8 Flash-Lite TTS je určený na generovanie zvuku vo veľkom objeme. Flash-Lite je optimalizovaný na priebežný dabing, rozsiahlejšiu tvorbu zvukového obsahu a hlasových agentov.
Gemini 3.8 Flash TTS už podporuje viac než 100 jazykov a nárečí. Generované hlasy dokáže upravovať podľa roly, prízvuku a hlasových vlastností, ktoré používatelia určia pokynmi v prirodzenom jazyku. Model obsahuje viac než dvetisíc hlasov pripravených na okamžité použitie s najrôznejšími prízvukmi a jazykovými variantmi. Zároveň ponúka 30 pôvodných hlasov dostupných v hlasovej knižnici a umožňuje vytvárať aj vlastné.
Podľa Googlu dosahujú Gemini 3.8 Flash TTS a jeho sesterský model v rôznych testoch vynikajúce výsledky, napríklad aj v indexe kvality Hume AI. Nová dvojica modelov na prevod textu na reč nachádza v testoch premožiteľa len zriedka, no výrazný náskok pred súpermi máva tiež málokedy. Google prekonáva konkurenciu aj v jazykoch, ako sú japončina, hindčina či vietnamčina. V nasledujúcom období si ich určite bude chcieť vyskúšať veľa ľudí.
Gemini 3.8 Live a Live Extended Thinking sa postupne sprístupňujú všetkým, a to aj bezplatne. Ako prvé sú dostupné prostredníctvom režimu Live vo Vyhľadávaní Google, až potom prídu do Gemini Live. Prístup cez API Google zabezpečuje prostredníctvom AI Studio.
Live Avatar je zatiaľ určený výhradne firemným zákazníkom. Gemini 3.8 Flash TTS sa k širokej verejnosti dostáva cez Notebook, kde už môže napríklad nahovoriť generované podcasty. Gemini 3.8 Flash-Lite TTS zase vo videogenerátore Google Vids pomáha vkladať ľuďom do úst zadaný text.
