Google je neko vrijeme naizgled zapostavljao funkciju Live, no rad zapravo nijednog trena nije stao. Posljednjih dana vidimo njegov rezultat. Pojavili su se Gemini 3.8 Live i varijanta Live Extended Thinking, a uz njih se pojavio i Live Avatar kako bi razgovor s umjetnom inteligencijom bio životniji doživljaj, a dovršen je i Gemini 3.8 Flash TTS u dvije verzije.
ChatGPT je svojim glasovnim načinom rada ranije oduševio mnoge i tako Geminiju preoteo reflektore; sada Google to pokušava promijeniti i putem modela Gemini 3.8 Live nastoji poboljšati svoj konkurentski položaj. Ovaj će model biti sposoban za puno životniju komunikaciju, s njim će se moći voditi razgovori ugodnog tempa, a ako korisnik chatbotu postavi teže pitanje, u pogon ulazi Gemini 3.8 Live Extended Thinking.
Gemini 3.8 Live razvijen je u znaku skalabilnosti i isplativosti, a spaja razgovornu inteligenciju, tečan dijalog i vizualne vještine. Potonje do vrhunca dovodi novi Live Avatar gotovo generiranjem videa u stvarnom vremenu, usklađenim s govorom. Stvara dinamičan lik koji tijekom razgovora sluša, vidi i govori. Njegov govor prati precizna sinkronizacija usana na 97 jezika, a koristit će i izraze lica prilagođene situaciji.
Live Avatar bit će vrlo prilagodljiv, a tvrtka će poduzećima osigurati dodatne mogućnosti na tom području. Google je nadalje nastojao naglasiti da je u uslugu ugradio odgovarajuće sigurnosne ograde i dodao joj SynthID vodeni žig. To znači da će, ako netko snimi Live Avatar u radu i želi ga zloupotrijebiti na drugim platformama, vrlo vjerojatno biti razotkriven, jer će na sve više mjesta biti jasno označeno da je riječ o sadržaju generiranom umjetnom inteligencijom.
Vraćajući se na funkciju Live, Gemini 3.8 Live Extended Thinking već je osmišljen za izrazito složene zadatke, s pojačanom inteligencijom i višestupanjskim sposobnostima zaključivanja. Složena će pitanja moći raščlaniti i obraditi tako da tijekom razgovora daje najtočnije odgovore. Programerima i poduzećima ovaj model omogućuje i stvaranje pouzdanih glasovnih agenata.
Prema Googleovim mjerenjima, Gemini 3.8 Live Extended Thinking vodeći je u većini zadataka u kojima se testiraju govorni modeli. Na indeksu Artificial Analysis Speech to Speech nadmašuje sve konkurente, uz minimalnu prednost ispred GPT-Live-1 i Grok Voice Think Fast 2.0. Manji i brži Gemini 3.8 Live postao je novi kralj Speech Agent Arene, ostavivši iza sebe OpenAIjev alat.
Gemini 3.8 Live automatski prepoznaje svih 97 jezika; ako treba prevoditi razgovor, ne treba ga posebno moliti da preuzme ulogu tumača. Gemini 3.8 Live Extended Thinking tijekom govora u pozadini neprestano obrađuje informacije i može dobivati na vremenu kao što to čine ljudi dok razmišljaju. Zahvaljujući tome primjena modela može biti doista prirodna.
Modeli usmjereni na čitanje teksta naglas iskoristit će najnovija dostignuća obitelji Gemini pri pretvaranju riječi u govor. Oni će činiti most između jednostavnog tekstualnog rada i posve govornog korištenja, pa će Gemini 3.8 ubuduće stajati iza svega. Gemini 3.8 Flash TTS usmjeren je na stvaranje glasa i dizajn likova, dok se Gemini 3.8 Flash-Lite TTS usredotočuje na generiranje velikih količina zvuka. Flash-Lite optimiziran je za neprekidno sinkroniziranje, izradu većih količina glasovnog sadržaja i glasovne agente.
Gemini 3.8 Flash TTS već podržava više od 100 jezika i dijalekata. Stvorene glasove može oblikovati prema ulozi, naglasku i karakteristikama glasa, a korisnici ih mogu odrediti uputama na prirodnom jeziku. Model sadrži više od dvije tisuće odmah upotrebljivih glasova s najrazličitijim naglascima i jezičnim varijacijama, a nudi i 30 izvornih glasova, koji se biraju iz glasovne biblioteke, a mogu se stvarati i prilagođene opcije.
Prema Googleovu izvješću, Gemini 3.8 Flash TTS i njegov pratitelj pružaju impresivne rezultate u raznim testovima, primjerice na Hume AI indeksu kvalitete. Novi par za čitanje teksta vrlo rijetko nailazi na pobjednika u mjerenjima, no ne događa se često ni da ima znatnu prednost pred suparnicima. Google pobjeđuje protivnike i na jezicima poput japanskog, hindskog ili vijetnamskog. Zacijelo će ih mnogi nastojati isprobati u idućem razdoblju.
Gemini 3.8 Live i Live Extended Thinking postupno postaju dostupni svima, čak i besplatno, a prvo im se može pristupiti putem načina Live unutar Googleove tražilice, a ne u sklopu Gemini Livea. Pristup API-ju Google osigurava putem AI Studija.
Live Avatar zasad je namijenjen isključivo poslovnim klijentima, a Gemini 3.8 Flash TTS do široke publike stiže preko Notebooka, pa tako generirane podcaste već može čitati on, dok Gemini 3.8 Flash-Lite TTS u Googleovu generatoru videa Vids pomaže da se čovjeku stave riječi u usta.
