Vous le coupez en pleine phrase, il ne se fige plus. Il continue de chercher votre référence en arrière-plan tout en vous répondant, sans le blanc de deux secondes habituel. Dévoilés le 15 septembre 2026 par Google DeepMind, Gemini 3.8 Live et sa variante Extended Thinking veulent effacer le temps mort des agents vocaux.
À retenir
- Google lance le 15 septembre 2026 deux modèles audio-à-audio natifs basés sur Gemini 3 Pro, avec 131 072 jetons en entrée et 65 536 en sortie.
- Architecture de bout en bout, sans cascade reconnaissance vocale / modèle de langage / synthèse, avec gestion native de 97 langues et changement de langue en cours de phrase.
- Appels d’outils asynchrones : l’agent parle pendant qu’il exécute une API, et l’écoute proactive évite les réponses intempestives.
- Gemini 3.8 Live Extended Thinking décroche 82,6 points au Speech-to-Speech Quality Index, devant GPT-Live-1 Astra (81,5).
- Les tarifs commencent à 0,004 € la minute d’entrée et 0,015 € la minute de sortie, complétés par Gemini 3.5 Transcribe à 2,6 % d’erreur.
Le temps réel vocal devient utilisable en production. Pour les développeurs et les PME qui déploient du support client, des services de santé ou du commerce, l’enjeu est double : gagner en efficacité sans latence perceptible et maîtriser les coûts à grande échelle.
La fin de la cascade audio-texte-audio
Cette mise à jour change la tuyauterie invisible de la voix artificielle, et surtout son ressenti à l’usage.
Une architecture qui parle directement
Les assistants historiques empilent trois briques : reconnaissance vocale, grand modèle de langage, puis synthèse vocale. Chaque étape ajoute de la latence et des erreurs de transcription. Gemini 3.8 Live adopte le Speech-to-Speech natif, un traitement audio-à-audio de bout en bout où le son d’entrée produit directement du son de sortie. Le modèle repose sur Gemini 3 Pro pour le raisonnement et le contexte long. La fenêtre atteint 131 072 jetons en entrée et 65 536 en sortie, de quoi garder en mémoire une longue conversation et des documents.
Deux modèles pour deux usages
Google scinde l’offre entre vitesse et raisonnement. Gemini 3.8 Live standard privilégie une latence très faible et un coût adapté aux gros volumes. Gemini 3.8 Live Extended Thinking lance un raisonnement en arrière-plan, en parallèle de la parole. Il peut ainsi traiter les requêtes en plusieurs étapes qui demandent calculs et vérifications sans couper le flux vocal. Les deux variantes sont disponibles dès maintenant via la Live API dans Google AI Studio, ainsi que dans Search Live et l’application Gemini.
97 langues sans appuyer sur un bouton
Le système détecte la langue à la volée et bascule au milieu d’une phrase. Cette fonction, appelée code-switching, couvre 97 langues et dialectes dans une même session. Un utilisateur peut commencer en français, glisser un terme en anglais, puis revenir en français sans relancer la session. Pour la France et l’Europe, l’intérêt est concret : support client transfrontalier, équipes hybrides et parcours touristiques. Cette continuité évite les ruptures qui cassent la confiance dans un échange vocal.
La Live API qui garde la conversation ouverte
Pour les développeurs, le changement le plus visible tient à la gestion du temps : l’agent peut parler et agir en même temps.
Parler pendant que l’outil travaille
La nouveauté centrale est l’asynchronous function calling, l’appel de fonctions asynchrone. Concrètement, l’agent déclenche une requête API ou une recherche en base tout en continuant à dialoguer. Le protocole ne bloque plus le tour de parole lorsque le paramètre turnComplete: true est envoyé. Le serveur reste à l’écoute des signaux d’arrière-plan et peut expliquer où en est la recherche. L’utilisateur n’entend plus le silence technique, même si la tâche prend plusieurs secondes.
Avec le mode full-duplex, l’utilisateur peut interrompre l’agent à tout moment sans désynchroniser la session. L’écoute proactive (proactive audio) garde l’agent silencieux tant qu’on ne l’interpelle pas. L’injection de contexte via send_client_content ajoute des données structurées sans imposer un tour de parole artificiel.
Voir, écouter et mieux épeler
Le visual grounding fait entrer la multimodalité dans les échanges temps réel : le modèle raisonne à la fois sur la voix et le flux vidéo d’une caméra ou d’un partage d’écran. Il peut guider un dépannage en voyant la pièce ou lire un formulaire affiché. La précision alphanumérique progresse aussi pour les codes, références et identifiants sensibles. Google annonce une meilleure capture des suites de lettres et de chiffres, décisive pour les codes d’authentification ou les numéros de suivi. Cette précision réduit les demandes de répétition qui plombent l’expérience vocale.
Une suite audio cohérente
L’écosystème ne s’arrête pas au dialogue. Lancé fin août 2026, Gemini 3.5 Transcribe sert de moteur de transcription pour les pipelines texte. Il existe en deux formes : gemini-3.5-transcribe-live pour le streaming à latence inférieure à la seconde, et gemini-3.5-transcribe pour les fichiers. La Smart Transcription supprime les hésitations type « euh » et intègre les auto-corrections orales. Le système gère plus de 85 langues, la diarisation jusqu’à trois locuteurs et 1 000 termes de vocabulaire métier personnalisé.
Performances, coûts et garde-fous à prévoir
Les chiffres indépendants placent l’offre en tête, mais les limites restent à regarder de près.
Premiers sur les bancs d’essai vocaux
Sur le Speech-to-Speech Quality Index d’Artificial Analysis, Gemini 3.8 Live Extended Thinking obtient 82,6 points et prend la tête du classement mondial, devant GPT-Live-1 Astra à 81,5 et Grok Voice Think Fast 2.0 à 81,3. La version standard atteint 76,0 points, soit 4,5 points de plus que Gemini 3.1 Flash Live. Sur les tests d’agenticité, le modèle affiche 68,6 % de tâches réussies sur tau-Voice et 35,1 % sur Sierra tau-Voice-banking, un banc bancaire exigeant. Le raisonnement audio pur atteint 97,7 % sur Big Bench Audio.
| Modèle | Score Speech-to-Speech Quality Index | Source |
|---|---|---|
| Gemini 3.8 Live Extended Thinking | 82,6 | Artificial Analysis |
| GPT-Live-1 Astra | 81,5 | Artificial Analysis |
| Grok Voice Think Fast 2.0 High | 81,3 | Artificial Analysis |
| Gemini 3.8 Live | 76,0 | Artificial Analysis |
La voix native n’est utile que si elle reste exacte sous pression opérationnelle.
Analyse de ServiceNow sur EVA-Bench
Tous les flux audio générés intègrent le filigrane invisible SynthID de Google pour la traçabilité. C’est utile pour la sécurité en entreprise, sans garantir l’authenticité perçue côté utilisateur.
Transcrire mieux pour payer moins
L’association de Live et Transcribe vise aussi à réduire les coûts d’exploitation. Gemini 3.5 Transcribe affiche 2,6 % d’erreur en mode fichier via l’Interactions API et 4,0 % en streaming via la Live API, selon Artificial Analysis. Google revendique 70 % de temps gagné sur la transcription finale par rapport à Chirp 3 et 5,04 % d’erreur sur le test multilingue FLEURS. Côté tarifs, Gemini 3.8 Live est facturé environ 0,005 $ la minute d’entrée et 0,018 $ la minute de sortie, soit environ 0,004 € et 0,015 € la minute au taux de 0,85 € pour 1 $. Gemini 3.5 Transcribe coûte environ 0,005 $ la minute en fichier (0,004 €) et 0,009 $ en streaming (0,008 €). La question du prix est traitée dans le test de Voicemy.
Le contrepoint : dépendance, latence réelle et écueils
Ces chiffres laissent trois angles morts. La promesse « sans latence ressentie » dépend du réseau et de l’orchestration : en full-duplex, une connexion WebRTC dégradée réintroduit des coupures. La variante Extended Thinking améliore le raisonnement, mais augmente aussi le coût de sortie, le poste le plus cher. Enfin, une meilleure précision sur les codes n’élimine pas le risque d’hallucination audio sur des références critiques. Pour les cas bancaires ou de santé, une vérification textuelle reste recommandée.
L’écosystème partenaire réduit aussi la friction d’intégration. LiveKit, Pipecat, Agora, LangChain, Vercel, Fishjam et Vision Agents proposent des connecteurs qui gèrent le réseau et la distribution. Des déploiements sont annoncés chez Salesforce, Genspark, Lumeris et IntelliTek Health pour du support client et de la transcription clinique. Il reste à définir la gouvernance vocale et le contrôle qualité.
La voix en temps réel quitte le prototype pour devenir un outil d’exploitation. Le prochain test ne se jouera plus sur un banc d’essai, mais dans le quotidien : bruit d’open space, accents et interruptions. C’est là que l’adoption se gagnera.
Laisser un commentaire
Vous devez vous connecter pour publier un commentaire.