«Говорит и думает одновременно»: Google выпустила Gemini 3.8 Live и 3.8 Live Extended Thinking

Что именно анонсировали

Пост вышел 15 сентября 2026 года и подписан Томом Оуянгом (Tom Ouyang), ведущим инженером, и Малини Джаганатхан (Malini Jaganathan) из технического штата — от имени команды Gemini Audio. Моделей две, и роли у них разные: Gemini 3.8 Live описан как модель для масштаба и экономии, соединяющая разговорный интеллект с беглым диалогом и визуальной привязкой к контексту, а Gemini 3.8 Live Extended Thinking — как модель для задач высокой сложности с усиленным интеллектом и многошаговыми рассуждениями.

Формулировка первого абзаца задаёт рамку всему анонсу: Google продаёт не столько новое поколение модели, сколько голосовых агентов. Для разработчиков и предприятий, по тексту поста, это «строительные блоки для надёжных, готовых к продакшену голосовых агентов».

Каналы выхода перечислены отдельно по каждой модели. Обе доступны разработчикам через Gemini API и Google AI Studio и в приватном превью в Gemini Enterprise; обе приходят в Search Live. Extended Thinking дополнительно выходит в Gemini Live, в Workspace для подписчиков Google AI Pro и Ultra — в Docs, а для всех подписчиков Google AI — в Gmail и Keep.

Цифры, на которые опирается Google

Основные числа собраны в одном абзаце. Gemini 3.8 Live Extended Thinking занимает первое место в Speech to Speech Quality Index от Artificial Analysis с результатом 82,6 и лидирует по выполнению агентных задач: 68,6% на τ-Voice и 35,1% на τ-Voice-banking от Sierra. Там же указаны 97,7% на Big Bench Audio — при «конкурентной цене» относительно других фронтирных моделей.

Для Gemini 3.8 Live приведена другая метрика — второе место в Speech Agent Arena — и та же мысль об экономичности: модель описана как дешёвая и рассчитанная на масштаб. На бенчмарке EVA-Bench от ServiceNow обе модели, по словам Google, сдвигают границу Парето для сложных рабочих процессов, балансируя точность и качество разговора; в сноске уточняется, что прогон делался на Live API в Gemini Enterprise Agent Platform.

Оговорки здесь важны. Все цифры взяты из анонса вендора, а не из независимых прогонов: задержка в миллисекундах, стоимость минуты разговора и условия тарификации в посте не названы. Карточка модели ограничивается общей характеристикой — модели «экономичны и быстры, оптимизированы под высоконагруженные задачи, чувствительные к задержке, вроде диалога в реальном времени».

Что меняется в самом разговоре

Три поведенческие особенности описаны прямо. Gemini 3.8 Live обрабатывает визуальный вход почти в реальном времени; автоматически определяет и переключает 97 поддерживаемых языков прямо внутри разговора; выполняет инструменты и вызовы API в фоне, продолжая разговор, — то есть модель подтверждает запрос, продолжает общаться и заканчивает задачу позже.

Для Extended Thinking заявлено другое: модель рассуждает и говорит одновременно, а не молчит во время «раздумий». Механика — ранние вербальные маркеры вроде «Let me check that…» и живой рассказ о ходе многошаговой фоновой задачи. Демонстрации в посте подобраны под это: игра в шахматы по визуальному контексту, превращение набросков и голосовых правок в рабочие React-компоненты, многошаговые бронирования с асинхронными вызовами функций и сборка бизнес-планов речью.

Про фоновые задачи стоит помнить, что это описание продукта, а не гарантия уровня сервиса: в посте нет ни лимитов на длительность таких задач, ни данных о том, как модель ведёт себя, если фоновая задача не завершилась.

Расхождение с документацией для разработчиков

Обзор Live API в документации Gemini, обновлённый 15 сентября 2026 года, даёт меньше языков, чем анонс: «общение на 70 поддерживаемых языках» и перевод речи в реальном времени на 70+ языков. В анонсе Gemini 3.8 Live та же способность измеряется 97 языками с переключением внутри разговора. Формулировки не совпадают, и до обновления справочника безопаснее опираться на меньшее число.

Из документации видны и технические рамки, которых нет в маркетинговом тексте: Live API — это stateful-соединение по WebSocket, на вход идёт сырое аудио 16-bit PCM с частотой 16 кГц и изображения JPEG не чаще одного кадра в секунду, на выход — аудио 24 кГц. Там же отдельно указана возможность перебивать модель в любой момент (barge-in) и рекомендация для продакшена: использовать эфемерные токены вместо обычных API-ключей.

Что уточняет карточка модели

Карточка Gemini 3.8 Audio вводит модели как дополнение к серии Gemini 3 — нативно мультимодальным и рассуждающим. Вход: аудио, изображения, видео и текст с окном контекста до 128K токенов; выход: аудио и текст с 64K токенов на выходе. Обе модели построены на Gemini 3 Pro, а дата отсечки знаний указана как январь 2025 года.

Ограничения названы там же: возможны галлюцинации, иногда — замедления и таймауты. Отдельно сказано, что модель не достигает ни одного из отслеживаемых или критических уровней возможностей (T/CCL) и не показывает значимого прироста относительно Gemini 3.7 Flash. Практический вывод из карточки простой: перед нами голосовой интерфейс поверх поколения Gemini 3 Pro, а не новое фронтирное поколение модели.

Партнёры и водяные знаки

Экосистема для голосовых агентов описана списком: через Gemini Live API работают Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel и Vision Agents — они берут на себя инфраструктуру потокового медиа, оставляя разработчику пользовательский опыт. В документации Live API перечислены те же интеграции плюс Voximplant и Firebase AI SDK. Отдельно упомянуты Salesforce, Genspark и Lumeris.

По безопасности Google повторяет стандартную линию: всё аудио, сгенерированное продуктами компании, помечается водяным знаком SynthID — неощутимым для слуха и встроенным прямо в выходной сигнал, чтобы сгенерированный звук оставался детектируемым и не превращался в инструмент дезинформации. Страница SynthID описывает тот же подход шире: знаки встраиваются в изображения, аудио, текст и видео, невидимы человеку и рассчитаны на устойчивость к типовым изменениям; для аудио приведены примеры музыкальной модели Lyria и функции генерации подкастов в NotebookLM.

Что осталось за кадром

Итог по состоянию на день анонса такой. Самое сильное подтверждённое утверждение — первое место в стороннем индексе качества речи (82,6) у Extended Thinking, второе место в Speech Agent Arena у Live и набор бенчмарков агентных задач. Всё это результаты вендора на дату релиза: воспроизведений от независимых команд, замеров задержки и публичного прайс-листа в посте нет.

Доступность тоже ограничена: для предприятий обе модели пока в приватном превью, часть возможностей Workspace зависит от уровня подписки, а расширение на Gemini Enterprise for Customer Experience обозначено как «скоро». Разработчику, который собирается строить голосового агента, разумнее начинать с Live API и эфемерных токенов, а число поддерживаемых языков проверять на своей языковой паре — документация и анонс здесь расходятся.