Ярилцах зуураа код бичиж, API дуудна: Google "Gemini 3.8 Live" болон Extended Thinking моделиудаа танилцууллаа
Сүүлийн жилүүдэд дуут хиймэл оюун ухаан (Voice AI)-тай ажиллаж үзсэн инженер бүр нэгэн нийтлэг зовлонг мэднэ: хэрэглэгчтэй бодит цагт, амьд мэт харилцах системийн ард үргэлж хэтэрхий их инженерийн нарийн төвөгтэй залгаасууд (glue code) шаардагддаг байв.
Гэвч Google DeepMind өнөөдөр бодит цагийн дуут харилцааны стандартыг шинэчилсэн Gemini 3.8 Live болон Gemini 3.8 Live Extended Thinking моделиудаа албан ёсоор зарлалаа. Энэхүү хувилбар нь яриагаа огт таслахгүйгээр далд горимд логик эргэцүүлэл хийж, гадаад API дууддаг шинэ архитектурыг Gemini Live API-д авчирч байна.
Хуучин "ASR → LLM → TTS" каскад үеэ өнгөрөөв
Өнөөг хүртэл зах зээл дээрх voice bot, агент платформуудын дийлэнх нь дараах 3 шат дамжлага бүхий каскад дэд бүтцээр ажиллаж ирсэн:
- ASR (Speech-to-Text): Хэрэглэгчийн яриаг бичвэр болгож хөрвүүлэх
- LLM Inference: Текстийг уншиж, логик эргэцүүлэл хийж хариу бэлтгэх
- TTS (Text-to-Speech): Үүссэн текстийг буцаагаад дуу хоолой болгон синтезлэх
Энэ аргачлалын гол дутагдал нь саатал (latency) байв. Систем бүр тус тусдаа ажилладаг тул хэрэглэгч үгээ хэлж дуусмагц дунд нь 1–3 секундын чимээгүй завсарлага үүсдэг. Түүнчлэн хэрэглэгч яриаг дундуур нь таслах (interruption), сэтгэл хөдлөл болон дууны өнгийг мэдрэх, ярих зуураа өөр процесс гүйцэтгэхэд энэ бүтэц маш хэврэг байсан юм.
Google-ийн танилцуулсан Gemini 3.8 Live нь Native Speech-to-Speech (S2S) бүтэцтэй. Өөрөөр хэлбэл, аудио долгионыг шууд оролт болгон авч, дундын текст хөрвүүлэлтгүйгээр шууд дуу хоолойн хэлбэрээр боловсруулан хариулдаг. Үр дүнд нь хүний ярианы темптэй эн зэрэгцэхүйц бага сааталтай (sub-second latency) болж, дундуур нь таслах үйлдлийг ямар ч алдаагүй шийдвэрлэдэг болжээ.
Хамгийн чухал шинэчлэл: Ярих зуураа API дуудах (Background Tool Calling)
Зөвхөн ярьдаг байх нь бизнес хэрэглээнд хангалтгүй. Инженерүүдийн хувьд хамгийн сонирхолтой нь Gemini 3.8 Live Extended Thinking модель дээрх Asynchronous Function Calling буюу яриагаа зогсоолгүйгээр ард нь функц дуудах боломж юм.
Урьд өмнө модел API дуудах үед яриа бүрэн зогсож, хэрэглэгч API-аас өгөгдөл иртэл хүлээн чагнахаас өөр аргагүй байсан. Харин Gemini 3.8 Extended Thinking нь дараах байдлаар ажилладаг:
- Хэрэглэгч асуулт тавихад модел "Байз даа, би захиалгын системийг шалгаадхая" эсвэл "Датабаазаас мэдээллийг тань шүүж байна" хэмээн амьд хүний адил яриа үүсгэнэ.
- Модел энэ яриагаа үргэлжлүүлж байх хооронд цаана нь background-д олон шатлалт API дуудлага (Multi-step Tool Execution), өгөгдлийн сангийн query эсвэл тооцоолол зэрэгцэн ажиллана.
- Үр дүн бэлэн болмогц модел нэг ч тасалдал үүсгэхгүйгээр тухайн өгөгдлийг яриандаа уялдуулан үргэлжлүүлэн тайлбарлана.
Google-ийн инженерүүдийн үзүүлсэн сонирхолтой нэгэн демо дээр: Хэрэглэгч веб интерфейсийн ноорог зураг харуулангаа дуу хоолойгоороо шаардлагаа ярихад модел түүнийг нь боловсруулж, ярилцангаа ард нь бодит React компонентыг бичиж, алдааг нь шалгаж байв.
Бенчмарк ба Хязгаарлалтууд
Шинэ модел гарсан даруйдаа бие даасан үнэлгээний платформуудад тэргүүлж эхэлжээ:
- Artificial Analysis Speech-to-Speech Index: Модел 82.6 оноогоор дэлхийн бүх дуут моделиудын #1 байрыг эзэллээ.
- Олон хэлний дэмжлэг: Харилцан ярианы явцад ямар ч сааталгүйгээр 97 хэл хооронд автоматаар шилжин ярих чадвартай.
Гэсэн хэдий ч төгс гэсэн үг биш. Нарийн төвөгтэй, олон шатлалт логик даалгавруудыг шалгадаг Sierra-ийн τ-Voice-banking бенчмарк дээр уг модел 35.1% амжилт үзүүлсэн байна. Энэ нь санхүүгийн салбар зэрэг асар өндөр нарийвчлал шаардсан үйл ажиллагаанд дуут агентуудыг бүрэн бие даалган тавихаас өмнө guardrail болон хяналтын механизмыг маш сайн хийх шаардлагатайг сануулж буй хэрэг юм.
Хөгжүүлэгчийн хувьд юу өөрчлөгдөх вэ? Үнэ ба API тохиргоо
Gemini Live API-д зориулсан шинэ боломжууд дараах параметрүүдтэй ажилладаг:
send_client_content: Сессийн явцад хэрэглэгчийн талаас хүссэн үедээ нэмэлт өгөгдөл, контекстийг дамжуулах боломжтой.turn_complete=true: Шаардлагатай бол моделын дууг нэн даруй таслах удирдах туг.proactive_audio: Дуут харилцааг идэвхтэй өдөөх тохиргоо байнга идэвхжсэн байна.
Үнийн бүтэц:
- Аудио оролт (Input): 1 минутад $0.005
- Аудио гаралт (Output): 1 минутад $0.018
Энэ нь каскад хэлбэрээр тус тусад нь ASR (жишээ нь Whisper) + LLM (жишээ нь GPT-4o эсвэл Gemini Flash) + TTS (ElevenLabs г.м.) ашиглахтай харьцуулахад үнийн хувьд өрсөлдөхүйц бөгөөд хамгийн гол нь дэд бүтцийн зардал, сессийн синхрончлолын төвөгтэй байдлыг бараг бүрэн арилгаж байгаа юм.
Хэрэв та харилцагчийн үйлчилгээний бодит цагийн агент, интерактив зааварлагч эсвэл код засварлагч AI туслах хөгжүүлж байгаа бол Gemini 3.8 Live-ийн background reasoning чадвар таны дараагийн том архитектурын түлхэц байж мэднэ.
Эх сурвалж: Google DeepMind & Google Blog Announcements
Сэтгэгдэл
Ачаалж байна...