Gemini 3.8 Live با پشتیبانی از 97 زبان منتشر شد. حالا با جمنای صحبت کنید

ویژگی های جدید برای توسعه دهندگان

گوگل در نمایش‌های نمایشی نشان داده است که Gemini 3.8 Live می‌تواند به سوالات در جلسه آموزشی کارکنان پاسخ دهد، از اطلاعات بصری برای پاسخ دادن به سوالات استفاده کند، شطرنج بازی کند و با دریافت دستورات صوتی، برنامه‌های تجاری و ابزارهای بازاریابی سفارشی ایجاد کند.

Extended Thinking همچنین در دموها برای تبدیل نمونه‌های اولیه و بازخورد صوتی به اجزای عملکردی React تقریباً همزمان استفاده می‌شود.

این مدل همچنین می‌تواند با استفاده از تماس‌های ناهمزمان، بدون وقفه در مکالمه، رزرو رستوران چند مرحله‌ای را انجام دهد.

نمونه های دیگر استفاده از این مدل را در Docs Live، Gmail Live و Keep Live نشان می دهد.

گوگل اعلام کرده است که پلتفرم های Agora، Fishjam، LiveKit، Pipecat، Vercel و Vision Agents از Gemini Live API برای ساخت رابط های صوتی استفاده می کنند.

این پلتفرم‌ها زیرساخت‌های پخش رسانه‌ای را در زمان واقعی مدیریت می‌کنند و توسعه‌دهندگان می‌توانند روی ساخت رابط‌های صوتی تمرکز کنند.

استفاده گسترده از Live API

مستندات رسمی Live API این رابط را برای تعاملات صوتی و تصویری با تأخیر کم، در زمان واقعی با Gemini معرفی می کند.

این API جریان‌های پیوسته صدا، ویدیو و متن را پردازش می‌کند و پاسخ‌های صوتی فوری را از طریق یک اتصال WebSocket ارائه می‌دهد.

ورودی صوتی این رابط، صدای خام 16 بیتی PCM با سرعت 16 کیلوهرتز است و تصاویر JPEG حداکثر با یک فریم در ثانیه دریافت می شود.

خروجی صدا با فرمت 16 بیتی PCM خام و نرخ 24 کیلوهرتز ارائه می شود.

توسعه دهندگان می توانند از معماری سرور به سرور استفاده کنند که در آن یک Backend داده های جریان کاربر را به Live API ارسال می کند.

گزینه دیگر معماری کلاینت به سرور است که در آن کد فرانت اند مستقیماً از طریق WebSocket به API متصل می شود.

گوگل کاربردهای این فناوری را در دستیاران خرید و پشتیبانی، شخصیت های تعاملی بازی، روباتیک، عینک هوشمند، اتومبیل، همراهان سلامت صوتی، ابزارهای مشاوره مالی، آموزش، ترجمه همزمان و رونویسی و زیرنویس زنده معرفی کرده است.

گوگل همچنین می گوید که تمام صداهای تولید شده توسط محصولات هوش مصنوعی این شرکت با SynthID واترمارک خواهند شد.

این واترمارک نامرئی مستقیماً روی خروجی صدا قرار می گیرد تا امکان شناسایی محتوای تولید شده توسط هوش مصنوعی و جلوگیری از انتشار اطلاعات نادرست را فراهم کند.

زمان انتشار Gemini 3.8 Live

عرضه هر دو مدل از 15 سپتامبر آغاز شده است. توسعه دهندگان می توانند از آنها در Gemini API و Google AI Studio استفاده کنند.

این مدل ها به عنوان پیش نمایش خصوصی Gemini Enterprise برای کاربران سازمانی نیز در دسترس هستند.

Gemini 3.8 Live برای همه کاربران Search Live فعال است. Extended Thinking همچنین در Gemini Live و در بخش Docs برای مشترکین Google AI Pro و Ultra از طریق Workspace در دسترس است.

این مدل در Gmail و Keep برای همه مشترکین هوش مصنوعی گوگل نیز موجود است.

گوگل اعلام کرده است که به زودی پشتیبانی از هر دو مدل در Gemini Enterprise برای خدمات مشتریان ارائه خواهد شد.

Extended Thinking همچنین در آینده نزدیک برای مشتریان تجاری Google Workspace در دسترس خواهد بود.