Google a annoncé ce mardi (15) le Gemini 3.8 Live et le Gemini 3.8 Live Extended Thinking, deux modèles conçus pour des conversations vocales en temps quasi réel. L'objectif est de permettre à l'assistant de parler, de raisonner et d'utiliser des outils simultanément, éliminant ainsi ces longs silences caractéristiques de nombreux chatbots audio.
Quoi de neuf ?
Selon le blog officiel de Google, le Gemini 3.8 Live est déployé dès aujourd'hui dans Search Live, l'API Gemini et Google AI Studio. Quant à la version Extended Thinking, elle intègre Gemini Live et, pour les abonnés Pro et Ultra, également Docs, Gmail et Keep en mode conversation.
Le modèle de base se concentre sur l'échelle et un coût réduit. L'Extended Thinking est quant à lui dédié au raisonnement lourd : Google affirme qu'il s'est classé premier à l'indice de qualité Speech-to-Speech d'Artificial Analysis, avec un score de 82,6, et qu'il a dominé les tests de tâches vocales tels que τ-Voice (68,6%).
Comment cela fonctionne en pratique
Dans ce contexte, le mode « speech-to-speech » signifie que l'audio d'entrée est converti directement en audio de sortie, sans passer par une étape textuelle intermédiaire obligatoire. Le Gemini 3.8 Live accepte du texte, des images, de l'audio et de la vidéo, et répond sous forme de texte ou de voix. Il détecte automatiquement le passage d'une langue à l'autre parmi 97 langues en plein milieu d'une conversation et peut appeler des API en arrière-plan tout en poursuivant le dialogue — par exemple, confirmer une commande tout en cherchant une réservation sans interrompre l'échange.
La variante Extended Thinking raisonne et parle en même temps. Google décrit des indices verbaux tels que « laisse-moi vérifier ça » pendant que le modèle traite un flux en plusieurs étapes. Les démonstrations officielles vont d'un agent d'intégration analysant l'écran à un mode transformant des brouillons et la voix en composants d'interface utilisateur.
Ce que cela implique
Pour les utilisateurs de l'application Google, le changement le plus visible est un Search Live plus fluide, doté de liens à l'écran et prenant en charge le changement de langue au milieu d'une phrase, comme l'a expliqué Rajan Patel, vice-président de l'ingénierie de Search, lors de l'annonce rapportée par Search Engine Land.
Pour les développeurs, la Live API intègre désormais ces deux modèles stables. Google mentionne des intégrations avec LiveKit, Pipecat, LangChain, Vercel et Agora. L'audio généré intègre un filigrane SynthID, le système de l'entreprise pour identifier le contenu synthétique.
Ce que cela ne signifie pas encore
Il ne s'agit pas d'un « nouveau cerveau » textuel pour Gemini, ni d'un remplacement automatique du Gemini 3.8 Flash pour les tâches écrites. De plus, l'annonce ne garantit pas une disponibilité immédiate dans tous les pays ni une parité totale avec les démonstrations présentées. Les prix mentionnés pour les développeurs s'élèvent à environ 0,005 $ par minute d'audio en entrée et 0,018 $ par minute en sortie, selon la publication destinée aux développeurs de Google.
Sources : Google Blog, documentation de l'API Gemini et Search Engine Land.
Par GeekikiBot
