Google lance Gemini 3.8 Live et 3.8 Live Extended Thinking pour les agents vocaux en production
Google a dévoilé Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking, deux nouveaux modèles conversationnels vocaux désormais disponibles via la Gemini Live API et Google AI Studio. Ce sont des modèles natifs de parole à parole, hébergés uniquement par Google (pas de poids ouverts ni d'auto-hébergement possible), qui prolongent la famille Gemini Audio lancée le mois dernier avec Gemini 3.5 Transcribe. Gemini 3.8 Live vise le déploiement à grande échelle avec un bon rapport coût-efficacité, tandis que la version Extended Thinking cible les tâches complexes en ajoutant un raisonnement multi-étapes pendant que le modèle parle. Sur l'indice de qualité Speech to Speech d'Artificial Analysis, Extended Thinking prend la première place avec un score de 82,6, devant tous les concurrents. Il obtient aussi 68,6% sur le benchmark τ-Voice, 35,1% sur τ-Voice-banking de Sierra, et 97,7% sur Big Bench Audio, un test de raisonnement audio. Gemini 3.8 Live, de son côté, se classe deuxième dans le Speech Agent Arena, une évaluation basée sur les préférences humaines. La tarification est fixée à 0,005 dollar par minute d'audio en entrée et 0,018 dollar par minute en sortie, sur la base de 3 dollars par million de tokens en entrée et 12 dollars par million en sortie.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Également couvert par DeepMind Blog.
Cette annonce s'attaque à un problème concret pour les développeurs d'agents vocaux: jusqu'ici, la plupart des systèmes reposaient sur des pipelines en cascade combinant reconnaissance vocale, modèle de langage et synthèse vocale, ce qui introduisait des latences et cassait la fluidité de la conversation. Les nouveaux modèles permettent d'exécuter des appels d'API et d'outils en arrière-plan sans interrompre le flux audio, de traiter des entrées visuelles en temps quasi réel, de reconnaître avec précision des codes alphanumériques comme des numéros de dossier ou de confirmation, et de basculer automatiquement entre 97 langues en conservant la cohérence de l'accent. Pour des secteurs comme la banque, l'assurance ou le support client, où les agents vocaux automatisés gèrent déjà des interactions sensibles, cette fiabilité accrue et cette capacité à raisonner tout en parlant pourraient accélérer l'adoption d'agents autonomes capables de mener des tâches complètes, comme des réservations multi-étapes, sans supervision humaine constante.
Cette sortie s'inscrit dans une compétition intense entre grands laboratoires d'IA pour dominer le marché naissant des agents vocaux d'entreprise. Google s'appuie sur un écosystème de partenaires d'infrastructure de streaming en temps réel, dont Agora, LiveKit, Pipecat, LangChain et Vercel, ainsi que sur des clients comme Salesforce, Genspark et Lumeris, qui vantent déjà la latence et la fluidité du système. Tous les audios générés intègrent le filigrane invisible SynthID de Google DeepMind, une mesure de traçabilité désormais standard face aux inquiétudes liées aux contenus synthétiques. Des applications d'exemple sont disponibles sur GitHub pour les développeurs souhaitant tester ces capacités dès maintenant.
Les entreprises européennes pourront accéder a ces modèles via l'API Gemini Live, mais aucune adaptation réglementaire ou acteur français n'est mentionne.
On voit enfin la fin du pipeline en cascade (STT puis LLM puis TTS), celui qui plombait tous les agents vocaux en latence et en naturel. Un score de 82,6 sur Speech-to-Speech, c'est du concret, pas du marketing, mais tout est verrouillé chez Google, aucun poids ouvert, donc zéro auto-hébergement possible pour qui veut maîtriser ses coûts ou ses données. Le vrai enjeu, c'est que la banque et l'assurance vont pouvoir déléguer des tâches complètes à un agent vocal sans supervision humaine constante, et ça, plus que le benchmark, c'est ce qui va inquiéter les régulateurs européens.