Gemini 3.8 Live: Googles stemmemodell snakker videre mens den jobber – for 1,38 dollar i timen
Google har sluppet to nye stemmemodeller som forstår tale, lyd og bilde direkte, bytter språk midt i en setning og kan kjøre verktøy i bakgrunnen uten å bli stille. Norsk er med. Her er hva de faktisk kan, og hva det koster.
To modeller, to formål
Google lanserte 15. september Gemini 3.8 Live og Gemini 3.8 Live Extended Thinking. Begge er tale-til-tale-modeller: De hører på lyd og svarer med lyd, uten å gå veien om tekst og en separat stemmegenerator. Det er det som gjør at samtalen føles mer naturlig enn de gamle «snakk – vent – svar»-assistentene.
Den vanlige 3.8 Live er laget for skala og lav pris. Extended Thinking-varianten er laget for vanskeligere oppgaver: Den resonnerer i flere steg mens den snakker, og gir små muntlige signaler underveis, så du vet at den tenker i stedet for at det blir stille.
Snakker mens den jobber
Det mest praktiske nye er det Google kaller asynkrone funksjonskall. Tidligere måtte en stemmeagent tie mens den slo opp noe i et API eller kjørte et verktøy. Nå kan den gjøre det i bakgrunnen og fortsette samtalen samtidig. For en kundeservice- eller bestillingsagent er det forskjellen på en pinlig pause og en flytende samtale.
Modellene tar også inn bilde og video nesten i sanntid, så du kan for eksempel vise kameraet fram mens du snakker. Og de oppdager selv hvilket språk du bruker og kan bytte midt i samtalen. Google oppgir 97 språk, mens utviklerdokumentasjonen foreløpig lister rundt 70 – men norsk er på listen.
Hva det koster
Gjennom Gemini API koster lyd inn 3 dollar per million tokens, og lyd ut 12 dollar per million tokens. Omregnet er det omtrent 0,5 cent per minutt du snakker og 1,8 cent per minutt modellen snakker – rundt 1,38 dollar for en times samtale, eller cirka 23 cent for en ti minutters samtale. Det er billig nok til at det gir mening å bygge egne stemmeagenter og eksperimentere.
Begge modellene kan testes gratis i Google AI Studio, men de er fortsatt i forhåndsversjon for utviklere, uten fast dato for full lansering. Kontekstvinduet er 128 000 tokens.
Tallene – og et interessant avvik
Google trekker fram at Extended Thinking ligger øverst på Artificial Analysis sin indeks for tale-til-tale-kvalitet, med 82,6 poeng, og scorer 97,7 prosent på resonneringstesten Big Bench Audio. På mer krevende agentoppgaver er bildet mer nøkternt: 68,6 prosent på τ-Voice og bare 35,1 prosent på en bankvariant av samme test.
Et poeng som er verdt å merke seg: I blinde preferansetester der folk velger den samtalen de liker best, slår den enklere 3.8 Live faktisk den «smartere» Extended Thinking. Mer resonnering betyr ikke automatisk en bedre samtale. Den tenker lenger før den svarer, og det merkes.
For vanlige brukere
Råteksten vi fikk inn sa at teknologien er tilgjengelig i Gemini-appen. Det stemmer delvis. 3.8 Live brukes i Googles Search Live for alle, mens Extended Thinking i Gemini Live krever et Google AI Pro- eller Ultra-abonnement. Google har ikke sagt noe konkret om tilgjengelighet per land, så sjekk selv om funksjonene er rullet ut i Norge.
All lyd modellene lager, merkes med Googles usynlige vannmerke SynthID, slik at den kan gjenkjennes som AI-generert.
Til slutt: Dette er skytjenester. Alt du sier, sendes til Google. Vil du ha tale som blir hjemme, er lokale alternativer som R2T2 for transkripsjon et sted å starte – men der er norsk foreløpig ikke like godt dekket.
Ressurser
- Google: Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking – den offisielle kunngjøringen
- Google: Build real-time voice applications with Gemini 3.8 Live – for utviklere
- Live API capabilities guide – språk, funksjoner og oppsett
- Developers Digest: Gemini 3.8 Live release guide – priser, begrensninger og benchmarks samlet
