O que foi lançado
O Google apresentou os Gemini 3.8 Live e Gemini 3.8 Live Extended Thinking, seus modelos de diálogo ao vivo mais avançados até agora. Ambos são speech-to-speech nativos — falam e escutam diretamente, sem a cadeia tradicional que junta reconhecimento de voz (ASR), um LLM e síntese de voz (TTS) em etapas separadas.
Eles ampliam a família Gemini Audio, que a empresa expandiu no mês passado com o Gemini 3.5 Transcribe. O objetivo declarado é fechar uma lacuna específica: agentes de voz capazes de raciocinar e executar ferramentas sem quebrar o fluxo da conversa. Os modelos já estão disponíveis na Gemini Live API e no Google AI Studio, mas são hospedados — não há pesos abertos nem opção de self-hosting.
Dois modelos, papéis distintos
- Gemini 3.8 Live: pensado para escala e custo. Combina inteligência conversacional com diálogo fluido e contexto visual.
- Gemini 3.8 Live Extended Thinking: voltado a tarefas de alta complexidade, adiciona raciocínio em múltiplas etapas enquanto fala.
Resultados em benchmarks
O Gemini 3.8 Live Extended Thinking assumiu a primeira posição no Speech to Speech Quality Index da Artificial Analysis, com 82,6 pontos. Ele lidera ainda a conclusão de tarefas agentivas, com 68,6% no τ-Voice e 35,1% no τ-Voice-banking da Sierra, além de 97,7% no Big Bench Audio. O Gemini 3.8 Live ficou em segundo lugar no Speech Agent Arena, avaliação de preferência humana.
O que os desenvolvedores ganham
A Live API expõe cinco capacidades centrais:
- Chamadas de função assíncronas: o modelo executa APIs e ferramentas em segundo plano, mantendo o áudio fluindo para o usuário;
- Contexto visual: processa entradas visuais ao vivo, em tempo quase real;
- Precisão alfanumérica: lê códigos de confirmação e dados técnicos, um ponto de falha comum em sistemas de voz;
- Suporte multilíngue: detecta e alterna entre 97 idiomas no meio da conversa, com consistência de sotaque;
- Atualizações incrementais: funde áudio em tempo real com dados estruturados para respostas conscientes do contexto.
O Extended Thinking adiciona raciocínio configurável em segundo plano, usando pistas verbais como “deixa eu verificar” para reconhecer o pedido e narrando o progresso passo a passo enquanto tarefas longas executam.
Preço e ecossistema
Os dois modelos custam US$ 0,005 por minuto de áudio de entrada e US$ 0,018 por minuto de áudio de saída. Desenvolvedores podem integrar via parceiros como LiveKit, Pipecat, Vercel, LangChain, Agora, Fishjam e Vision Agents. Todo áudio gerado carrega a marca d’água imperceptível SynthID do Google DeepMind.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
