Giới thiệu Gemini 3.8 Live và 3.8 Live Extended Thinking: Google tách dòng sản phẩm giọng nói của mình thành hai

Của Google Gemini 3.8 Live và Gemini 3.8 Live Extended Thinkingđã ra mắt vào ngày 15 tháng 9 năm 2026 — một thông báo, hai mô hình, và một sự rẽ nhánh thực sự trong dòng sản phẩm. Con số đáng chú ý nhất là khoảng cách 6,6 điểm trên Chỉ số Speech to Speech của Artificial Analysis, từ 82,6 xuống 76,0. Con số nằm bên dưới nó là 38. Trên cùng bảng xếp hạng đó, ở thước đo hoàn thành tác vụ dạng tác nhân τ-Voice, biến thể suy luận giải quyết được 68,6% các tình huống chăm sóc khách hàng mô phỏng, còn mô hình tiêu chuẩn giải quyết được 30,1%. 6,6 điểm là những gì chỉ số nói. 38 điểm là những gì xảy ra khi bạn yêu cầu một trong hai mô hình thực sự hoàn thành một việc gì đó.

Một ngày sau khi ra mắt, nhánh tách này đã có mức giá của nó. Cả hai mô hình đều có mức giá âm thanh theo phút được công bố qua Live API, và bảng xếp hạng của Artificial Analysis đặt chi phí mỗi giờ cho âm thanh đầu vào ở mức $0,84 đối với mô hình tiêu chuẩn, so với $3,50 đối với biến thể suy luận — cao hơn chỉ hơn bốn lần mỗi giờ để đổi lấy 6,6 điểm chỉ số đó. Sự đánh đổi ấy chính là toàn bộ quyết định, và nếu chỉ đọc nó từ con số chỉ số thì sẽ hiểu sai.

Điều khiến bản phát hành này khác với đợt làm mới mô hình giọng nói thông thường là việc phân chia không phải là một bậc kích thước. Đó là sự bất đồng về việc công việc của một tác nhân thoại là gì. Một trong những mô hình này là giao diện đàm thoại. Mô hình còn lại là một hệ thống suy luận mà tình cờ biết nói.

Hai mẫu, hai công việc

Cách Google tự định hình về vấn đề này rõ ràng một cách lạ thường. Gemini 3.8 Live được mô tả là "được xây dựng để mở rộng quy mô và tối ưu chi phí, kết hợp trí tuệ đối thoại với hội thoại lưu loát và nền tảng thị giác." Gemini 3.8 Live Extended Thinking thì "được xây dựng cho các tác vụ có độ phức tạp cao, với trí tuệ được gia tăng và khả năng suy luận nhiều bước."

Sự khác biệt thực tế thể hiện rõ trong danh sách tính năng hơn là trên bảng thông số kỹ thuật:

• Gemini 3.8 Live — xử lý đầu vào hình ảnh gần như theo thời gian thực, tự động chuyển đổi ngay giữa cuộc trò chuyện trên 97 ngôn ngữ được hỗ trợ, và thực thi công cụ/API chạy nền để mô hình xác nhận yêu cầu và vẫn tiếp tục trò chuyện trong khi cuộc gọi hoàn tất.

• Gemini 3.8 Live Extended Thinking — vừa suy luận vừa nói cùng lúc, tường thuật tiến trình bằng những câu như "Để tôi kiểm tra nhé…" trong khi một tác vụ gồm nhiều bước đang chạy.

• Dùng chung — mọi âm thanh được tạo đều mang dấu thủy vân SynthID của Google, cả hai đều được bao gồm trong một thẻ mô hình được công bố dưới tên gemini-3-8-audio, và cả hai hiện đều có ID mô hình API được ghi trong tài liệu: gemini-3.8-live và gemini-3.8-live-extended-thinking.

Mô hình Extended Thinking không chỉ đơn thuần là 3.8 Live với ngân sách suy nghĩ dài hơn. Đây là mô hình có thể duy trì đồng thời cả một cuộc hội thoại lẫn một kế hoạch tác vụ mà cuộc hội thoại không bị đình trệ — đó chính xác là điều khiến các tác nhân thoại thất bại trong vận hành thực tế. Người dùng không muốn sự im lặng trong khi tác nhân tra cứu thông tin. Họ muốn tác nhân tiếp tục nói.

Bo mạch ghi 6.6. Các linh kiện ghi 38.

Chỉ số Speech to Speech là mức trung bình có trọng số của bốn kết quả thành phần: Speech Reasoning, được đo bằng bộ Big Bench Audio của chính Artificial Analysis; Agentic Performance, được đo bằng cách chạy chuẩn đánh giá dịch vụ khách hàng τ-Voice; Arena Preference, lấy từ Speech Agent Arena; và Task Success Rate. Chỉ những mô hình có đủ cả bốn thành phần mới nhận được điểm chỉ số, đó là lý do một số hàng trên bảng xếp hạng đó bị để trống.

Tách riêng ra, hai mẫu mới trông hoàn toàn không giống một cặp chênh lệch 6,6 điểm chút nào:

• Chỉ số Speech to Speech — Gemini 3.8 Live Extended Thinking (High) 82,6 so với Gemini 3.8 Live 76,0

• Hiệu suất dạng tác tử (hoàn thành tác vụ τ-Voice) — 68.6% so với 30.1%

• Suy luận giọng nói (Big Bench Audio) — 98% so với 92%

• Động thái hội thoại — 91.9% so với 96.1%

• Ưu tiên Arena (Elo) — 990 so với 1083

• Tỷ lệ hoàn thành nhiệm vụ — 89,1% so với 93,2%

• Thời gian đến âm thanh đầu tiên — 1,35 giây so với 1,18 giây

• Chi phí mỗi giờ âm thanh đầu vào — $3.50 so với $0.84

Đọc một cách trung thực thì mô hình tiêu chuẩn thắng bốn trong tám dòng. Nó đạt âm thanh đầu tiên nhanh hơn, được arena đánh giá cao hơn, có nhiều khả năng hoàn thành một tác vụ hơn, và được đánh giá tốt hơn về động lực hội thoại. Nó cũng chỉ bằng một phần ba giá. Điều nó không thể làm là hoàn tất công việc khi công việc gồm nhiều bước: 30,1% so với 68,6% là chênh lệch đơn lẻ lớn nhất ở bất kỳ đâu trong bản phát hành này, và nó nằm trên trục duy nhất phân tách một tác nhân thoại khỏi một giao diện thoại.

Hai lưu ý trước khi bảng đó bị coi là đã chốt. Chỉ số ưu tiên đấu trường được dùng trong bảng xếp hạng bị đóng băng tại thời điểm một mô hình đủ điều kiện được công bố, nên nó không theo dõi Elo trực tiếp trên biểu đồ Speech Agent Arena — hãy đọc nó như một ảnh chụp nhanh, không phải điểm số đang chạy. Và các khoảng cách τ-Voice ở đầu bảng mỏng đến mức có thể chỉ là nhiễu: biến thể reasoning đạt 68.6%, dẫn trước GPT-Live-1 ở 67.9% (backend Astra, mức effort trung bình) 0.7 điểm, với GPT-Live-1 (Sol, low) ở 59.3% và Grok Voice Think Fast 2.0 High ở 56.5% xếp sau. Khoảng cách 38 điểm giữa hai mô hình Gemini thì không mỏng. Còn mức dẫn trước 0.7 điểm so với GPT-Live-1 thì có.

Vị trí của nó trên chỉ mục

Trong ảnh chụp bên dưới, được chụp vào ngày 16 tháng 9 năm 2026, phần trên cùng của bảng ghi như sau:

• Gemini 3.8 Live Extended Thinking (High) — 82.6 (vị trí đầu tiên)

• GPT-Live-1 (backend Astra, mức nỗ lực trung bình) — 81.5

• Grok Voice Think Fast 2.0 High — 81.3

• GPT-Live-1 (backend Sol, nỗ lực thấp) — 80.1

• Gemini 3.8 Live — 76.0

• GPT-Realtime-2.1 High — 73.9

• Gemini 3.1 Flash Live High — 71.5

Đó là trường hợp của sự phân tách trên cùng một màn hình. Biến thể Extended Thinking chiếm vị trí đầu bảng, chạy ở nhãn mức nỗ lực suy luận (High) của bảng xếp hạng — cùng quy ước mà nó dùng cho Grok Voice Think Fast 2.0 High và GPT-Realtime-2.1 High, và cũng chính là lý do hậu tố "(High)" mà bạn có thể thấy gắn kèm với mô hình này trong các bài đưa tin là một nhãn cấu hình chứ không phải một bản phát hành riêng. Biến thể tiêu chuẩn đứng thứ năm — dưới hai cấu hình GPT-Live-1 và dưới Grok. Blog của chính Google mô tả mô hình tiêu chuẩn là "có hiệu quả chi phí cao" và lưu ý rằng nó "giành vị trí thứ hai tại Speech Agent Arena", một bảng xếp hạng khác đo lường một thứ khác. Cả hai phát biểu đều đúng. Đọc cùng nhau, chúng nói lên rằng: 3.8 Live là một mô hình hội thoại rất tốt với mức giá rất tốt, và nó không phải là đỉnh cao của trí tuệ giọng nói.

Vụ rò rỉ đã đến trước tiên

Các mô hình đã được phát hiện trên một trang hạn mức Google Cloud vào ngày trước thông báo, và vào thời điểm đó, chúng tôi đã đưa tin về lần xuất hiện này như một slug chưa được xác nhận, không có thẻ mô hình, không có giá và không có xác nhận từ Google. Bài đăng đó đúng về trạng thái nhưng sai về mốc thời gian — xác nhận đã đến trong khoảng 24 giờ.

Bài học này đáng được ghi lại, vì nó đi ngược lại bản năng thường thấy. Một slug bị rò rỉ một ngày trước khi ra mắt là một đợt ra mắt. Một slug bị rò rỉ mà không có giấy tờ xác thực nào trong suốt tám tuần là một câu chuyện hoàn toàn khác. Tín hiệu phân biệt hai trường hợp không phải là slug; mà là sự hiện diện của một trang hạn ngạch, thứ chỉ tồn tại khi dung lượng đã được cấp phát.

Chi phí mỗi phút là bao nhiêu

Khi công bố, tài liệu của Google không tách biệt hai mô hình về giá — mô hình tiêu chuẩn được đưa ra một mức giá còn biến thể suy luận thì không, đó là những gì bảng điểm ở trên ghi lại. Khoảng trống đó kể từ đó đã được lấp đầy. Cả hai mô hình hiện đều có mức giá được công bố thông qua Live API: 0,005 USD mỗi phút âm thanh đầu vào và 0,018 USD mỗi phút âm thanh đầu ra, điều mà Google đã xác nhận vào ngày 16 tháng 9 khi cả hai được triển khai. Cùng bảng giá được công bố đó cũng bao gồm mức giá theo token của hạng Gemini 3 Live — 0,75 USD mỗi 1 triệu token văn bản đầu vào và 4,50 USD đầu ra, 3,00 USD mỗi 1 triệu token âm thanh đầu vào và 12,00 USD đầu ra, và 1,00 USD mỗi 1 triệu cho đầu vào hình ảnh hoặc video — mặc dù các dòng token đó được công bố cho hạng chứ không phải theo từng mô hình, nên hãy đọc chúng như bảng giá của hạng chứ không phải như báo giá cho một biến thể cụ thể.

Artificial Analysis cũng đã bổ sung con số quan trọng nhất cho việc lập kế hoạch. Bảng xếp hạng của nó giờ đây có một cột chi phí mỗi giờ âm thanh đầu vào — chi phí để hoàn thành một tập con Big Bench Audio cố định gồm 40 câu hỏi, được chuẩn hóa theo đơn giá mỗi giờ — và cả hai mô hình mới đều có một con số ở đó:

• Gemini 3.8 Live — 0,84 USD/giờ cho âm thanh đầu vào, mức giá trả thấp nhất trên bảng đó

• Gemini 3.8 Live Extended Thinking (High) — 3,50 USD/giờ, vẫn thấp hơn cả hai mô hình mà nó vượt trội về chất lượng

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

• GPT-Live-1 (backend Astra, nỗ lực trung bình) — $5.83/giờ

• GPT-Realtime-2 (High) — 4,14 đô la/giờ

• GPT-Realtime-2.1 High — $10.75/giờ

Một lưu ý về các ảnh chụp ở trên, vì bảng chi phí trong ảnh chụp bảng xếp hạng có từ trước hai dòng này: cả $0.84 lẫn $3.50 đều không xuất hiện trong đó, và thanh có chi phí thấp nhất của nó là $1.42. Các số liệu trong danh sách được đọc từ bảng tóm tắt của bảng xếp hạng tính đến ngày 16 tháng 9 năm 2026, không phải từ hình ảnh đó. Các giá trị chỉ số hiển thị trong hình không bị ảnh hưởng và khớp với bảng.

Đọc hai con số mới dựa trên các thành phần ở trên, và bản phát hành không còn là một thông báo hai mô hình nữa mà trở thành một quyết định duy nhất với một tỷ giá quy đổi được công bố. Biến thể suy luận mua được 6,6 điểm chỉ số, sáu điểm suy luận giọng nói và 38,5 điểm hoàn thành tác vụ agentic với chi phí chỉ hơn bốn lần chi phí âm thanh theo giờ. Việc có đáng trả hay không phụ thuộc hoàn toàn vào việc agent của bạn đang làm gì — và hình dạng của câu trả lời đã thay đổi khi các thành phần được công bố. Một voice agent có nhiệm vụ hoàn thành một tác vụ nhiều bước đang mua cải thiện lớn nhất trong bản phát hành này, ở mức 3,50 đô la một giờ trong khi rẻ hơn GPT-Live-1 Astra khoảng 40% và Grok Voice Think Fast 2.0 High khoảng một phần tư, đồng thời đạt điểm cao hơn cả hai. Một voice agent có nhiệm vụ trò chuyện — trả lời, giữ mạch hội thoại, nhận tin nhắn, tỏ ra dễ chịu — đang mua được rất ít từ việc tăng thêm độ sâu suy luận, và ở mức 0,84 đô la một giờ, nó đang mua mô hình giọng nói đủ năng lực rẻ nhất mà hiện tại bất kỳ ai công bố.

Đó là hình dạng của danh sách. Google đã định giá mô hình suy luận của mình thấp hơn hai mô hình mà nó đánh bại, và định giá mô hình tiêu chuẩn của mình thấp hơn mọi thứ trên bảng. Nếu bạn đang chạy số phút thoại với khối lượng lớn, đây là con số làm thay đổi hóa đơn của bạn, chứ không phải điểm chỉ số — và việc hai biến thể nằm cách nhau 4× nghĩa là chọn cái nào để gọi chính là đòn bẩy chi phí lớn nhất trong toàn bộ stack.

"Private preview" đang thực sự đóng vai trò quan trọng trong câu đó

Cả hai mô hình đều không được cung cấp rộng rãi theo nghĩa hợp đồng, nhưng bề mặt dành cho nhà phát triển đã mở và hiện đã được định giá, điều này thay đổi những gì bạn có thể dựa vào để lập kế hoạch:

• Gemini 3.8 Live — các nhà phát triển có thể dùng nó trong Gemini API, Live API và Google AI Studio với ID được ghi trong tài liệu là gemini-3.8-live; các doanh nghiệp được dùng bản xem trước riêng tư trong Gemini Enterprise, còn Gemini Enterprise for Customer Experience thì "sắp ra mắt"; tất cả mọi người đều có thể dùng nó trong Search Live.

• Gemini 3.8 Live Extended Thinking — cùng một bề mặt dành cho nhà phát triển dưới gemini-3.8-live-extended-thinking, cùng với một hướng tiếp cận rộng hơn dành cho người tiêu dùng: Gemini Live, Docs Live cho người đăng ký Google AI Pro và Ultra, và Gmail Live cùng Keep Live cho tất cả người đăng ký Google AI.

Điều còn thiếu là phần mà một doanh nghiệp cần: cam kết về tính khả dụng chung, một con số thời gian hoạt động được công bố, và một mức giá mà Google đã hứa sẽ giữ. Nếu bạn cần những thứ đó, hãy chờ. Nếu bạn đang tạo nguyên mẫu, con đường đã mở ngay hôm nay với một bảng giá thực sự phía sau, một vị thế tốt hơn đáng kể so với bản xem trước không có giá được công bố. Xây dựng tích hợp ngay bây giờ là hợp lý; đặt một đường dây điện thoại trọng yếu về doanh thu lên một mục tiêu khả dụng mà Google chưa cam kết thì không, và cách khắc phục điều đó được mô tả bên dưới.

Nơi những tuyên bố của nhà cung cấp kết thúc

Google đã công bố các con số theo từng thành phần của riêng mình song song với thời điểm ra mắt — 68,6% trên τ-Voice, 35,1% trên bảng xếp hạng τ³-Banking của Sierra, và 97,7% trên Big Bench Audio, tất cả đều được ghi nhận cho mô hình Extended Thinking. Giờ đây những con số đó chia thành hai nhóm, và sự phân tách này rất quan trọng.

Hai trong số ba khớp với các phép đo mà Artificial Analysis tự chạy trong hệ thống kiểm thử riêng của mình. Thành phần tác tử τ-Voice của nó ghi nhận 68,6% cho mô hình này, so với 67,9% của GPT-Live-1 Astra và 56,5% của Grok Voice Think Fast 2.0; thành phần suy luận giọng nói Big Bench Audio của nó ghi nhận 98%, so với 97,7% của Google. Artificial Analysis mô tả τ-Voice và Big Bench Audio là các chuẩn đánh giá của riêng mình, được chạy qua ba lần thử khi có thể. Vì vậy, các con số τ-Voice và suy luận giờ nằm trên một bảng công khai mà bạn có thể truy cập và đọc, chứ không chỉ trong thông báo của Google — hãy coi chúng là đã được kiểm chứng chéo thay vì đã ngã ngũ, vì những con số chính xác mà Google trích dẫn rất có thể cũng chính là lần chạy đó chứ không phải một lần chạy thứ hai.

Con số của Sierra không có sự hỗ trợ như vậy và vẫn chỉ là tuyên bố của nhà cung cấp: 35,1% trên bảng xếp hạng τ³-Banking của Sierra so với 32,0% của GPT-Live-1 Astra và 16,5% của xAI-Realtime. Đây cũng là con số đáng để suy ngẫm, bởi vì 35,1% có nghĩa là mô hình giọng nói hàng đầu trên bảng xếp hạng này thất bại trong khoảng hai phần ba mọi nỗ lực hoàn thành nhiệm vụ ngân hàng thực tế. Google cũng trích dẫn một lần chạy ServiceNow EVA-Bench được thực hiện trên Live API trong Gemini Enterprise Agent Platform, và mô tả cả hai mô hình là đang đẩy đường biên Pareto cho các quy trình làm việc phức tạp — cả hai đều không có kết quả đánh giá độc lập nào đi kèm.

Có một tiền lệ đáng để bám giữ ở đây. xAI đã báo cáo chỉ số Speech to Speech là 82,9 cho Grok Voice Think Fast 2.0 vào tháng Bảy. Trên bảng xếp hạng chụp ở trên, mô hình đó đang ở mức 81,3. Điểm chỉ số do nhà cung cấp báo cáo không phải lúc nào cũng trụ được khi đối chiếu với một bảng xếp hạng thực tế — thường là vì chỉ số được sửa đổi, đôi khi vì cấu hình được kiểm thử không phải là cấu hình đã phát hành. Hãy xác minh các con số τ-Voice và Big Bench trên lưu lượng của chính bạn, và coi cột agentic là cột cần kiểm thử kỹ lưỡng nhất.

Lớp mà các tác nhân này thực sự chạy trên

Cả hai mô hình đều nằm phía trước một backend. Thực thi công cụ chạy nền, lập kế hoạch tác vụ nhiều bước và mô thức ủy quyền mà mọi voice agent nghiêm túc đều sử dụng, tất cả đều quy về các lệnh gọi mô hình văn bản thông thường — và đó chính là tầng có mức biến động chi phí lớn nhất cùng mức khóa chặt thấp nhất.

OrcaRouter cung cấp 190 mô hình từ một khóa duy nhất với giá niêm yết của nhà cung cấp và không có phụ phí, nghĩa là khi một phòng lab thượng nguồn giảm giá thì bên chúng tôi áp dụng ngay trong cùng ngày, thay vì phải chờ đến kỳ gia hạn hợp đồng tiếp theo. Với một hệ thống thoại mà phần giao diện phía trước là một mô hình xem trước, có hai đặc tính hữu ích: mục tiêu ủy quyền có thể được hoán đổi mà không cần đụng đến phần tích hợp thoại, và cơ chế chuyển đổi dự phòng tự động giữ cho cuộc gọi không bị ngắt khi một backend gặp lỗi hoặc hết thời gian chờ. Nói rõ về những gì chúng tôi có và không vận hành: các endpoint Gemini 3.8 Live không nằm trên router của chúng tôi — chúng đến từ API riêng của Google — nhưng các mô hình văn bản mà những agent này chuyển giao công việc cho thì rất thường có mặt trên đó, trong đó có Gemini 3.8 Flash.

Xem gì tiếp theo

Ba điều sẽ giải quyết những câu hỏi còn bỏ ngỏ trong bản phát hành này. Điều thứ nhất là tính khả dụng chung và mức giá mà Google cam kết giữ — giá hiện đã được công bố, nhưng giá xem trước vốn có thói quen thay đổi, và bảng giá không phải là hợp đồng. Điều thứ hai là liệu các cột arena và tỷ lệ thành công nhiệm vụ có đứng vững hay không, vì 1083 Elo và 93,2% thành công nhiệm vụ của mô hình tiêu chuẩn là lập luận mạnh nhất chống lại việc trả gấp 4 lần cho biến thể suy luận, còn con số arena của index bị đóng băng tại thời điểm đủ điều kiện thay vì được cập nhật trực tiếp. Điều thứ ba là các lần chạy độc lập về chính khoảng cách agentic: 68,6% so với 30,1% là tuyên bố lớn nhất trong bản phát hành và là tuyên bố đáng được tái tạo nhất, vì mọi thứ khác về hai mô hình đều khá sát nhau.

Cho đến lúc đó, bản tóm tắt trung thực dựa trên hai con số thay vì một. Gemini 3.8 Live Extended Thinking là mô hình giọng nói đạt điểm cao nhất trên bảng công khai, dẫn đầu tuyệt đối ở thành phần agentic, và rẻ hơn hai mô hình xếp ngay sau nó về chi phí theo giờ. Gemini 3.8 Live là mô hình giọng nói đủ năng lực rẻ nhất trên bảng đó, được đấu trường ưa thích hơn và đáng tin cậy hơn ở các tác vụ nông, đồng thời thua 6.6 điểm trên tổng thể với mức trần cứng ở đúng thứ mà các agent được thuê để làm. Google đã tung ra cùng một nhánh hai lần, cách nhau bốn lần về giá, và khiến việc lựa chọn trở nên dễ định giá một cách bất thường — miễn là bạn đọc các thành phần chứ không chỉ đọc chỉ số.