Известно време изглеждаше, че Google пренебрегва функцията Live, но всъщност работата по нея не е спирала нито за миг. Резултатите станаха видими в дните преди 28 септември. Появиха се Gemini 3.8 Live и вариантът Live Extended Thinking, а след тях дойде и Live Avatar, който прави разговорите с изкуствения интелект по-близки до общуването с човек. Готов е и Gemini 3.8 Flash TTS, при това в две версии.

Преди време ChatGPT впечатли мнозина с гласовия си режим и успя да отнеме вниманието от Gemini. Сега Google се опитва да промени това и да засили конкурентните си позиции с Gemini 3.8 Live. Новият модел ще може да общува много по-естествено и да води разговори с приятно темпо. А когато потребителят зададе по-труден въпрос на чатбота, ще се включва Gemini 3.8 Live Extended Thinking.

Отваряне на галерията

Gemini 3.8 Live е разработен с акцент върху мащабируемостта и ефективното използване на ресурсите, като съчетава интелигентно общуване, плавен диалог и визуални способности. Именно последните развива новият Live Avatar, който генерира видео почти в реално време и го синхронизира с речта. Така се създава динамичен персонаж, който слуша, вижда и говори по време на разговорите. Движенията на устните му съответстват точно на речта на 97 езика, а израженията му ще се променят според ситуацията.

Отваряне на галерията

Live Avatar ще предлага широки възможности за персонализиране, като Google ще осигури и допълнителни опции за компаниите. От Google подчертават още, че са вградили необходимите защитни механизми в услугата и са добавили водния знак SynthID. Това означава, че ако някой запише Live Avatar в действие и се опита да злоупотреби със записа в други платформи, има голяма вероятност да бъде разкрит. Все повече платформи ще обозначават ясно, че показваното съдържание е генерирано с изкуствен интелект.

Да се върнем към функцията Live: Gemini 3.8 Live Extended Thinking е създаден за изключително сложни задачи, с по-висока интелигентност и способност за разсъждение в няколко стъпки. Той ще може да разбива сложните въпроси на съставните им части и да ги обработва така, че да дава възможно най-точни отговори по време на разговор. Моделът ще позволи на разработчиците и компаниите да създават и надеждни гласови агенти.

Според измерванията на Google Gemini 3.8 Live Extended Thinking води в повечето задачи за оценяване на речеви модели. В Artificial Analysis Speech to Speech Index той изпреварва всички конкуренти, като има малка преднина пред GPT-Live-1 и Grok Voice Think Fast 2.0. По-малкият и по-бърз Gemini 3.8 Live пък оглави Speech Agent Arena, оставяйки зад себе си модела на OpenAI.

Отваряне на галерията

Gemini 3.8 Live автоматично разпознава кога е необходимо да превежда разговор на всеки от 97-те езика, без да се налага потребителят изрично да го моли да влезе в ролята на преводач. Докато говори, Gemini 3.8 Live Extended Thinking непрекъснато обработва информация във фонов режим и умее да печели време, както правят хората, когато обмислят отговора си. Благодарение на това общуването с моделите може да бъде наистина естествено.

Моделите, специализирани в преобразуването на текст в реч, ще използват най-новите разработки в семейството Gemini, за да превръщат думите в говор. Те ще свързват работата само с текст и изцяло гласовото взаимодействие, така че занапред всичко ще се основава на Gemini 3.8. Gemini 3.8 Flash TTS се фокусира върху създаването на гласове и изграждането на персонажи, докато Gemini 3.8 Flash-Lite TTS е насочен към генерирането на големи обеми аудио. Flash-Lite е оптимизиран за непрекъснато дублиране, създаване на аудиосъдържание в по-голям мащаб и гласови агенти.

Gemini 3.8 Flash TTS вече поддържа над 100 езика и диалекта. Той може да променя генерираните гласове според ролята, акцента и гласовите характеристики, които потребителите задават с инструкции на естествен език. Моделът предлага над 2.000 готови за използване гласа с най-различни акценти и езикови варианти. Налични са и 30 оригинални гласа, които могат да бъдат избрани от гласова библиотека, а има възможност да се създават и собствени варианти.

По данни на Google Gemini 3.8 Flash TTS и другият нов TTS модел се представят впечатляващо в различни тестове, включително в индекса за качество на Hume AI. Двата нови модела за преобразуване на текст в реч рядко отстъпват на конкурентите си, макар че случаите, в които ги изпреварват със значителна преднина, също не са много. Google надделява над съперниците си и при езици като японски, хинди и виетнамски. Със сигурност мнозина ще поискат да изпробват новите модели през следващия период.

Отваряне на галерията

Gemini 3.8 Live и Live Extended Thinking постепенно стават достъпни за всички, включително безплатно. Първоначално достъпът е през режима Live в Google Търсене, а не през Gemini Live. Google осигурява достъп до API чрез AI Studio.

Засега Live Avatar е предназначен единствено за корпоративни клиенти. Gemini 3.8 Flash TTS достига до широката публика чрез Notebook, където например вече може да озвучава генерираните подкасти. Gemini 3.8 Flash-Lite TTS пък помага за озвучаването на хората във видеоклиповете, създадени с видеогенератора Google Vids.

Абонамент за бюлетина

0 коментара

За да напишете коментар, първо влезте в профила си!

Все още няма коментари към тази статия!

Помогнете на другите, като споделите какво мислите за статията.
Обратно към началото на страницата