Przedstawiamy Gemini 3.8 Live i 3.8 Live Extended Thinking: Google dzieli swoją linię głosową na dwie części

Google'a Gemini 3.8 Live i Gemini 3.8 Live Extended Thinking pojawiły się 15 września 2026 r. — jedno ogłoszenie, dwa modele i prawdziwe rozwidlenie w linii produktowej. Kluczowa liczba to różnica 6,6 punktu w Speech to Speech Index Artificial Analysis, 82,6 do 76,0. Liczba pod spodem to 38. W pomiarze ukończenia zadań agentowych τ-Voice z tego samego rankingu wariant rozumujący rozwiązuje 68,6% replik scenariuszy obsługi klienta, a model standardowy rozwiązuje 30,1%. 6,6 punktu to to, co mówi indeks. 38 punktów to to, co się dzieje, gdy poprosisz którykolwiek z modeli, żeby faktycznie coś załatwił.

Dzień po premierze fork ma już przypisaną cenę. Oba modele mają opublikowane stawki za minutę dźwięku przez Live API, a ranking Artificial Analysis podaje koszt godziny wejściowego audio na $0.84 dla modelu standardowego w porównaniu z $3.50 dla wariantu rozumującego — nieco ponad czterokrotnie więcej na godzinę za te 6,6 punktu indeksu. Ten kompromis to cała decyzja, a odczytywanie jej wyłącznie z indeksu prowadzi do błędnych wniosków.

To, co odróżnia to wydanie od typowego odświeżenia modelu głosowego, polega na tym, że podział nie dotyczy poziomu rozmiaru. To spór o to, czym jest zadanie agenta głosowego. Jeden z tych modeli jest interfejsem konwersacyjnym. Drugi to system wnioskowania, który przypadkiem mówi.

Dwa modele, dwa zadania

Sposób, w jaki Google sam to przedstawia, jest niezwykle klarowny. Gemini 3.8 Live jest opisany jako „stworzony z myślą o skali i efektywności kosztowej, łączący inteligencję konwersacyjną z płynnym dialogiem i ugruntowaniem wizualnym”. Gemini 3.8 Live Extended Thinking jest „stworzony do zadań o wysokiej złożoności, z większą inteligencją i wieloetapowym rozumowaniem”.

Praktyczna różnica uwidacznia się na liście możliwości, a nie w specyfikacji technicznej:

• Gemini 3.8 Live — przetwarzanie danych wejściowych wizualnych niemal w czasie rzeczywistym, automatyczne przełączanie w trakcie rozmowy między 97 obsługiwanymi językami oraz wykonywanie narzędzi/interfejsów API w tle, dzięki czemu model potwierdza żądanie i mówi dalej, gdy wywołanie się zakończy.

• Gemini 3.8 Live Extended Thinking — rozumuje i mówi jednocześnie, relacjonując postępy za pomocą komunikatów takich jak „Pozwól, że to sprawdzę…”, gdy wykonywane jest wieloetapowe zadanie.

• Współdzielone — wszystkie generowane materiały audio zawierają znak wodny SynthID firmy Google, oba są objęte kartą modelu opublikowaną pod nazwą gemini-3-8-audio, a oba mają teraz udokumentowane identyfikatory modeli API: gemini-3.8-live i gemini-3.8-live-extended-thinking.

Model Extended Thinking nie jest po prostu 3.8 Live z dłuższym budżetem na myślenie. To model, który potrafi jednocześnie prowadzić rozmowę i realizować plan zadania, nie dopuszczając do zablokowania rozmowy — a to właśnie sprawia, że agenci głosowi zawodzą w środowisku produkcyjnym. Użytkownik nie chce ciszy, gdy agent czegoś szuka. Chce, żeby agent mówił dalej.

Płytka mówi 6.6. Komponenty mówią 38.

Indeks Speech to Speech jest średnią ważoną czterech wyników składowych: Speech Reasoning, mierzonego za pomocą własnego zestawu Big Bench Audio firmy Artificial Analysis; Agentic Performance, mierzonego przez uruchomienie benchmarku obsługi klienta τ-Voice; Arena Preference, pochodzącego z Speech Agent Arena; oraz Task Success Rate. Tylko modele mające wszystkie cztery komponenty otrzymują wynik indeksu, dlatego niektóre wiersze na tej tablicy są puste.

Rozpatrywane osobno, dwa nowe modele wcale nie wyglądają na parę różniącą się o 6,6 punktu:

• Indeks mowy na mowę — Gemini 3.8 Live Extended Thinking (High) 82,6 vs Gemini 3.8 Live 76,0

• Wydajność agentowa (ukończenie zadań τ-Voice) — 68,6% vs 30,1%

• Rozumowanie mowy (Big Bench Audio) — 98% vs 92%

• Dynamika konwersacji — 91,9% vs 96,1%

• Preferencja areny (Elo) — 990 vs 1083

• Wskaźnik pomyślnego wykonania zadania — 89,1% vs 93,2%

• Czas do pierwszego dźwięku — 1,35 s vs 1,18 s

• Koszt za godzinę wejściowego audio — $3.50 vs $0.84

Przeczytaj to uczciwie, a model standardowy wygrywa w czterech z ośmiu pozycji. Ma krótszy czas do pierwszego audio, jest wyżej oceniany przez arenę, z większym prawdopodobieństwem ukończy zadanie i jest lepiej oceniany pod względem dynamiki konwersacji. Kosztuje też jedną trzecią ceny. Nie potrafi natomiast dokończyć zadania, gdy zadanie składa się z kroków: 30,1% wobec 68,6% to największa pojedyncza różnica w całym tym wydaniu i leży na tej jednej osi, która odróżnia agenta głosowego od interfejsu głosowego.

Dwa zastrzeżenia, zanim ta tabela zostanie uznana za rozstrzygniętą. Wskaźnik preferencji areny używany w indeksie jest zamrożony w momencie, gdy model kwalifikuje się do publikacji, więc nie śledzi aktualnego Elo na wykresie Speech Agent Arena — czytaj go jako migawkę, a nie jako bieżący wynik. A marginesy τ-Voice na szczycie tabeli są tak niewielkie, że mogą być szumem: wariant rozumujący z 68,6% wyprzedza GPT-Live-1 z 67,9% (backend Astra, średni wysiłek) o 0,7 punktu, a za nim plasują się GPT-Live-1 (Sol, niski) z 59,3% i Grok Voice Think Fast 2.0 High z 56,5%. Różnica 38 punktów między dwoma modelami Gemini nie jest niewielka. Przewaga 0,7 punktu nad GPT-Live-1 już tak.

Gdzie plasuje się w indeksie

Na poniższym zrzucie, wykonanym 16 września 2026 r., górna część tablicy wygląda następująco:

• Gemini 3.8 Live Extended Thinking (High) — 82,6 (pierwsze miejsce)

• GPT-Live-1 (backend Astra, średni wysiłek) — 81,5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (backend Sol, niski wysiłek) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

Oto uzasadnienie tego podziału widocznego na jednym ekranie. Wariant Extended Thinking zajmuje pierwsze miejsce, działając przy etykiecie nakładu rozumowania (High) tego rankingu — tej samej konwencji, której używa się dla Grok Voice Think Fast 2.0 High i GPT-Realtime-2.1 High, i to dlatego sufiks „(High)”, który możesz zobaczyć przy tym modelu w materiałach, jest etykietą konfiguracji, a nie osobnym wydaniem. Wariant standardowy ląduje na piątym miejscu — poniżej dwóch konfiguracji GPT-Live-1 i poniżej Grok. Blog Google’a opisuje model standardowy jako „wysoce opłacalny” i zauważa, że „zdobył drugie miejsce w Speech Agent Arena”, co jest innym rankingiem mierzącym coś innego. Oba stwierdzenia są prawdziwe. Czytane razem mówią: 3.8 Live to bardzo dobry model konwersacyjny w bardzo dobrej cenie i nie jest czołówką inteligencji głosowej.

Przeciek, który dotarł pierwszy

Modele zauważono na stronie z limitami Google Cloud dzień przed ogłoszeniem, a my opisaliśmy to zauważenie w tamtym czasie jako niepotwierdzony slug bez karty modelu, bez cennika i bez potwierdzenia od Google. Tamten wpis miał rację co do statusu, ale mylił się co do harmonogramu — potwierdzenie nadeszło w ciągu około 24 godzin.

Warto tę lekcję zapisać, bo przeczy ona zwykłemu instynktowi. Przeciekły slug na dzień przed premierą to premiera. Przeciekły slug bez potwierdzającej dokumentacji przez osiem tygodni to zupełnie inna sprawa. Sygnałem, który je odróżniał, nie był slug; była nim obecność strony limitów, która istnieje tylko wtedy, gdy pojemność została przydzielona.

Ile kosztuje za minutę

W momencie ogłoszenia materiały Google nie rozdzielały cen obu modeli — modelowi standardowemu przypisano stawkę, a wariantowi rozumującemu nie, co odzwierciedla powyższa tabela wyników. Ta luka została od tego czasu zamknięta. Oba modele mają teraz opublikowane ceny w Live API: $0.005 za minutę wejścia audio i $0.018 za minutę wyjścia audio, co Google potwierdziło 16 września, gdy oba wchodziły na rynek. Ten sam opublikowany cennik obejmuje ceny tokenów w warstwie Gemini 3 Live — $0.75 za 1 mln tokenów tekstowych na wejściu i $4.50 na wyjściu, $3.00 za 1 mln tokenów audio na wejściu i $12.00 na wyjściu oraz $1.00 za 1 mln dla wejścia obrazu lub wideo — choć te wiersze dotyczące tokenów są publikowane dla warstwy, a nie dla poszczególnych modeli, więc czytaj je jako cennik warstwy, a nie jako ofertę dla konkretnego wariantu.

Artificial Analysis uzupełniło również liczbę, która ma największe znaczenie przy planowaniu. Jego ranking zawiera teraz kolumnę kosztu na godzinę wejściowego audio — koszt ukończenia stałego 40-pytaniowego podzbioru Big Bench Audio, znormalizowany do stawki godzinowej — a oba nowe modele mają tam swoją wartość:

• Gemini 3.8 Live — 0,84 USD za godzinę wejściowego audio, najniższa płatna stawka na tej tablicy

• Gemini 3.8 Live Extended Thinking (High) — 3,50 USD/godz., a mimo to wciąż taniej niż oba modele, które przewyższa pod względem jakości

• Grok Voice Think Fast 2.0 High — 4,80 USD/godzina

• GPT-Live-1 (zaplecze Astra, średni wysiłek) — 5,83 USD/godzinę

• GPT-Realtime-2 (High) — $4.14/godzina

• GPT-Realtime-2.1 High — 10,75 USD/godz.

Jedna uwaga do powyższych zrzutów: ponieważ panel kosztów na zrzucie ekranu rankingu jest starszy niż te dwa wiersze, ani $0,84, ani $3,50 nie występują w nim, a jego najtańszy słupek to $1,42. Liczby na liście są odczytywane z tabeli podsumowującej rankingu według stanu na 16 września 2026 r., a nie z tego obrazu. Wartości indeksu pokazane na obrazie pozostają bez zmian i zgadzają się z tabelą.

Porównaj dwie nowe liczby z powyższymi komponentami, a wydanie przestaje być ogłoszeniem dwóch modeli i staje się jedną decyzją z opublikowanym kursem wymiany. Wariant rozumujący kupuje 6,6 punktu indeksu, sześć punktów rozumowania mowy i 38,5 punktu ukończenia zadań agentowych za nieco ponad czterokrotność godzinowego kosztu audio. To, czy warto za to płacić, zależy wyłącznie od tego, co robi twój agent — a kształt odpowiedzi zmienił się, gdy opublikowano komponenty. Agent głosowy, którego zadaniem jest ukończenie wieloetapowego zadania, kupuje największą pojedynczą poprawę w tym wydaniu, za 3,50 dolara za godzinę, jednocześnie będąc tańszym od GPT-Live-1 Astra o około 40% i od Grok Voice Think Fast 2.0 High o mniej więcej jedną czwartą, i uzyskując wynik powyżej obu. Agent głosowy, którego zadaniem jest rozmawiać — odpowiadać, utrzymywać wątek, przyjmować wiadomość, być miłym — kupuje bardzo niewiele dzięki dodatkowej głębi rozumowania, a za 0,84 dolara za godzinę kupuje najtańszy kompetentny model głosowy, jaki ktokolwiek obecnie publikuje.

Taki jest kształt listy. Google wyceniło swój model rozumowania poniżej dwóch modeli, które przewyższa, a swój standardowy model poniżej wszystkiego, co znajduje się na tablicy. Jeśli obsługujesz minuty głosowe na dużą skalę, to właśnie ta liczba wpływa na Twój rachunek, a nie wynik indeksu — a fakt, że te dwa warianty dzieli 4×, oznacza, że wybór, który z nich wywołać, jest największą dźwignią kosztową w całym stacku.

„Private preview” robi w tym zdaniu prawdziwą robotę.

Żaden z tych modeli nie jest ogólnie dostępny w sensie umownym, ale warstwa deweloperska jest otwarta i obecnie ma ustaloną cenę, co zmienia to, na czym możesz opierać swoje plany:

• Gemini 3.8 Live — deweloperzy otrzymują go w Gemini API, Live API i Google AI Studio pod udokumentowanym identyfikatorem gemini-3.8-live; przedsiębiorstwa otrzymują prywatny podgląd w Gemini Enterprise, a Gemini Enterprise for Customer Experience „wkrótce”; wszyscy otrzymują go w Search Live.

• Gemini 3.8 Live Extended Thinking — ten sam interfejs deweloperski dostępny jako gemini-3.8-live-extended-thinking, a do tego szersza ścieżka dla konsumentów: Gemini Live, Docs Live dla subskrybentów Google AI Pro i Ultra oraz Gmail Live i Keep Live dla wszystkich subskrybentów Google AI.

Wciąż brakuje tego, czego potrzebuje przedsiębiorstwo: zobowiązania dotyczącego ogólnej dostępności, opublikowanego wskaźnika czasu działania i stawki, którą Google obiecało utrzymać. Jeśli ich potrzebujesz, poczekaj. Jeśli tworzysz prototyp, ścieżka jest dziś otwarta, a stoi za nią rzeczywisty cennik, co jest istotnie lepszą pozycją niż wersja zapoznawcza bez opublikowanej ceny. Budowanie integracji teraz jest rozsądne; opieranie krytycznej dla przychodów linii telefonicznej na celu dostępności, do którego Google się nie zobowiązało, już nie, a rozwiązanie tego opisano poniżej.

Gdzie kończą się twierdzenia dostawcy

Google opublikował przy okazji premiery własne dane dla poszczególnych komponentów — 68,6% w τ-Voice, 35,1% w rankingu τ³-Banking firmy Sierra i 97,7% w Big Bench Audio, wszystkie przypisywane modelowi Extended Thinking. Teraz dzielą się one na dwie grupy, a podział ma znaczenie.

Dwie z trzech pokrywają się z pomiarami, które Artificial Analysis przeprowadza samodzielnie w ramach własnego harnessu. Komponent agentowy τ-Voice Artificial Analysis wskazuje 68,6% dla tego modelu, w porównaniu z 67,9% dla GPT-Live-1 Astra i 56,5% dla Grok Voice Think Fast 2.0; komponent rozumowania mowy Big Bench Audio Artificial Analysis wskazuje 98%, w porównaniu z 97,7% Google'a. Artificial Analysis opisuje τ-Voice i Big Bench Audio jako własne benchmarki, przeprowadzane w trzech próbach, tam gdzie to możliwe. Zatem liczby dla τ-Voice i rozumowania znajdują się teraz na publicznej tablicy, którą można przeczytać, nie tylko w ogłoszeniu Google — traktuj je jako potwierdzone, a nie rozstrzygnięte, ponieważ dokładne liczby cytowane przez Google mogą równie dobrze pochodzić z tego samego przebiegu, a nie z drugiego.

Liczba Sierra nie ma takiego oparcia i pozostaje twierdzeniem dostawcy: 35,1% w rankingu τ³-Banking firmy Sierra wobec 32,0% dla GPT-Live-1 Astra i 16,5% dla xAI-Realtime. To także liczba, nad którą warto się zatrzymać, ponieważ 35,1% oznacza, że wiodący model głosowy w tym rankingu zawodzi w około dwóch z każdych trzech realistycznych prób ukończenia zadania bankowego. Google cytuje również uruchomienie ServiceNow EVA-Bench wykonane na Live API w Gemini Enterprise Agent Platform i opisuje oba modele jako przesuwające granicę Pareto dla złożonych przepływów pracy — a do żadnego z nich nie dołączono niezależnego odczytu.

Jest tu precedens, który warto zapamiętać. xAI podało w lipcu wartość 82,9 w Speech to Speech Index dla Grok Voice Think Fast 2.0. Na uchwyconej powyżej tablicy ten model plasuje się na poziomie 81,3. Wyniki indeksu podawane przez dostawców nie zawsze wytrzymują zderzenie z aktualnym rankingiem — zwykle dlatego, że indeks jest rewidowany, a czasem dlatego, że testowana konfiguracja nie była tą, która trafiła do wydania. Zweryfikuj liczby dla τ-Voice i Big Bench na własnym ruchu, a kolumnę agentową traktuj jako tę, którą trzeba przetestować najdokładniej.

Warstwa, na której faktycznie działają ci agenci

Oba modele znajdują się przed backendem. Wykonywanie narzędzi w tle, planowanie zadań wieloetapowych oraz wzorzec delegowania, którego używa każdy poważny agent głosowy, sprowadzają się do zwykłych wywołań modelu tekstowego — a to właśnie ta warstwa charakteryzuje się największą zmiennością kosztów i najmniejszym uzależnieniem od dostawcy.

OrcaRouter udostępnia 190 modeli z jednego klucza w cenie katalogowej dostawcy bez narzutu, co oznacza, że obniżka ceny od laboratorium upstream jest u nas aktywna tego samego dnia, a nie dopiero przy kolejnym odnowieniu umowy. W stosie głosowym, w którym front-end to model preview, dwie przydatne właściwości to możliwość podmiany celu delegowania bez dotykania integracji głosowej oraz to, że automatyczne przełączanie awaryjne podtrzymuje połączenie, gdy backend zgłosi błąd lub przekroczy limit czasu. Mówiąc precyzyjnie o tym, co hostujemy, a czego nie: endpointy Gemini 3.8 Live nie znajdują się na naszym routerze — pochodzą z własnego API Google — ale modele tekstowe, którym ci agenci bardzo często przekazują pracę, jak najbardziej są, w tym Gemini 3.8 Flash.

Co obejrzeć dalej

Trzy rzeczy rozstrzygną otwarte pytania w tym wydaniu. Pierwsza to ogólna dostępność i stawka, którą Google zobowiązał się utrzymać — ceny są już opublikowane, ale ceny w wersji zapoznawczej mają zwyczaj się zmieniać, a cennik nie jest umową. Druga to, czy kolumny dotyczące areny i skuteczności zadań się obronią, ponieważ 1083 Elo i 93,2% skuteczności zadań modelu standardowego to najsilniejszy argument przeciw płaceniu 4× za wariant rozumujący, a wartość areny w indeksie jest zamrożona na moment kwalifikowalności, a nie bieżąca. Trzecia to niezależne uruchomienia dotyczące samej luki agentowej: 68,6% wobec 30,1% to największe twierdzenie w tym wydaniu i takie, które najbardziej warto odtworzyć, ponieważ wszystko inne w tych dwóch modelach jest zbliżone.

Do tego czasu uczciwe podsumowanie opiera się na dwóch liczbach, a nie na jednej. Gemini 3.8 Live Extended Thinking to najlepiej punktowany model głosowy w publicznym rankingu, zdecydowanie prowadzi w komponencie agentowym i ma niższy koszt godzinowy niż dwa modele bezpośrednio za nim. Gemini 3.8 Live to najtańszy kompetentny model głosowy w tym rankingu, jest preferowany przez arenę i bardziej niezawodny w płytkich zadaniach, a ogólnie plasuje się o 6,6 punktu niżej, z twardym pułapem w tej jednej rzeczy, do której zatrudnia się agentów. Google wypuścił ten sam wariant dwa razy, różniące się czterokrotnie ceną, i sprawił, że wybór jest wyjątkowo łatwy do wycenienia — pod warunkiem że czyta się komponenty, a nie tylko indeks.