Говорити й думати: ставка Google на фонові обчислення в Gemini 3.8 Live

15 вересня 2026 року Google представила Gemini 3.8 Live та його варіант Extended Thinking — дві нативні моделі голосового діалогу speech-to-speech, задумані для розмов у реальному часі. Найсуттєвіша технічна новація полягає не в плавності голосу, а у здатності під час розмови звертатися до зовнішніх інструментів і виконувати обчислення у фоні. Як зауважив аналіз TechRepublic, таке роздвоєння означає, що завершення усної відповіді більше не обов'язково збігається із завершенням операції, що стоїть за нею. Моделі підтримують динамічне перемикання між 97 мовами та обробку візуальних даних майже в реальному часі, а також містять технологію водяних знаків SynthID для розпізнавання згенерованого звуку.

У показниках продуктивності версія Extended Thinking посіла перше місце у Speech to Speech Quality Index від Artificial Analysis із результатом 82,6 бала. Це приватний бенчмарк із власною методологією та мінливими рейтингами, а відрив від конкурентів невеликий: за даними Insider Monkey, модель GPT-Live-1 Astra від OpenAI має 81,5 бала, а Grok Voice Think Fast 2.0 від xAI — 81,3. Саме видання Insider Monkey зазначило, що різниця лише в 1,1 бала може відображати радше гостроту нинішньої конкуренції, ніж структурний технологічний розрив. Щодо внутрішніх бенчмарків, Google заявляє 97,7 відсотка на Big Bench Audio і 68,6 відсотка на τ-Voice, однак на складнішому сценарії τ-Voice-banking від Sierra результат падає до 35,1 відсотка. За відсутності перевірки незалежними третіми сторонами останні цифри слід вважати односторонніми заявами виробника.

Початкове розгортання охоплює і API для розробників, і інтеграцію в комерційні сервіси на кшталт Search Live та застосунку Gemini, але щодо операційних витрат і стійкості інфраструктури лишається кілька сірих зон. Хоча фахова преса називає для стандартної версії тарифи в 3 долари за мільйон вхідних аудіотокенів і 12 доларів за мільйон вихідних (приблизно 0,005 і 0,018 долара за хвилину), офіційна сторінка цін Google, переглянута 19 вересня 2026 року, ще не містить цих позицій і не визначає додаткової вартості токенів міркування для Extended Thinking. До того ж увесь Live API лишається у статусі preview без визначеної дати загальної доступності, а виміряних даних про реальну затримку чи про частоту помилок у багатомовному режимі не опубліковано.

Рішення не оприлюднювати виміряні дані про затримку чи точність у 97 підтримуваних мовах лишає відкритим головне питання: чи витримає розділення між перебігом розмови та фоновою обробкою випробування щоденним використанням, поза контрольованими бенчмарками. Саме стійкість справжньої інфраструктури, а не десяті частки бала у приватних тестах, визначить, чи є невидима голосова взаємодія конкретною еволюцією, чи лише прискоренням, щоб не відстати.