بررسی و معرفی Gemini ۳.۸ Live گوگل

گوگل جدیدترین نسل از مدل‌های گفت‌وگو صوتی لحظه ای خود یعنی Gemini ۳.۸ Live و Gemini ۳.۸ Live Extended Thinking را معرفی کرد.

دیروز (۲۵ شهریور ۱۴۰۵) تیم Gemini Audio گوگل، مدل Gemini ۳.۸ Live و Gemini ۳.۸ Live Extended Thinking رو معرفی کردند که پیشرفت و بهبود خیلی خوبی داشته در ایجنت های صوتی برای انجام دادن کارهای خیلی پیچیده همزمان در حین صحبت کردن با Gemini. این مدل ها درحال حاضر پیشرفته ترین مدل های گوگل برای مکالمه طبیعی با کاربر و بهبود در هوش و استدلال موازی (انجام همزمان کارها)، که به شما اجازه میده با صحبت کردن با جمنای بتوانید کارهای پیچیده خودتون رو انجام بدید.

Gemini Live چیست؟

Gemini Live حالت مکالمه صوتی و تصویری زنده و طبیعی با جمنای است که به شما اجازه میده به‌جای اینکه کاربر هر بار پیام را تایپ کند و منتظر جواب متنی بماند، می‌تواند با Gemini صحبت کند، وسط حرفش بپرد، تصویر یا دوربین و صفحه موبایل یا لپ تاپ خودش رو به آن نشان دهد و مکالمه را ادامه دهد.

کاربرد های Gemini 3.8 Live

مدل Gemini 3.8 Live صرفا یک مدل صوتی مکالمه محور نیست و در اصل یک مدل چند وجهی است که همزمان به صورت زنده ورودی تصویر و صوت دارد که به شما اجازه میدهد با گرفتن دوربین موبایل به سمت یک سوژه، سوالات خودتون رو از Gemini 3.8 Live بپرسید و اون در لحظه جواب شمارو بدهد.

مثال هایی از استفاده کاربردی از Gemini 3.8 Live:

فرض کنید در خانه آب گرمکن شما خراب شده است:

وارد جمنای لایو میشوید حالت ویژن را روشن میکنید و دوربین رو می‌گیرید رویش و می‌گویید:

«میخواهم لوله آب سرد آبگرمکن را عوض کنم. قدم‌به‌قدم بگو چی رو بررسی کنم.»

جمنای لایو قدم به قدم شمارو راهنمایی میکند که چه کار انجام دهید چه پیچی رو باز کنید و یا چه مهره رو بچرخوانید. و مثل یک اوستای کارکشته در کنار شماست.

در اینستاگرام اسکرول میکنید و ریلز میبینید و به یک پست برمیخورید که یک نفر درحال درست کردن یک غذای خوشمزه است. حالت Screen Sharing جمنای لایو رو روشن میکنید و Gemini 3.8 Live به صفحه موبایل شما دسترسی دارد و ریلز شمارو تماشا میکند و تمام مراحل پخت غذا و مواد استفاده شده در آن رو به صورت یک دستور پخت متنی به یاداشت های شما اضافه میکند.

در یکی از مثال هایی که خود گوگل در مراسم رونمایی از Gemini 3.8 Live زده است یک فردی را نشان میدهد که درحال کشیدن یک طرح UI اپلیکیشن روی کاغذ است که Gemini 3.8 Live هم زمان همان UI رو در اپلیکیشن موبایل پیاده میکند:

واترمارک SynthID روی صدا

گوگل اعلام کرده تمام صداهای تولیدشده توسط این مدل‌ها با SynthID (واترمارک نامحسوس صوتی گوگل) نشانه‌گذاری می‌شوند تا تشخیص محتوای تولیدشده با هوش مصنوعی ممکن باشد. تا خطر انتشار متوای نادرست کاهش یابد.

تفاوت مدل Gemini 3.8 Live با Gemini 3.8 Live Extended Thinking

مدل Gemini 3.8 Live برای تست های نبستا ساده و درجه سختی متوسط طراحی شده و از قیمت و لیمیت کمتری برخوردار است و یک مدل مقرون به صرفه و اقتصادی با کیفیت خیلی خوب برای کاربران و توسعه دهندگان است.

مدل Gemini 3.8 Live Extended Thinking برای وظایف پیچیده طراحی شده است و هوش بیشتر و استدلال چندمرحله‌ای دارد. این مدل، مدل صوتی-به-صوتی با استدلال بالاست که برای مسائل پیچیده و چندمرحله‌ای در تعاملات صوتی زنده توصیه می‌شود و می‌تواند استدلال پس‌زمینه و فراخوانی ابزار غیرهمزمان را در حین پخش مداوم پاسخ صوتی انجام دهد.

ویژگی‌های مشترک هر دو مدل

• هر دو مدل به‌طور خودکار ۹۷ زبان رو پشتبانی میکند و در میان مکالمه میتواند زبان های مختلف را تشخیص دهد و جابه‌جا شود.
• هر دو میتواند با ابزار های مختلفی که در اختیار دارند کار کنند و در پس زمینه همزمان چندین ابزار رو اجرا کنند.

بنچمارک‌ها و مقایسه با رقبا

در بنچمارک شاخص کیفیت گفتار به گفتار شرکت Artificial Analysis، مدل Extended Thinking با کسب امتیاز ۸۲.۶ در صدر جدول قرار گرفت و از GPT-Live-۱ Astra (Medium) با ۸۱.۵ درصد و Grok Voice Think Fast ۲.۰ (High) با ۸۱.۳ درصد پیشی گرفت.

این مدل همچنین در تکمیل وظایف عامل‌محور با ۶۸.۶٪ در τ-Voice و ۳۵.۱٪ در بنچمارک بانکداری τ-Voice-banking شرکت Sierra پیشتاز است، و در Big Bench Audio امتیاز ۹۷.۷٪ گرفته است.

مدل استاندارد Gemini ۳.۸ Live تقریباً یک‌ششم قیمت GPT-Live-۱ Astra است در حالی که بخش زیادی از توانایی مکالمه‌ای مشابه را دارد و امتیاز ۷۶.۰٪ در همان شاخص کسب کرده است. همچنین Gemini ۳.۸ Live در «Speech Agent Arena» (ارزیابی ترجیح انسانی) رتبه دوم را با محبوبیت بالا در میان کاربران کسب کرد و به‌عنوان مدلی بسیار مقرون‌به‌صرفه و مناسب برای مقیاس توصیف شده است.

قیمت‌گذاری مدل های صوتی جدید گوگل

گوگل هنوز قیمت دقیق و رسمی خود رو منتشر نکرده است و ما گزارش MarkTechPost رو به شما ارائه میدهیم:

طبق گزارش MarkTechPost هر دو مدل بر اساس نرخ ۳ دلار به ازای هر میلیون توکن ورودی و ۱۲ دلار به ازای هر میلیون توکن خروجی قیمت‌گذاری شده‌اند که معادل ۰.۰۰۵ دلار در دقیقه برای صدای ورودی و ۰.۰۱۸ دلار در دقیقه برای صدای خروجی است.

طبق تجربه ای که ما داشتیم صحبت کردن یک ساعته با مدل Gemini ۳.۸ Live حدود ۰.۸۴ سنت هزینه داشت که در مقابل GPT-Live-۱ Astra حدود ۵.۸۳ دلار در ساعت هزینه رو دست ما گذاشت و میتوان نتیجه گرفت که مدل های صوتی جدید گوگل با قیمت خیلی پایین تر کیفیت و دقت بهتری ارائه میدهد.

دسترسی و عرضه

شما کاربران میتوانید به مدل Gemini ۳.۸ Live از طریق Gemini API، Google AI Studio، Gemini Enterprise Search Live، اپلیکیشن Gemini Live، و Google Workspace دسترسی داشته باشید که خود من شخصا از اپلیکیشن جمنای در اندروید تست کردم و دسترسی دارم.

در ضمن دسترسی کاربران از امروز آغاز شده و با توجه به لوکیشن VPN شما این امکان وجود داره که هنوز برای شما در اون لوکیشن جغرافیایی به جمنای لایو نسخه جدید درستی نداشته باشید و قاعدتا در ایران نیز نمیوانید بدون VPN وارد اپ جمنای شوید.

پیشنهاد میکنیم از Gemini ۳.۸ Live استفاده کنید و تجربه خودتان رو برای کامل تر کردن این مقاله در قسمت کامنت ها در زیر این پست برای ارسال کنید.