การคุยกับ AI อาจกำลังเข้าใกล้การคุยกับคนจริงมากขึ้นอีกขั้น เมื่อ Google เปิดตัวโมเดลเสียงใหม่พร้อมกัน 2 รุ่น ได้แก่ Gemini 3.8 Live และ Gemini3.8 Live Extended Thinking โดยทั้งคู่ถูกพัฒนาเพื่อแก้ปัญหาสำคัญของ Voice AI นั่นคือ “ความเงียบระหว่างที่ AI กำลังคิด”
Gemini 3.8 Live ถูกออกแบบมาสำหรับงานเสียงจำนวนมาก
โดยเน้นการควบคุมต้นทุน ขณะที่รุ่น Live Extended Thinking มุ่งเน้นงานที่มีความซับซ้อนและต้องใช้การคิดหลายขั้นตอน แต่สิ่งที่ทั้งสองโมเดลมีร่วมกันคือการลดระยะเวลาประมวลผลให้ใกล้เคียงการสนทนาแบบเรียลไทม์มากขึ้น
ปัญหาของ Voice Agent หรือผู้ช่วย AI ที่สื่อสารด้วยเสียงในปัจจุบัน ไม่ได้อยู่ที่ความฉลาดเพียงอย่างเดียว เพราะยิ่ง AI ใช้เวลาคิดนาน ผู้ใช้ก็ยิ่งต้องรอหลังพูดจบ และช่วงเวลาที่เงียบเพียงไม่กี่วินาทีก็สามารถทำให้บทสนทนาดูไม่เป็นธรรมชาติได้ Google จึงพยายามแก้ทั้งเรื่องความเร็วและ “จังหวะ” ของการสนทนา
หนึ่งในความสามารถที่น่าสนใจคือ
Gemini 3.8Live สามารถรับข้อมูลภาพเข้ามาเป็นบริบทระหว่างการพูดคุยได้เกือบเรียลไทม์ ทำให้ AI สามารถตอบสนองต่อสิ่งที่กล้องกำลังมองเห็นได้โดยตรง แทนที่จะต้องอาศัยเพียงคำอธิบายจากผู้ใช้
อีกจุดที่ช่วยให้การสนทนาดูต่อเนื่องขึ้นคือ AI สามารถ เรียกใช้เครื่องมือและ API อยู่เบื้องหลังระหว่างที่ยังพูดคุยกับผู้ใช้ได้ เช่น เมื่อผู้ใช้สั่งให้ทำบางอย่าง ระบบสามารถตอบรับคำขอ จากนั้นพูดคุยเรื่องอื่นต่อไปได้ ก่อนจะกลับมาแจ้งผลเมื่อกระบวนการเบื้องหลังเสร็จ แทนที่จะปล่อยให้ผู้ใช้รออยู่กับความเงียบ
ด้านภาษา Gemini 3.8 Live รองรับมากถึง 97 ภาษา
และสามารถตรวจจับได้เมื่อคู่สนทนาเปลี่ยนภาษาในระหว่างการพูดคุย ก่อนจะปรับตามโดยไม่จำเป็นต้องตั้งค่าใหม่ ความสามารถนี้มีความสำคัญกับการสนทนาในชีวิตจริง เพราะผู้ใช้สามารถสลับภาษาไปมาภายในบทสนทนาเดียวกันได้
สำหรับประสิทธิภาพ Gemini3.8 Live Extended Thinking ทำคะแนนอันดับหนึ่งบน Speech to Speech Quality Index ของ Artificial Analysis ที่ 82.6 คะแนน นอกจากนี้ยังทำผลงานเด่นในการทดสอบงานแบบ Agent โดยได้ 68.6% บน τ-Voice และ 35.1% บน τ-Voice-banking ของ Sierra ซึ่งจำลองงานบริการลูกค้าด้านธนาคาร ขณะที่การให้เหตุผลบน Big Bench Audio อยู่ที่ 97.7%
Google วางโมเดลทั้งสองเป็นพื้นฐานสำหรับนักพัฒนาและองค์กรที่ต้องการสร้าง Voice Agent สำหรับใช้งานจริงในระดับโปรดักชัน ขณะที่ผู้ใช้ทั่วไปจะสามารถสัมผัสความสามารถของเทคโนโลยีผ่านผลิตภัณฑ์และบริการของ Google เช่น Gemini, Google Workspace และ Search
tags : blog.google
