Công cụ & mô hình mới

Google ra mắt Gemini 3.8 Live: nền tảng mới cho trợ lý giọng nói thời gian thực

Gemini 3.8 Live và bản Extended Thinking cho phép xây trợ lý giọng nói hiểu cả hình ảnh, gọi công cụ trong lúc đang nói, hỗ trợ hơn 97 ngôn ngữ, giá từ 0,005 USD mỗi phút âm thanh đầu vào. Cơ hội cho tổng đài, chăm sóc khách hàng và đào tạo.

15/09/20264 phút đọcBiên tập: ABM — A.I Business Master

Tóm tắt nhanh

  • Ngày 15/9/2026, Google ra mắt Gemini 3.8 Live và Gemini 3.8 Live Extended Thinking – mô hình chuyển giọng nói sang giọng nói trực tiếp, dùng để xây trợ lý giọng nói thời gian thực.
  • Mô hình hỗ trợ hơn 97 ngôn ngữ, nhận cả hình ảnh và video, có thể gọi công cụ, API ở chế độ nền trong khi cuộc hội thoại vẫn tiếp diễn.
  • Giá âm thanh khoảng 0,005 USD/​phút đầu vào và 0,018 USD/​phút đầu ra; Google cũng giới thiệu cách dùng kèm mô hình chuyển giọng nói thành văn bản Gemini 3.5 Transcribe (hơn 85 ngôn ngữ).

Chuyện gì xảy ra

Theo blog của Google, Gemini 3.8 Live là bước nâng cấp lớn cho dòng mô hình giọng nói. Thay vì quy trình truyền thống “nghe – chuyển thành chữ – xử lý – đọc lại”, mô hình xử lý trực tiếp giọng nói đầu vào và trả lời bằng giọng nói. Tính năng gọi hàm bất đồng bộ cho phép trợ lý vừa nói chuyện vừa tra cứu hệ thống ở chế độ nền, ví dụ kiểm tra đơn hàng trong khi vẫn trò chuyện với khách. Mô hình còn hiểu bối cảnh hình ảnh từ camera hoặc màn hình và đọc chính xác các mã số, dữ liệu kỹ thuật.

Bản Extended Thinking bổ sung khả năng suy luận nhiều bước trong lúc nói. Theo The Batch của DeepLearning.AI, bản này đứng đầu chỉ số Speech to Speech của Artificial Analysis với 82,6 điểm, trong khi bản tiêu chuẩn xếp thứ năm với 76 điểm nhưng được người dùng ưa chuộng trong một số tác vụ. Artificial Analysis ước tính chi phí của bản tiêu chuẩn khoảng 0,84 USD cho mỗi giờ âm thanh đầu vào – thấp nhất trong chỉ số của tổ chức này – còn bản Extended Thinking khoảng 3,50 USD/giờ.

Bài viết cũng nhắc tới Gemini 3.5 Transcribe – mô hình ra mắt từ tháng trước – hỗ trợ hơn 85 ngôn ngữ, tự nhận biết khi người nói chuyển ngôn ngữ giữa câu, cho phép nạp danh sách tối đa 1.000 thuật ngữ riêng, lọc từ đệm và có thể xử lý tệp dài tới 1 giờ kèm mốc thời gian, nhãn người nói. Google công bố tỷ lệ lỗi từ 4,0% khi xử lý trực tiếp và 2,6% khi xử lý tệp.

Các mô hình có trên Gemini API và Google AI Studio; The Batch cho biết chúng cũng có trên Vertex AI, và bản Extended Thinking đang vận hành tính năng giọng nói trong ứng dụng Gemini cũng như Google Workspace. Bài viết của Google không nêu cụ thể danh sách ngôn ngữ, nên doanh nghiệp cần tự kiểm tra chất lượng tiếng Việt. The Batch cũng lưu ý Google công bố khá ít chi tiết kỹ thuật, và các quy trình truyền thống qua văn bản trước đây thường dễ kiểm soát hơn.

Ý nghĩa với Lãnh đạo và Doanh nghiệp

Giọng nói là kênh giao tiếp chính của nhiều ngành ở Việt Nam: tổng đài chăm sóc khách hàng, đặt lịch dịch vụ, bán hàng qua điện thoại, hỗ trợ kỹ thuật. Mô hình giọng nói thời gian thực với chi phí dưới 1 USD mỗi giờ âm thanh đầu vào mở ra khả năng tự động hóa một phần các cuộc gọi lặp lại, giảm thời gian chờ của khách.

Khả năng tra cứu hệ thống trong lúc đang nói là điểm then chốt: trợ lý không chỉ trả lời chung chung mà có thể kiểm tra đơn hàng, lịch hẹn, tồn kho thật. Ngoài ra, mô hình chuyển giọng nói thành văn bản với danh sách thuật ngữ riêng rất hữu ích để ghi biên bản họp, phân tích chất lượng cuộc gọi.

Google dẫn ví dụ một doanh nghiệp làm mô phỏng huấn luyện đàm phán đã mở rộng ra hơn 70 ngôn ngữ qua một lần tích hợp – gợi ý ứng dụng cho đào tạo bán hàng nội bộ.

Gợi ý hành động

  • Nên làm: Thử nghiệm chất lượng tiếng Việt (cả giọng Bắc, Trung, Nam) trong Google AI Studio trước khi lên kế hoạch.
  • Nên làm: Bắt đầu với kịch bản hẹp, ít rủi ro như trả lời câu hỏi thường gặp, xác nhận lịch hẹn, có phương án chuyển ngay cho nhân viên.
  • Nên làm: Dùng mô hình chuyển giọng nói thành văn bản để phân tích cuộc gọi hiện có – cách nhanh để tìm ra câu hỏi khách hỏi nhiều nhất.
  • Nên chờ: Chưa nên để trợ lý giọng nói tự xử lý khiếu nại, thanh toán hay thông tin nhạy cảm khi chưa kiểm thử kỹ.
  • Nên chờ: Xem xét kỹ yêu cầu pháp lý về ghi âm, thông báo cho khách hàng khi cuộc gọi do A.I xử lý.

Nguồn

Nguồn tham khảo

Chat ZaloChat với ABMChatĐặt lịch tư vấn