مدل‌های صوتی جدید گوگل موفق شدند صدر جدول تبدیل گفتار به گفتار را به دست آورند.

گوگل مدل‌های Gemini 3.8 Live و Gemini 3.8 Live Extended Thinking را معرفی کرده که تمرکزشان روی تعاملات صوتی بلادرنگ و نه صرفاً متنی است. گفته می‌شود Gemini 3.8 Live با هزینه تقریبی ۰.۸۴ دلار برای هر ساعت عملکرد سطح بالایی ارائه می‌دهد و نسبت به GPT-Realtime-2 High نمره‌ی ترکیبی بالاتری را با هزینه‌ای نزدیک به ۸۰٪ کمتر به ثبت رسانده است.

هر دو مدل قابلیت چندرسانه‌ای دارند: ورودی اصلی آن‌ها صوتی است، اما در مکالمه می‌توانند اطلاعات بصری را هم پردازش کنند و به طور خودکار میان ۹۷ زبان جابه‌جا شوند.

مدل Extended Thinking تفاوت اصلی را رقم می‌زند و با امتیاز ۶۸.۶٪ در τ-Voice کمی بالاتر از GPT-Live-1 Astra Medium قرار می‌گیرد. τ-Voice نه فقط طبیعی بودن صدا، بلکه توانایی انجام کامل کارهای چندمرحله‌ای خدمات مشتری در سناریوهای مختلف را می‌سنجد.

@GreenOAI