Présentation de Gemini 3.8 Live et de 3.8 Live Extended Thinking : Google scinde sa gamme vocale en deux

Les Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking de Google sont arrivés le 15 septembre 2026 — une seule annonce, deux modèles, et une véritable bifurcation dans la gamme de produits. Le chiffre phare est un écart de 6,6 points sur le Speech to Speech Index d'Artificial Analysis, soit 82,6 contre 76,0. Le chiffre qui se cache derrière est 38. Sur la mesure d'achèvement de tâches agentiques τ-Voice du même classement, la variante de raisonnement résout 68,6 % des scénarios de service client reproduits, tandis que le modèle standard en résout 30,1 %. Les 6,6 points, c'est ce que dit l'indice. Les 38 points, c'est ce qui se passe lorsqu'on demande à l'un ou l'autre modèle d'accomplir réellement quelque chose.

Un jour après le lancement, le fork a un prix. Les deux modèles affichent des tarifs audio à la minute publiés via l'API Live, et le classement d'Artificial Analysis situe le coût horaire de l'audio d'entrée à 0,84 $ pour le modèle standard, contre 3,50 $ pour la variante de raisonnement — un peu plus de quatre fois plus par heure pour ces 6,6 points d'indice. Tout l'arbitrage tient dans ce compromis, et le déduire du seul indice donne un résultat erroné.

Ce qui rend cette version différente de la mise à jour habituelle d’un modèle vocal, c’est que le clivage ne correspond pas à un palier de taille. Il s’agit d’un désaccord sur ce qu’est le travail d’un agent vocal. L’un de ces modèles est une interface conversationnelle. L’autre est un système de raisonnement qui se trouve être capable de parler.

Deux modèles, deux fonctions

La présentation de Google est inhabituellement claire à ce sujet. Gemini 3.8 Live est décrit comme « conçu pour l'évolutivité et l'efficacité des coûts, alliant intelligence conversationnelle à un dialogue fluide et à un ancrage visuel ». Gemini 3.8 Live Extended Thinking est « conçu pour les tâches à haute complexité, avec une intelligence accrue et un raisonnement en plusieurs étapes ».

La différence pratique apparaît dans la liste des capacités plutôt que dans la fiche technique :

• Gemini 3.8 Live — traitement des entrées visuelles en quasi-temps réel, basculement automatique en cours de conversation entre les 97 langues prises en charge, et exécution des outils/API en arrière-plan, de sorte que le modèle accuse réception d'une requête et continue de parler pendant que l'appel se termine.

• Gemini 3.8 Live Extended Thinking — raisonne et parle en même temps, décrivant sa progression avec des formules comme « Laissez-moi vérifier… » pendant qu'une tâche à plusieurs étapes s'exécute.

• Partagé — tous les audios générés portent le filigrane SynthID de Google, les deux sont couverts par une fiche de modèle publiée sous le nom gemini-3-8-audio, et les deux disposent désormais d'identifiants de modèle d'API documentés : gemini-3.8-live et gemini-3.8-live-extended-thinking.

Le modèle Extended Thinking n’est pas simplement 3.8 Live avec un budget de réflexion plus long. C’est celui qui peut mener une conversation et un plan de tâche simultanément sans que la conversation ne s’interrompe — ce qui est précisément ce qui fait échouer les agents vocaux en production. Un utilisateur ne veut pas de silence pendant que l’agent cherche une information. Il veut que l’agent continue de parler.

La carte indique 6,6. Les composants indiquent 38.

Le Speech to Speech Index est une moyenne pondérée de quatre résultats sous-jacents : le raisonnement vocal, mesuré par le propre ensemble Big Bench Audio d’Artificial Analysis ; la performance agentique, mesurée en exécutant le benchmark de service client τ-Voice ; la préférence d’arène, issue de la Speech Agent Arena ; et le taux de réussite des tâches. Seuls les modèles réunissant les quatre composantes reçoivent un score d’indice, ce qui explique pourquoi certaines lignes de ce tableau sont vides.

Pris séparément, les deux nouveaux modèles ne ressemblent pas du tout à un duo affichant un écart de 6,6 points :

• Indice parole à parole — Gemini 3.8 Live Extended Thinking (High) 82,6 vs Gemini 3.8 Live 76,0

• Performance agentique (réalisation de tâches τ-Voice) — 68,6 % vs 30,1 %

• Raisonnement vocal (Big Bench Audio) — 98 % vs 92 %

• Dynamique conversationnelle — 91,9 % vs 96,1 %

• Préférence d'arène (Elo) — 990 vs 1083

• Taux de réussite des tâches — 89,1 % contre 93,2 %

• Délai avant le premier son — 1,35 s vs 1,18 s

• Coût par heure d'audio d'entrée — 3,50 $ contre 0,84 $

Lisez-le honnêtement : le modèle standard l’emporte sur quatre des huit lignes. Il est plus rapide jusqu’au premier audio, mieux noté par l’arène, plus susceptible de mener une tâche à bien et mieux noté sur la dynamique conversationnelle. Il coûte aussi un tiers du prix. Ce qu’il ne peut pas faire, c’est terminer le travail quand celui-ci comporte des étapes : 30,1 % contre 68,6 % constitue le plus grand écart isolé de toute cette version, et il se situe sur l’unique axe qui sépare un agent vocal d’une interface vocale.

Deux réserves avant que ce tableau ne soit considéré comme définitif. Le chiffre de préférence de l’arène utilisé dans l’indice est figé au moment où un modèle devient éligible à la publication, de sorte qu’il ne suit pas l’Elo en direct sur le graphique Speech Agent Arena — lisez-le comme un instantané, pas comme un score en temps réel. Et les écarts τ-Voice en tête du classement sont assez minces pour relever du bruit : la variante de raisonnement à 68,6 % devance GPT-Live-1 à 67,9 % (backend Astra, effort moyen) de 0,7 point, avec GPT-Live-1 (Sol, faible) à 59,3 % et Grok Voice Think Fast 2.0 High à 56,5 % derrière. L’écart de 38 points entre les deux modèles Gemini n’est pas mince. L’avance de 0,7 point sur GPT-Live-1 l’est.

Où cela se situe dans l'index

Dans la capture ci-dessous, prise le 16 septembre 2026, le haut du tableau se présente comme ceci :

• Gemini 3.8 Live Extended Thinking (High) — 82,6 (première place)

• GPT-Live-1 (backend Astra, effort moyen) — 81,5

• Grok Voice Think Fast 2.0 High — 81,3

• GPT-Live-1 (backend Sol, faible effort) — 80,1

• Gemini 3.8 Live — 76,0

• GPT-Realtime-2.1 High — 73,9

• Gemini 3.1 Flash Live High — 71.5

C'est le cas pour la scission en un seul écran. La variante Extended Thinking occupe la première place, fonctionnant avec le label d'effort de raisonnement (High) du tableau — la même convention qu'elle utilise pour Grok Voice Think Fast 2.0 High et GPT-Realtime-2.1 High, et la raison pour laquelle le suffixe « (High) » que vous pouvez voir associé à ce modèle dans les articles est un label de configuration plutôt qu'une version distincte. La variante standard se classe cinquième — en dessous de deux configurations GPT-Live-1 et en dessous de Grok. Le blog de Google lui-même décrit le modèle standard comme « très rentable » et note qu'il « a décroché une deuxième place dans la Speech Agent Arena », un tableau différent qui mesure autre chose. Les deux affirmations sont vraies. Lues ensemble, elles disent ceci : 3.8 Live est un très bon modèle conversationnel à un très bon prix, et il ne constitue pas la pointe de l'intelligence vocale.

La fuite qui est arrivée la première

Les modèles ont été repérés sur une page de quotas de Google Cloud la veille de l’annonce, et nous avons couvert cette observation à l’époque comme un slug non confirmé, sans fiche de modèle, sans tarification et sans confirmation de Google. Cet article avait raison sur le statut et tort sur le calendrier — la confirmation est arrivée en l’espace d’environ 24 heures.

La leçon mérite d’être consignée, car elle va à l’encontre de l’instinct habituel. Un slug divulgué un jour avant le lancement, c’est un lancement. Un slug divulgué sans document à l’appui pendant huit semaines, c’est une tout autre histoire. Le signal qui les distinguait n’était pas le slug ; c’était la présence d’une page de quotas, qui n’existe que lorsque la capacité a été provisionnée.

Combien ça coûte, par minute

Lors de l'annonce, les documents de Google ne séparaient pas les deux modèles sur le plan tarifaire — un tarif était indiqué pour le modèle standard, mais pas pour la variante de raisonnement, ce qui correspond à ce que consigne le tableau de bord ci-dessus. Cet écart a depuis été comblé. Les deux modèles disposent désormais de tarifs publiés via la Live API : 0,005 $ par minute d'entrée audio et 0,018 $ par minute de sortie audio, ce que Google a confirmé le 16 septembre lors du déploiement des deux modèles. La même grille tarifaire publiée couvre la tarification par jetons du palier Gemini 3 Live — 0,75 $ par million de jetons de texte en entrée et 4,50 $ en sortie, 3,00 $ par million de jetons audio en entrée et 12,00 $ en sortie, et 1,00 $ par million pour l'entrée d'images ou de vidéos — bien que ces lignes de tarification par jetons soient publiées pour le palier plutôt que par modèle ; il convient donc de les lire comme la grille tarifaire du palier et non comme un devis pour une variante spécifique.

Artificial Analysis a également renseigné le chiffre qui compte le plus pour la planification. Son classement comporte désormais une colonne de coût par heure d’audio d’entrée — le coût pour terminer un sous-ensemble fixe de 40 questions de Big Bench Audio, normalisé en tarif horaire — et les deux nouveaux modèles y ont un chiffre :

• Gemini 3.8 Live — 0,84 $/heure d’audio en entrée, le tarif payant le plus bas sur ce tableau

• Gemini 3.8 Live Extended Thinking (High) — 3,50 $/heure, toujours en dessous des deux modèles qu'il surpasse en qualité

• Grok Voice Think Fast 2.0 High — 4,80 $/heure

• GPT-Live-1 (backend Astra, effort moyen) — 5,83 $/heure

• GPT-Realtime-2 (High) — 4,14 $/heure

• GPT-Realtime-2.1 High — 10,75 $/heure

Une remarque sur les captures ci-dessus, étant donné que le panneau des coûts dans la capture d'écran du classement est antérieur à ces deux lignes : ni 0,84 $ ni 3,50 $ n'y figurent, et sa barre la moins chère est à 1,42 $. Les chiffres de la liste sont lus dans le tableau récapitulatif du classement tel qu'il se présente au 16 septembre 2026, et non dans cette image. Les valeurs d'indice affichées dans l'image ne sont pas affectées et correspondent au tableau.

Lisez les deux nouveaux chiffres à la lumière des composants ci-dessus, et cette sortie cesse d'être l'annonce de deux modèles pour devenir une décision unique, assortie d'un taux de change publié. La variante de raisonnement apporte 6,6 points d'indice, six points de raisonnement vocal et 38,5 points d'exécution de tâches agentiques, pour un peu plus de quatre fois le coût horaire de l'audio. Savoir si cela vaut la peine de payer dépend entièrement de ce que fait votre agent — et la forme de la réponse a changé dès que les composants ont été publiés. Un agent vocal dont le travail consiste à mener à bien une tâche à plusieurs étapes s'offre la plus importante amélioration de cette sortie, à 3,50 $ l'heure, tout en cassant les prix de GPT-Live-1 Astra d'environ 40 % et de Grok Voice Think Fast 2.0 High d'environ un quart, et en obtenant de meilleurs scores que les deux. Un agent vocal dont le travail consiste à converser — répondre, maintenir le fil, prendre un message, être agréable — n'achète que très peu de choses avec une profondeur de raisonnement supplémentaire, et à 0,84 $ l'heure, il s'offre le modèle vocal compétent le moins cher que quiconque publie actuellement.

Voilà la physionomie du classement. Google a fixé le prix de son modèle de raisonnement en dessous des deux modèles qu’il surpasse, et a fixé le prix de son modèle standard en dessous de tout ce qui figure au tableau. Si vous traitez des minutes vocales à grande échelle, c’est ce chiffre qui fait bouger votre facture, pas le score de l’indice — et le fait que les deux variantes présentent un écart de 4× signifie que choisir laquelle appeler est le plus grand levier de coût de la pile.

« Private preview » fait vraiment le travail dans cette phrase

Aucun des deux modèles n’est disponible de manière générale au sens contractuel, mais la surface développeur est ouverte et désormais tarifée, ce qui change ce que vous pouvez planifier :

• Gemini 3.8 Live — les développeurs y ont accès dans l'API Gemini, l'API Live et Google AI Studio sous l'identifiant documenté gemini-3.8-live ; les entreprises bénéficient d'un aperçu privé dans Gemini Enterprise, avec Gemini Enterprise for Customer Experience « bientôt disponible » ; tout le monde y a accès dans Search Live.

• Gemini 3.8 Live Extended Thinking — la même surface développeur sous gemini-3.8-live-extended-thinking, ainsi qu'un parcours grand public plus large : Gemini Live, Docs Live pour les abonnés Google AI Pro et Ultra, et Gmail Live et Keep Live pour tous les abonnés Google AI.

Ce qui manque encore, c'est la partie dont une entreprise a besoin : un engagement de disponibilité générale, un taux de disponibilité publié et un tarif que Google s'est engagé à maintenir. Si vous avez besoin de ces éléments, attendez. Si vous faites du prototypage, la voie est ouverte aujourd'hui, avec une vraie grille tarifaire à l'appui, ce qui constitue une position sensiblement meilleure qu'une préversion sans prix publié. Construire l'intégration maintenant est raisonnable ; mettre une ligne téléphonique vitale pour les revenus sur un objectif de disponibilité auquel Google ne s'est pas engagé ne l'est pas, et la solution à cela est décrite ci-dessous.

Là où se terminent les affirmations du fournisseur

Google a publié ses propres chiffres par composant en même temps que le lancement — 68,6 % sur τ-Voice, 35,1 % sur le classement τ³-Banking de Sierra, et 97,7 % sur Big Bench Audio, tous attribués au modèle Extended Thinking. Ces chiffres se répartissent désormais en deux groupes, et cette division compte.

Deux des trois correspondent aux mesures qu'Artificial Analysis réalise elle-même dans le cadre de son propre banc d'essai. Sa composante agentique τ-Voice affiche 68,6 % pour ce modèle, contre 67,9 % pour GPT-Live-1 Astra et 56,5 % pour Grok Voice Think Fast 2.0 ; sa composante de raisonnement vocal Big Bench Audio affiche 98 %, contre 97,7 % pour Google. Artificial Analysis décrit τ-Voice et Big Bench Audio comme ses propres benchmarks, exécutés sur trois essais lorsque cela est possible. Les chiffres de τ-Voice et de raisonnement figurent donc désormais sur un tableau public que vous pouvez aller consulter, et non plus uniquement dans l'annonce de Google — considérez-les comme corroborés plutôt que définitivement établis, car les valeurs exactes citées par Google pourraient bien provenir de cette même exécution plutôt que d'une seconde.

Le chiffre de Sierra ne bénéficie d'aucun étayage de ce type et reste une affirmation de fournisseur : 35,1 % sur le classement τ³-Banking de Sierra, contre 32,0 % pour GPT-Live-1 Astra et 16,5 % pour xAI-Realtime. C'est aussi le chiffre qui mérite qu'on s'y attarde, car 35,1 % signifie que le modèle vocal de tête de ce classement échoue à environ deux tentatives sur trois de réalisation de tâches bancaires réalistes. Google cite également une exécution de ServiceNow EVA-Bench réalisée sur la Live API dans Gemini Enterprise Agent Platform, et décrit les deux modèles comme repoussant la frontière de Pareto pour les workflows complexes — sans qu'aucune lecture indépendante n'y soit associée.

Il y a ici un précédent qu’il vaut la peine de retenir. xAI a rapporté un chiffre de 82,9 à l’indice Speech to Speech pour Grok Voice Think Fast 2.0 en juillet. Sur le tableau capturé ci-dessus, ce modèle se situe à 81,3. Les scores d’indice rapportés par les fournisseurs ne survivent pas toujours au contact d’un classement en direct — généralement parce que l’indice est révisé, parfois parce que la configuration testée n’était pas celle livrée. Vérifiez les chiffres τ-Voice et Big Bench sur votre propre trafic, et lisez la colonne agentique comme celle qu’il faut tester le plus rigoureusement.

La couche sur laquelle ces agents s'exécutent réellement

Les deux modèles se trouvent devant un backend. L’exécution d’outils en arrière-plan, la planification de tâches en plusieurs étapes et le schéma de délégation que tout agent vocal sérieux utilise se résolvent tous en appels ordinaires à un modèle de texte — et c’est la couche qui présente la plus grande variabilité des coûts et le moins d’enfermement.

OrcaRouter propose 190 modèles à partir d'une seule clé, au prix catalogue du fournisseur et sans marge, ce qui signifie qu'une baisse de prix d'un laboratoire en amont est effective de notre côté le jour même, plutôt qu'à la prochaine renégociation de contrat. Pour une pile vocale dont le front-end est un modèle de préversion, les deux propriétés utiles sont que la cible de délégation peut être remplacée sans toucher à l'intégration vocale, et que le basculement automatique maintient un appel actif lorsqu'un backend renvoie une erreur ou expire. Pour être précis sur ce que nous hébergeons et ce que nous n'hébergeons pas : les points de terminaison Gemini 3.8 Live ne sont pas sur notre routeur — ils proviennent de l'API propre à Google — mais les modèles textuels auxquels ces agents confient très souvent le travail le sont, Gemini 3.8 Flash notamment.

Que regarder ensuite

Trois éléments permettront de trancher les questions ouvertes de cette version. Le premier est la disponibilité générale et un tarif que Google s'est engagé à maintenir — les prix sont publiés dès maintenant, mais les tarifs de préversion ont la fâcheuse habitude de bouger, et une grille tarifaire n'est pas un contrat. Le deuxième est de savoir si les colonnes arène et réussite aux tâches tiennent la route, car l'Elo de 1083 et les 93,2 % de réussite aux tâches du modèle standard constituent l'argument le plus fort contre le fait de payer 4× pour la variante de raisonnement, et le chiffre d'arène de l'indice est figé au moment de l'éligibilité plutôt qu'en direct. Le troisième, ce sont des exécutions indépendantes sur l'écart agentique lui-même : 68,6 % contre 30,1 % est l'affirmation la plus forte de cette version et celle qui mérite le plus d'être reproduite, car tout le reste concernant les deux modèles est proche.

D’ici là, le résumé honnête repose sur deux chiffres plutôt qu’un seul. Gemini 3.8 Live Extended Thinking est le modèle vocal au meilleur score du classement public, arrive largement en tête sur la composante agentique et affiche un coût horaire inférieur à celui des deux modèles qui le suivent directement. Gemini 3.8 Live est le modèle vocal compétent le moins cher de ce classement, il est préféré par l’arène et plus fiable sur les tâches superficielles, et il accuse un retard global de 6,6 points avec un plafond absolu sur la seule chose pour laquelle on embauche des agents. Google a livré deux fois la même déclinaison, avec un écart de prix d’un facteur quatre, et a rendu le choix inhabituellement facile à chiffrer — à condition de lire les composantes et pas seulement l’indice.