Google เปิดตัว Gemini 3.8 Live AI คิด-พูดพร้อมกัน รองรับ 97 ภาษา

Google เดินหน้ายกระดับการแข่งขันในตลาด AI แบบเสียง เปิดตัว Gemini 3.8 Live และ Gemini 3.8 Live Extended Thinking โมเดลสนทนาโต้ตอบแบบสดรุ่นใหม่ ซึ่งไม่ได้จำกัดบทบาทอยู่เพียงการรับคำสั่งและตอบคำถาม แต่สามารถคิดวิเคราะห์ เรียกใช้เครื่องมือ และดำเนินงานหลายขั้นตอนไปพร้อมกับการสนทนาได้

โมเดลทั้ง  2  เปิดตัวอย่างเป็นทางการเมื่อวันที่ 15 กันยายน 2569 โดย Google วางตำแหน่งให้เป็นโครงสร้างพื้นฐานสำหรับการพัฒนา “Voice Agent” หรือเอเจนต์ AI ที่สั่งงานด้วยเสียง รองรับตั้งแต่บริการผู้บริโภค ไปจนถึงกระบวนการทำงานขององค์กรที่ต้องเชื่อมต่อกับระบบและ API หลายประเภท

จุดเปลี่ยนสำคัญของโมเดลรุ่นนี้อยู่ที่ความสามารถด้าน Near Real-time Reasoning หรือการคิดวิเคราะห์ใกล้เคียงเวลาจริง ทำให้ AI สามารถรับฟัง ทำความเข้าใจบริบท และดำเนินงานเบื้องหลัง โดยไม่ทำให้บทสนทนาหยุดชะงัก

แบ่ง 2 โมเดล รองรับงานต่างระดับ

Google แบ่ง Gemini 3.8 Live ออกเป็น 2 รุ่นหลักตามความซับซ้อนของงาน

Gemini 3.8 Live เน้นความเร็ว ความต่อเนื่องของบทสนทนา และความคุ้มค่าด้านต้นทุน เหมาะกับ Voice Agent ที่ต้องรองรับผู้ใช้งานจำนวนมาก เช่น ระบบบริการลูกค้า ผู้ช่วยค้นหาข้อมูล ระบบแนะนำสินค้า หรือบริการตอบคำถามอัตโนมัติ

ขณะที่ Gemini 3.8 Live Extended Thinking ถูกออกแบบมาสำหรับงานที่ต้องใช้การคิดวิเคราะห์หลายขั้นตอน สามารถประมวลผลเหตุผลและเรียกใช้เครื่องมือในเบื้องหลัง พร้อมกับสื่อสารความคืบหน้าให้ผู้ใช้งานทราบอย่างต่อเนื่อง

Google อธิบายความสามารถดังกล่าวว่าเป็นการ “คิดและพูดไปพร้อมกัน” เช่น เมื่อได้รับคำสั่งที่ซับซ้อน โมเดลอาจตอบรับว่า “ขอตรวจสอบสักครู่” ก่อนดำเนินงานหลายขั้นตอนและรายงานความคืบหน้าระหว่างทาง โดยผู้ใช้ไม่ต้องรอให้กระบวนการทั้งหมดเสร็จสิ้นก่อนจึงจะได้รับคำตอบ

AI ไม่หยุดคุย แม้กำลังเรียกใช้เครื่องมือ

หนึ่งในความสามารถสำคัญคือ Asynchronous Function Calling หรือการเรียกใช้ฟังก์ชันและ API แบบไม่พร้อมกัน โมเดลจึงสามารถส่งคำสั่งไปยังระบบภายนอกและสนทนากับผู้ใช้ต่อได้ในระหว่างรอผลลัพธ์

ตัวอย่างเช่น การจองบริการที่ต้องตรวจสอบตารางเวลา เปรียบเทียบตัวเลือก ยืนยันข้อมูล และเชื่อมต่อระบบชำระเงิน โมเดลสามารถจัดการแต่ละขั้นตอนในเบื้องหลัง โดยไม่ตัดจังหวะการสนทนา

แนวทางดังกล่าวสะท้อนการแข่งขันของอุตสาหกรรม AI ที่กำลังเปลี่ยนจากโมเดลซึ่งเน้น “การตอบคำถาม” ไปสู่ระบบเอเจนต์ที่สามารถ “ลงมือทำงาน” ให้ผู้ใช้ได้จริง

นอกจากนี้ Gemini 3.8 Live ยังสามารถรับข้อมูลภาพแบบใกล้เคียงเวลาจริง ทำให้ AI เข้าใจทั้งสิ่งที่ผู้ใช้พูดและสิ่งที่กล้องกำลังมองเห็น ตัวอย่างการใช้งาน ได้แก่ การแนะนำพนักงานใหม่ตามหน้าจอหรืออุปกรณ์ที่อยู่ตรงหน้า การวิเคราะห์เกมหมากรุกจากภาพกระดาน และการแก้ปัญหาทีละขั้นตอนผ่าน Search Live

รองรับ 97 ภาษา สลับภาษาได้ระหว่างสนทนา

โมเดลสามารถตรวจจับและสลับภาษาโดยอัตโนมัติระหว่างการสนทนา รองรับมากกว่า 97 ภาษา รวมถึงรักษาความสม่ำเสมอของสำเนียงในการโต้ตอบ

Google ยังเพิ่มความแม่นยำในการรับข้อมูลตัวเลขและตัวอักษร เช่น รหัสยืนยัน หมายเลขเคลม และข้อมูลทางเทคนิค ซึ่งเป็นองค์ประกอบสำคัญสำหรับการนำ Voice Agent ไปใช้ในธุรกิจการเงิน ประกันภัย สุขภาพ และบริการลูกค้า

ด้านนักพัฒนา โมเดลรองรับข้อมูลนำเข้าทั้งข้อความ ภาพ เสียง และวิดีโอ สามารถตอบกลับเป็นข้อความหรือเสียง โดยมีขนาดบริบทนำเข้าสูงสุด 131,072 โทเคน และเอาต์พุตสูงสุด 65,536 โทเคน ตามข้อมูลในเอกสาร Gemini API

Google กำหนดค่าบริการสำหรับนักพัฒนาไว้ที่ 0.005 ดอลลาร์ต่อนาทีสำหรับเสียงขาเข้า และ 0.018 ดอลลาร์ต่อนาทีสำหรับเสียงขาออก เพื่อผลักดันการพัฒนาแอปพลิเคชันเสียงในระดับใหญ่

Extended Thinking ขึ้นอันดับ 1 ดัชนี AI เสียง

Google ระบุว่า Gemini 3.8 Live Extended Thinking ทำคะแนนเป็นอันดับ 1 ในดัชนี Speech-to-Speech Quality Index ของ Artificial Analysis ด้วยคะแนน 82.6

ด้านความสามารถของเอเจนต์ โมเดลทำคะแนน 68.6% บนเกณฑ์ τ-Voice และ 35.1% บนเกณฑ์ τ-Voice-banking ของ Sierra ส่วนการคิดวิเคราะห์ผ่านเสียงทำคะแนน 97.7% บน Big Bench Audio

ขณะที่ Gemini 3.8 Live อยู่ในอันดับ 2 ของ Speech Agent Arena โดยเน้นจุดขายด้านความเร็ว ต้นทุน และความสามารถในการรองรับการขยายระบบ

อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นผลการทดสอบภายใต้ชุดเกณฑ์เฉพาะ จึงควรพิจารณาร่วมกับประสิทธิภาพในการใช้งานจริง เช่น ความแม่นยำในแต่ละภาษา ความเร็วของระบบ การเชื่อมต่อ API และต้นทุนรวมของโครงสร้างพื้นฐาน

จากภาพร่างสู่โค้ด วางแผนธุรกิจผ่านเสียง

Google ยกตัวอย่างการใช้งาน Gemini 3.8 Live Extended Thinking ตั้งแต่การแปลงภาพร่างและคำแนะนำด้วยเสียงให้เป็น React Components ที่ใช้งานได้จริง การประสานงานระบบจองหลายขั้นตอน ไปจนถึงการจัดทำแผนธุรกิจและชุดเครื่องมือการตลาดผ่านการสนทนา

โมเดลยังเตรียมเข้าไปอยู่ในบริการหลักของ Google ทั้ง Docs Live, Gmail Live, Keep Live และ Search Live ซึ่งจะทำให้เสียงกลายเป็นช่องทางสั่งงานเอกสาร อีเมล บันทึก และการค้นหาข้อมูลได้โดยตรง

สำหรับระบบนิเวศนักพัฒนา Google เชื่อม Gemini Live API เข้ากับแพลตฟอร์มอย่าง Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel และ Vision Agents เพื่อรับหน้าที่จัดการโครงสร้างพื้นฐานการสตรีมเสียงและภาพแบบเรียลไทม์

การมีพันธมิตรเหล่านี้จะช่วยลดความซับซ้อนในการพัฒนาระบบ Voice Agent และเปิดทางให้นักพัฒนามุ่งไปที่การออกแบบประสบการณ์ผู้ใช้ รวมถึงการเชื่อมต่อกระบวนการทำงานของแต่ละธุรกิจ

ใส่ลายน้ำ SynthID ในเสียงที่สร้างโดย AI

ด้านความปลอดภัย Google ระบุว่าเสียงทั้งหมดซึ่งสร้างผ่านผลิตภัณฑ์ AI ของบริษัทจะได้รับการฝังลายน้ำ SynthID ลงในสัญญาณเสียงโดยตรง

ลายน้ำดังกล่าวไม่สามารถรับรู้ได้ด้วยหูมนุษย์ แต่สามารถใช้ตรวจสอบว่าเสียงนั้นสร้างจาก AI หรือไม่ เพื่อช่วยลดความเสี่ยงจากเสียงปลอม การแอบอ้างบุคคล และการเผยแพร่ข้อมูลเท็จ

เริ่มเปิดใช้งานผ่าน API และบริการ Google

Gemini 3.8 Live และ Gemini 3.8 Live Extended Thinking เปิดให้นักพัฒนาใช้งานแบบทั่วไป หรือ GA ผ่าน Gemini API, Live API และ Google AI Studio แล้ว ตาม ประกาศอัปเดตของ Google

สำหรับองค์กร ทั้งสองโมเดลเริ่มเปิดทดสอบแบบ Private Preview ใน Gemini Enterprise และเตรียมขยายไปยัง Gemini Enterprise for Customer Experience และ Google Workspace

ส่วนผู้ใช้ทั่วไปสามารถเข้าถึง Gemini 3.8 Live ผ่าน Search Live ขณะที่ Gemini 3.8 Live Extended Thinking จะทยอยเปิดให้สมาชิก Google AI Pro และ Ultra ใช้งานผ่าน Gemini Live และ Docs รวมถึงเปิดใน Gmail และ Keep สำหรับสมาชิก Google AI

การเปิดตัวครั้งนี้จึงไม่ใช่เพียงการทำให้ AI “พูดได้เป็นธรรมชาติขึ้น” แต่เป็นความพยายามของ Google ในการเปลี่ยนเสียงให้กลายเป็นอินเทอร์เฟซหลักสำหรับสั่งงานระบบดิจิทัล ตั้งแต่การค้นหาข้อมูล เขียนโค้ด จัดการเอกสาร ไปจนถึงประสานกระบวนการทางธุรกิจที่ซับซ้อน