16/09/2026 · VietTechies · Biên tập
Google đã ra mắt Gemini 3.8 Live và Gemini 3.8 Live Extended Thinking, hai mô hình giọng nói được thiết kế để giảm thời gian tạm dừng khi tác nhân AI suy luận và thực hiện nhiệm vụ. Theo Google, cả hai có thể đồng thời xử lý lời nói và suy luận, trong khi gọi công cụ của bên thứ ba ở chế độ nền trong suốt cuộc trò chuyện.
Những thay đổi chính
Các mô hình được thiết kế để tác nhân tiếp tục trò chuyện tự nhiên trong lúc duyệt web hoặc thực hiện hành động được giao, thay vì ngắt hội thoại trong mỗi thao tác. Google cho biết chúng còn có thể tự động nhận diện ngôn ngữ, chuyển ngôn ngữ giữa cuộc trò chuyện, cũng như hiểu và tạo lời nói bằng 97 ngôn ngữ.
Khả năng và kết quả công bố
Theo Google, Gemini 3.8 Live hỗ trợ visual grounding (liên hệ thông tin với hình ảnh) gần thời gian thực và có thể phản hồi bằng lời nói ngắn như “để tôi kiểm tra” trước khi hoàn tất yêu cầu. Công ty công bố Gemini 3.8 Live Extended Thinking đạt 82,6 điểm trên chỉ số Artificial Analysis Speech to Speech Quality Index, còn Gemini 3.8 Live đứng thứ hai trên Speech Agent Arena và đứng đầu EVA-Bench của ServiceNow. Extended Thinking cũng được báo cáo đạt 68,6% trên T-Voice, 35,1% trên T-Voice-banking và 97,7% trên Big Bench Audio. Đây là các kết quả do Google công bố, không phải thử nghiệm độc lập được nguồn tin cung cấp.
Phạm vi cung cấp và chi phí
Google cho biết Gemini 3.8 Live và Gemini 3.8 Live Extended Thinking hiện được cung cấp qua Gemini API và Google AI Studio. Hai mô hình cũng có mặt dưới dạng bản xem trước riêng tư dành cho doanh nghiệp thông qua Gemini Enterprise và Search Live. Extended Thinking còn được cung cấp cho người đăng ký trong Docs, Gmail, Keep và các ứng dụng Gemini Live.
Với mô hình tiêu chuẩn, Google niêm yết giá 0,005 USD mỗi phút âm thanh đầu vào và 0,018 USD mỗi phút âm thanh đầu ra. Extended Thinking còn tính phí token suy luận và các loại dữ liệu đầu vào bổ sung như video, tài liệu. Nhà phát triển có thể truy cập các mô hình qua những nền tảng đối tác gồm Vercel, Agora, LiveKit, Pipecat, Fishjam và Vision Agents.
Nguồn gốc âm thanh
Google cho biết các tệp âm thanh được tạo sẽ chứa watermark SynthID vô hình, nhằm hỗ trợ phát hiện thông tin sai lệch. Nguồn tin không nêu chi tiết kỹ thuật về cách phát hiện watermark hoặc hiệu quả của công nghệ này trong điều kiện thực tế.
Ảnh minh họa do AI tạo.
Nguồn: Google’s new speech model Gemini 3.8 Live supports real-time reasoning