Mówić i myśleć: zakład Google na pracę w tle z Gemini 3.8 Live

15 września 2026 roku Google zaprezentowało Gemini 3.8 Live oraz jego wariant Extended Thinking, dwa natywne modele dialogu głosowego speech-to-speech stworzone do prowadzenia rozmów w czasie rzeczywistym. Najistotniejsza nowość z technicznego punktu widzenia nie leży w płynności głosu, lecz w zdolności wywoływania zewnętrznych narzędzi i prowadzenia obliczeń w tle podczas samej rozmowy. Jak zauważyła analiza TechRepublic, to rozdzielenie oznacza, że koniec wypowiedzianej odpowiedzi nie musi już pokrywać się z zakończeniem operacji, która za nią stoi. Modele, obsługujące dynamiczne przełączanie między 97 językami i przetwarzanie danych wizualnych niemal w czasie rzeczywistym, zawierają również technologię znaków wodnych SynthID służącą do rozpoznawania wygenerowanego dźwięku.

W metrykach wydajności wersja Extended Thinking zajęła pierwsze miejsce w Speech to Speech Quality Index firmy Artificial Analysis z wynikiem 82,6. To prywatny benchmark z własną metodologią i zmiennymi rankingami, a dystans do konkurencji jest niewielki: według danych podanych przez Insider Monkey model GPT-Live-1 Astra od OpenAI osiąga 81,5 punktu, a Grok Voice Think Fast 2.0 od xAI 81,3. Sam Insider Monkey zwrócił uwagę, że różnica zaledwie 1,1 punktu może odzwierciedlać raczej ostrość trwającej rywalizacji niż strukturalną przewagę technologiczną. Jeśli chodzi o benchmarki wewnętrzne, Google deklaruje 97,7 procent w Big Bench Audio i 68,6 procent w τ-Voice, przy czym wynik spada do 35,1 procent w trudniejszym scenariuszu τ-Voice-banking firmy Sierra. Wobec braku weryfikacji przez niezależne strony trzecie te ostatnie dane należy traktować jako jednostronne oświadczenia producenta.

Początkowa dystrybucja obejmuje zarówno API dla deweloperów, jak i integrację z usługami komercyjnymi, takimi jak Search Live i aplikacja Gemini, ale pozostaje kilka szarych stref dotyczących kosztów operacyjnych i stabilności infrastruktury. Choć prasa branżowa podaje dla wersji standardowej stawki 3 dolarów za milion tokenów audio na wejściu i 12 dolarów za milion na wyjściu (około 0,005 i 0,018 dolara za minutę), oficjalna strona cennika Google, sprawdzona 19 września 2026 roku, wciąż nie wymienia tych pozycji ani nie podaje kwoty dodatkowego kosztu tokenów rozumowania w Extended Thinking. Co więcej, całe Live API pozostaje w stanie preview bez określonej daty ogólnej dostępności, a zmierzonych danych o rzeczywistych opóźnieniach czy wskaźnikach błędów w wielojęzyczności nie opublikowano.

Decyzja, by nie publikować zmierzonych danych o opóźnieniach ani o dokładności w 97 obsługiwanych językach, zostawia otwarte główne pytanie: czy rozdzielenie toku rozmowy i przetwarzania w tle wytrzyma próbę codziennego użycia, poza kontrolowanymi benchmarkami. To stabilność realnej infrastruktury, a nie dziesiąte części punktu w prywatnych testach, rozstrzygnie, czy niewidoczna interakcja głosowa jest konkretną ewolucją, czy tylko przyspieszeniem, żeby nie zostać w tyle.