สรุปสั้นอ่านจบใน 1 นาที

Google เปิดตัวโมเดล AI ด้านเสียงล่าสุด Gemini 3.8 Live และ Gemini 3.8 Live Extended Thinking เพื่อยกระดับ Voice Agents ให้สามารถโต้ตอบได้อย่างเป็นธรรมชาติและชาญฉลาดมากยิ่งขึ้น โมเดลทั้งสองรุ่นรองรับการให้เหตุผลแบบใกล้เคียงเรียลไทม์ (Near Real-time Reasoning) การรับรู้บริบทภาพ (Visual Grounding) และสามารถสลับภาษาได้ถึง 97 ภาษาโดยอัตโนมัติ

สถิติที่น่าสนใจ:

• Gemini 3.8 Live Extended Thinking: ครองอันดับ 1 บน Speech to Speech Quality Index ของ Artificial Analysis ด้วยคะแนน 82.6 และทำคะแนน 97.7% บน Big Bench Audio สะท้อนความสามารถในการจัดการงานซับซ้อนหลายขั้นตอน
• Gemini 3.8 Live: ได้รับความนิยมอันดับ 2 ใน Speech Agent Arena โดดเด่นด้านความคุ้มค่าและพร้อมรองรับการขยายสเกลสำหรับองค์กร

นอกจากนี้ ทุกเสียงที่สร้างขึ้นจะถูกฝังลายน้ำ SynthID เพื่อป้องกันข้อมูลเท็จ ปัจจุบันนักพัฒนาสามารถเข้าถึงโมเดลผ่าน Gemini API และแพลตฟอร์มต่างๆ ส่วนผู้ใช้ทั่วไปสามารถสัมผัสประสบการณ์ใหม่นี้ได้ผ่าน Google Workspace และ Gemini app

ยกระดับประสบการณ์ AI ด้วยเสียงกับ Gemini 3.8 Live และ Extended Thinking

การพัฒนา Voice Agents ที่สามารถสนทนาโต้ตอบได้อย่างเป็นธรรมชาติและทำงานซับซ้อนไปพร้อมกัน ถือเป็นความท้าทายสำคัญของ Generative AI วันนี้ Google ได้เปิดตัว Gemini 3.8 Live และ Gemini 3.8 Live Extended Thinking โมเดลสนทนาสดที่ก้าวล้ำที่สุด ซึ่งออกแบบมาเพื่อให้นักพัฒนาและองค์กรสามารถสร้าง Voice Agents ระดับโปรดักชันที่เชื่อถือได้ (Reliable, Production-ready Voice Agents)

อัปเดตล่าสุดนี้มุ่งเน้นไปที่การให้เหตุผลแบบใกล้เคียงเรียลไทม์ (Near Real-time Reasoning) ช่วยให้ AI ไม่เพียงแค่ฟังและพูด แต่ยังเข้าใจบริบทและทำงานร่วมกับผู้ใช้ได้อย่างมีประสิทธิภาพ

ความสามารถ Gemini 3.8 Live: เจาะลึกความแตกต่าง

Google ได้ออกแบบโมเดลทั้งสองรุ่นให้ตอบโจทย์การใช้งานที่ต่างกัน เพื่อให้องค์กรสามารถเลือกใช้ได้อย่างเหมาะสมและคุ้มค่าที่สุด

ทั้งสองโมเดลยังผ่านการทดสอบบน EVA-Bench ของ ServiceNow ซึ่งพิสูจน์ให้เห็นถึงความสามารถในการรักษาสมดุลระหว่างความแม่นยำในการทำงานและความเป็นธรรมชาติของบทสนทนาใน Workflow ที่ซับซ้อน

การประยุกต์ใช้ AI ในองค์กร: พลิกโฉมการสร้าง Voice Agents ด้วยโมเดล AI เสียงจาก Google

สำหรับองค์กรและนักพัฒนา ความสามารถของ Gemini 3.8 Live ซีรีส์ เปิดโอกาสให้เกิด Use Cases ใหม่ ๆ มากมาย ดังนี้

1. การประมวลผลหลากหลายรูปแบบ (Multimodal & Multilingual): โมเดลสามารถประมวลผลข้อมูลภาพ (Visual Inputs) ควบคู่ไปกับเสียง เพื่อให้คำตอบที่สอดคล้องกับบริบท นอกจากนี้ยังสามารถตรวจจับและสลับภาษาไปมาระหว่างบทสนทนาได้มากถึง 97 ภาษาโดยอัตโนมัติ
2. ทำงานเบื้องหลังโดยไม่ขัดจังหวะ (Uninterrupted Flow): Voice Agents สามารถเรียกใช้เครื่องมือ (Tool Executions) หรือ API Calls เบื้องหลังได้ โดยที่โมเดลยังสามารถพูดคุยตอบรับกับผู้ใช้ได้อย่างต่อเนื่อง ไม่เกิดเดดแอร์ (Dead Air)
3. การให้เหตุผลคู่ขนาน (Parallel Reasoning): รุ่น Extended Thinking โดดเด่นด้วยการใช้เสียงตอบรับเบื้องต้น (Verbal Cues) เช่น “Let me check that…” เพื่อรับทราบคำสั่งอย่างเป็นธรรมชาติ และจะบรรยายสถานะการทำงาน (Progress Narration) เป็นระยะ เพื่อให้ผู้ใช้ทราบความคืบหน้าขณะที่ระบบทำงานเบื้องหลัง
4. ระบบนิเวศสำหรับนักพัฒนา (Developer Ecosystem): นักพัฒนาสามารถใช้ Gemini Live API ร่วมกับแพลตฟอร์มชั้นนำอย่าง Agora, LangChain, LiveKit หรือ Vercel เพื่อสร้าง Interface สั่งงานด้วยเสียงได้อย่างรวดเร็ว โดยแพลตฟอร์มเหล่านี้จะช่วยจัดการโครงสร้างพื้นฐานด้านการสตรีมสื่อ (Media Streaming Infrastructure) ที่ซับซ้อนให้
5. บูรณาการเข้ากับ Workspace: ผู้ใช้สามารถสัมผัสประสบการณ์ใช้งานผ่าน Docs Live, Gmail Live, Keep Live รวมถึง Search Live และแอปพลิเคชัน Gemini ช่วยให้การจัดการงานประจำวันหรือการแก้ปัญหาต่างๆ ลื่นไหลและเป็นความร่วมมือกันระหว่างคนกับ AI มากขึ้น
6. ความโปร่งใสของเนื้อหา (SynthID Watermarking): เพื่อป้องกันข้อมูลเท็จ (Misinformation) เสียงทั้งหมดที่สร้างจากโมเดล AI ของ Google จะถูกฝังลายน้ำ SynthID ซึ่งเป็นลายน้ำที่ไม่สามารถได้ยินด้วยหูเปล่า เพื่อยืนยันว่าเนื้อหานั้นถูกสร้างด้วย AI

คำถามที่พบบ่อย (FAQ) 

Q: Gemini 3.8 Live คืออะไร และแตกต่างจากรุ่นเดิมยังไง?

• Gemini 3.8 Live คือโมเดลบทสนทนาสดรุ่นล่าสุดจาก Google ที่ได้รับการอัปเกรดความสามารถด้านการให้เหตุผลคู่ขนาน (Parallel Reasoning) ทำให้สามารถสนทนา โต้ตอบ เข้าใจภาพ และทำงานเบื้องหลังไปพร้อมๆ กันได้อย่างลื่นไหลและเป็นธรรมชาติกว่าเดิม

Q: ใช้ Gemini 3.8 Live ทำอะไรได้บ้างในธุรกิจ?

• ธุรกิจสามารถสร้าง Voice Agents สำหรับดูแลลูกค้าหรือแนะนำการใช้งานพนักงานใหม่แบบเรียลไทม์ และหากเป็นรุ่น Extended Thinking สามารถจัดการ Workflow ซับซ้อน เช่น การจองหลายขั้นตอน การสร้างแผนธุรกิจ หรือแปลงภาพสเก็ตช์เป็นโค้ดได้

Q: โมเดล AI เสียงจาก Google มีการป้องกันปัญหาเรื่องเสียงปลอมแปลงอย่างไร?

• เสียงทั้งหมดที่สร้างผ่านผลิตภัณฑ์ AI ของ Google ในซีรีส์นี้ จะถูกฝังลายน้ำที่เรียกว่า SynthID ลงไปในเนื้อเสียงโดยตรง ซึ่งเป็นลายน้ำที่มองไม่เห็นและไม่ได้ยินด้วยหูเปล่า เพื่อให้สามารถตรวจสอบได้ว่าเป็นเสียงจาก AI ช่วยป้องกันปัญหาข้อมูลบิดเบือน

source: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/

สนใจบริการหรือสอบถามข้อมูลเพิ่มเติม
Website: https://www.tangerine.co.th/contact-us/
Email: marketing@tangerine.co.th
Tel: 02-285-5511