Google właśnie zaprezentował swój najbardziej zaawansowany model audio. Oto jak wypada w rankingu

Google wprowadziło Gemini 3.8 Live oraz Gemini 3.8 Live Extended Thinking 15 września, nazywając je swoimi najbardziej zaawansowanymi modelami audio.

Oba modele rozmawiają, rozumują i wykonują zadania. Jak wypadają u niezależnych analityków? Wersja Extended Thinking zajęła pierwsze miejsce w indeksie speech-to-speech stworzonym przez Artificial Analysis z wynikiem 82,6, przed GPT-Live-1 i Grok Voice.

Śledź nas na X, aby otrzymywać najnowsze informacje na bieżąco

Jak benchmarki oceniają najnowszy konwersacyjny model AI od Google

Indeks Artificial Analysis uwzględnia rozumowanie mowy, wydajność agentyczną, preferencje areny i skuteczność w zadaniach.

Gemini 3.8 Live Extended Thinking, testowany przy wysokim wysiłku rozumowania, zadebiutował na pierwszym miejscu. Zaraz za nim uplasował się GPT-Live-1 Astra z wynikiem 81,5 i Grok Voice Think Fast 2.0 High z wynikiem 81,3.

Jak Gemini 3.8 Live wypadł w indeksie speech-to-speech. Źródło: Artificial Analysis

Standardowy Gemini 3.8 Live zajął piąte miejsce z wynikiem 76,0. Obie wersje pobiły model Gemini 3.1 Flash Live High, który zdobył 71,5.

Różnica w wydajności agentów pozostało większa. Extended Thinking osiągnął 68,6% w benchmarku tau voice, podczas gdy poprzednia generacja miała tylko 37,7%.

W benchmarku rozumowania mowy Extended Thinking uzyskał wynik 97,7%, wyprzedzając Grok Voice z wynikiem 97,2%. Jednak ustępuje modelowi Qwen Audio 3.0 Realtime Plus, który zdobył 99,2%.

Testerzy przez cały czas wybierają starszy model Gemini

Cena wyznacza największą różnicę. Standardowy model kosztuje 0,84 USD za godzinę wejściowego audio. To około połowa ceny poprzednika – 1,75 USD i najniższa stawka w indeksie.

Extended Thinking kosztuje 3,50 USD za godzinę. To mniej niż GPT-Live-1 Sol za 4,47 USD oraz Grok Voice Think Fast 2.0 High za 4,80 USD.

Opóźnienie także spadło. Średni czas do pierwszego audio wynosi w tej chwili 1,18 sekundy, w porównaniu do 2,99 sekundy w starszym Gemini.

Jednak słuchacze wciąż nie są przekonani. Gemini 3.1 Flash Live przez cały czas wygrywa w preferencjach w ślepych rozmowach Speech Agent Arena i osiąga Elo 1096.

Gemini 3.8 Live zajmuje drugie miejsce z wynikiem 1083. Wersja Extended Thinking zajmuje trzecie miejsce z wynikiem 990, mimo realizacji 89,1% zadań.

Sztuczna inteligencja głosowa jest dziś oceniana dwoma skalami, które wskazują różne kierunki. Benchmarki nagradzają rozumowanie. Preferencje słuchaczy nagradzają lepszą mowę. Google prowadzi w obu przypadkach, ale różnymi modelami.

Subskrybuj nasz kanał na YouTube, by oglądać ekspertów i dziennikarzy dzielących się analizami

BeInCrypto Polska - Google właśnie zaprezentował swój najbardziej zaawansowany model audio. Oto jak wypada w rankingu