Google je Gemini 3.8 Live i Gemini 3.8 Live Extended Thinking učinio općenito dostupnima putem Gemini API-ja, dodajući Google opciju spremnu za proizvodnju za timove koji izrađuju glasovne agente u stvarnom vremenu. Izdanje je manje važno kao najava jednog modela nego kao još jedan znak da glasovna umjetna inteligencija postaje izbor infrastrukture s mjerenjem, a ne eksperimentalno sučelje pričvršćeno na tekstualne modele.

Novi modeli Gemini Live su audio-audio sustavi izloženi putem Googleovog Live API-ja. Programeri ih mogu koristiti za glasovne aplikacije u stvarnom vremenu gdje model sluša, obrazlaže i odgovara u govoru bez forsiranja svake interakcije kroz tijek rada s tekstom. Google također čini modele dostupnima putem Google AI Studija, koji timovima daje način manjeg trenja za testiranje ponašanja glasa prije nego što ga spoje u proizvodne aplikacije.

Komercijalni detalj je neobično važan: Google navodi cijenu zvuka od 0,005 USD po minuti za ulaz i 0,018 USD po minuti za izlaz. To stavlja upotrebu glasa u jedinicu naplate koju operativni timovi mogu razumjeti zajedno s minutama podrške, vremenom rukovanja pozivnim centrom i drugim mjernim podacima za isporuku usluga. Za tvrtke koje uspoređuju glasovne API-je, jediničnu ekonomiju sada je lakše modelirati nego cijene samo tokena, iako će ukupni račun i dalje ovisiti o duljini sesije, redoslijedu, pozivima alata i bilo kojoj dodatnoj upotrebi modela oko glasovne sesije.

Što se promijenilo

Gemini 3.8 Live sada je općenito dostupna obitelj modela za produkcijske glasovne aplikacije, a ne značajka pregleda ili uska eksperimentalna krajnja točka. Googleove napomene o izdanju navode i Gemini 3.8 Live i Gemini 3.8 Live Extended Thinking kao GA 15. rujna 2026. Google opisuje modele kao modele audio-u-audio u stvarnom vremenu za Live API, s dostupnošću u Gemini API-ju i AI Studiju.

Varijanta "Prošireno razmišljanje" posebno je relevantna za složenije govorne agente. U praksi, produkcijski glasovni sustavi često moraju učiniti više od odgovora na kratko pitanje. Možda će morati provjeriti stanje računa, postaviti razjašnjavajuća pitanja, sažeti pravila, usmjeriti slučaj podrške ili odlučiti hoće li eskalirati na osobu. Glasovni model koji je pozicioniran za dublje razmišljanje može smanjiti količinu orkestracije koju programeri trebaju izgraditi oko modela, iako će timovi i dalje morati testirati latenciju i pouzdanost pod stvarnim radnim opterećenjima.

Izdanje također mijenja konkurentsko okruženje za glasovnu infrastrukturu s više pružatelja usluga. Nedavna izdanja glasovnog API-ja učinila su govor u stvarnom vremenu eksplicitnijom kategorijom platforme. Googleov GA unos daje razvojnim programerima još jednu opciju velikog pružatelja usluga za procjenu kvalitete govora, latencije, integracije alata, cijena, regionalne dostupnosti i usklađenosti s poslovnom nabavom.

Zašto je to važno za programere

Za programere, neposredni posao je katalog i integracijska higijena. ID-ovi modela, mogućnosti, podržani modaliteti, jedinice cijena i pravila usmjeravanja moraju biti točno predstavljeni u internom alatu. Tim koji već usmjerava tekstualne, slikovne i ugrađene pozive preko pružatelja usluga ne može tretirati glas uživo samo kao još jednu krajnju točku završetka chata. Glasovne sesije imaju različito ponašanje u životnom ciklusu, različite načine kvara i različite pokretače troškova.

Glasovne aplikacije u stvarnom vremenu također vrše pritisak na vidljivost. Programeri trebaju znati gdje je uvedena latencija, koliko se često sesije prekidaju, tumači li se audio ulaz ispravno i kako se troškovi akumuliraju kroz ulazne i izlazne minute. Nadzorne ploče korištenja koje prikazuju samo brojanje tokena propustit će središnji dio operativne slike. Za timove koji pokreću sloj Enterprise LLM API, Gemini 3.8 Live treba dodati kao poseban model s glasovnim mogućnostima s zasebnom analitikom i rukovanjem pravilima.

Cijena po minuti također utječe na testiranje. Timovi ne bi trebali ocjenjivati ​​glasovne agente samo prema subjektivnoj kvaliteti razgovora. Trebali bi mjeriti prosječno trajanje sesije, rukovanje šutnjom, ponovne pokušaje, prijenose, učestalost poziva alata i stope prekida. Jeftiniji model po minuti i dalje može biti skup ako proizvodi duže pozive, treba više puta za pojašnjenje ili zahtijeva rezervni model za složene zadatke. Suprotno tome, viši trošak izlazne minute može biti prihvatljiv ako skraćuje sesije i smanjuje ljudsku eskalaciju.

Utjecaj na poslovanje

Najveće pogođene skupine su timovi za korisničku podršku, timovi za pomoć u prodaji, platforme za kontaktne centre, dobavljači automatizacije tijeka rada i interni IT ili HR servisni deskovi koji eksperimentiraju sa sučeljima koja su prvenstveno govorna. Za ove timove status GA je signal nabave i rizika. To ne uklanja potrebu za testiranjem, ali olakšava razmatranje modela za proizvodne planove nego izdanje samo za pregled.

Tvrtke bi trebale tretirati izdanje kao razlog za ažuriranje tablica za usporedbu dobavljača i modela troškova. Glasovni agenti kombiniraju nekoliko troškovnih površina: dolazni audio, odlazni audio, bilo koji tekstualni ili obrazloženi pozivi oko sesije, pozivi alata, bilježenje, pohranjivanje i ljudska eskalacija. Googleove objavljene cijene zvuka po minuti čine jedan dio tog izračuna jasnijim, ali same po sebi ne daju punu procjenu troškova.

Upravljački timovi također moraju preispitati granice politike. Glasovni agent može rukovati osobnim podacima, pitanjima u vezi s plaćanjem, medicinskim ili pravnim kontekstom ili povjerljivim informacijama poduzeća. To znači da timovi trebaju kontrole usmjeravanja, pravila redakcije, politike zadržavanja, revizijske zapisnike i procedure za incidente prije nego što se glasovni model široko primijeni. Izdanje modela je događaj mogućnosti, ali pitanje poduzeća je jesu li okolne kontrole dovoljno zrele za slučaj upotrebe.

Za API platforme i preprodavače, izdanje stvara zadatak upravljanja katalogom. Gemini 3.8 Live i njegova varijanta Extended Thinking trebaju biti izloženi točnim nazivima, podržanim krajnjim točkama, metapodacima o cijenama i ograničenjima proizvoda. Nadzorne ploče okrenute partnerima trebale bi razlikovati glasovne minute od upotrebe tokena kako bi korisnici mogli pripisati potrošnju aplikacijama, timovima ili klijentima. Bez tog odvajanja, usvajanje glasa može brzo zamagliti vlasništvo nad troškovima.

Ono što ostaje neizvjesno

Glavne nepoznanice više su praktične nego činjenične. Google je objavio dostupnost i cijene zvuka, ali svaki produkcijski tim još mora testirati model u svom okruženju. Glasovne performanse u stvarnom vremenu ovise o mrežnim uvjetima, kvaliteti mikrofona, naglascima, pozadinskoj buci, ponašanju na redu, kašnjenju alata i dizajnu uputa agenta.

Također je prerano znati kako će kupci odvagnuti Googleove glasovne modele u odnosu na konkurentske API-je u stvarnom vremenu. Neki će timovi dati prednost kašnjenju i prirodnosti govora. Drugima će više biti stalo do integracije s postojećim radnim procesima Google Cloud ili Gemini. Veće tvrtke mogu donijeti odluku na temelju upravljanja, nabave, uvjeta rukovanja podacima, vidljivosti i mogućnosti usmjeravanja prometa između pružatelja usluga.

Praktičan zaključak je jednostavan: Gemini 3.8 Live stvarateljima glasovnih agenata daje još jednu opciju GA, a njegova cijena po minuti čini troškovni model lakšim za operacionalizaciju. Sljedeći korak za najozbiljnije timove nije široka migracija. To je strukturirana procjena: dodajte modele u interni katalog, pokrenite glasovne scenarije slične produkciji, izmjerite potrošnju na temelju minuta i odlučite gdje pripada Googleov Live API u široj strategiji usmjeravanja s više modela.