Google anunció el lanzamiento de dos nuevos modelos de inteligencia artificial de voz: Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking, presentados como sus modelos de diálogo en tiempo real más avanzados hasta la fecha. El anuncio, firmado por Tom Ouyang, ingeniero principal, y Malini Jaganathan, integrante del equipo de Gemini Audio, describe a ambos sistemas como un paso hacia conversaciones por voz más fluidas e inteligentes con agentes de inteligencia artificial.
Según la compañía, Gemini 3.8 Live está diseñado para operar a gran escala con eficiencia de costo, combinando inteligencia conversacional, diálogo fluido y comprensión visual. Gemini 3.8 Live Extended Thinking, en cambio, está orientado a tareas de mayor complejidad, con capacidades de razonamiento en múltiples pasos mientras mantiene la conversación activa. Google explica que este segundo modelo puede razonar y hablar de forma simultánea, utilizando frases de transición como «déjame revisar eso» para reconocer una solicitud mientras procesa una tarea en segundo plano, y narrando el avance de procesos de varios pasos a medida que ocurren.
En materia de evaluaciones externas, Google señala que Gemini 3.8 Live Extended Thinking obtuvo el primer lugar en el Speech to Speech Quality Index de Artificial Analysis, con una puntuación de 82.6, además de liderar en finalización de tareas agénticas con 68.6% en el benchmark τ-Voice y 35.1% en τ-Voice-banking, desarrollado por Sierra. También reportó 97.7% en Big Bench Audio, una prueba de razonamiento para modelos de audio. Por su parte, Gemini 3.8 Live obtuvo el segundo lugar en el Speech Agent Arena, una evaluación de preferencia humana. De acuerdo con reportes de medios especializados como MarkTechPost y BeInCrypto, el índice de Artificial Analysis coloca a la versión Extended Thinking por delante de modelos rivales como GPT-Live-1, de OpenAI, y Grok Voice, de xAI.
Entre las capacidades técnicas descritas, Gemini 3.8 Live procesa información visual en tiempo casi real, detecta y alterna automáticamente entre 97 idiomas durante una misma conversación, y ejecuta llamadas a herramientas y APIs en segundo plano sin interrumpir el diálogo. Todo el audio generado incorpora la marca de agua SynthID, desarrollada por Google DeepMind, como mecanismo de identificación de contenido generado por inteligencia artificial. Según cifras publicadas por MarkTechPost, el acceso mediante la API de Gemini Live tiene un costo de 0.005 dólares por minuto de audio de entrada y 0.018 dólares por minuto de audio de salida.
Los modelos ya están disponibles para desarrolladores a través de la API de Gemini y Google AI Studio, en versión de vista previa privada para empresas mediante Gemini Enterprise, y para el público general en Search Live y Gemini Live. Extended Thinking también llega a Google Workspace, integrado en Docs para suscriptores de Google AI Pro y Ultra, y en Gmail y Keep para todos los suscriptores de Google AI. Plataformas de desarrollo como LiveKit, LangChain, Pipecat y Vercel ya ofrecen integración con la API. Google también mencionó asociaciones con empresas como Salesforce, Genspark y Lumeris para la adopción de estos modelos en entornos de atención al cliente y automatización de procesos.
El lanzamiento se produce apenas dos semanas después de que Google presentara Gemini 3.8 Flash y Gemini 3.8 Flash Cyber, y se inscribe en una etapa de competencia creciente entre Google, OpenAI y Anthropic por posicionar sus respectivos modelos como la capa de interacción por voz predominante en aplicaciones de consumo y empresariales. Para el sector de tecnologías de la información, la incorporación de razonamiento en segundo plano y ejecución de herramientas sin interrupciones plantea nuevas posibilidades para el desarrollo de agentes de voz orientados a flujos de trabajo empresariales de mayor complejidad.
Fuente: Google Gemini | Editado por CDOL
