Le 15 septembre 2026, Google a annoncé Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking, présentés comme ses « most advanced live dialogue models yet » — ses modèles de dialogue en direct les plus avancés à ce jour. Deux variantes, deux usages : l’une pour la conversation rapide à grande échelle, l’autre pour les tâches complexes qui demandent du raisonnement.
Gemini 3.8 Live est décrit comme « built for scale and cost efficiency » : intelligence conversationnelle, dialogue fluide, ancrage visuel. Il traite les entrées visuelles en quasi temps réel, détecte et bascule automatiquement entre 97 langues en cours de conversation, et exécute les appels d’outils et d’API en arrière-plan pendant que la discussion continue. Il décroche la deuxième place du Speech Agent Arena et alimente l’expérience Search Live.
Gemini 3.8 Live Extended Thinking vise les workflows complexes. Sa particularité : il raisonne et parle en même temps. Concrètement, il utilise des amorces verbales comme « Let me check that… » pour accuser réception d’une demande, puis narre sa progression pendant qu’il exécute des tâches multi-étapes en arrière-plan — sans couper la conversation. Côté chiffres, Google annonce la première place du Speech to Speech Quality Index d’Artificial Analysis (82.6), 68.6 % sur τ-Voice, 35.1 % sur le benchmark τ-Voice-banking de Sierra, et 97.7 % sur Big Bench Audio. Le tout « à un prix très compétitif face aux autres modèles frontière ».
Pourquoi c’est important
Jusqu’ici, l’IA vocale temps réel avait un défaut structurel : soit elle répondait vite mais bêtement, soit elle réfléchissait mais restait muette pendant plusieurs secondes. Le « raisonne et parle simultanément » attaque directement ce compromis. C’est précisément ce qui rendait les agents vocaux pénibles en production : un blanc de cinq secondes et l’utilisateur croit que ça a planté.
C’est aussi une réponse directe au reste du marché. Alors que Dario Amodei appelle à ralentir la course aux capacités, Google accélère : troisième modèle Flash en six semaines début septembre, puis deux modèles Live en quinze jours. La course continue, et elle se déplace maintenant sur le terrain de la latence.
Ce que ça change pour les devs et le web
- L’infra temps réel est déjà là. Google cite Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel et Vision Agents comme plateformes compatibles avec la Live API. Vous ne gérez plus le streaming média : vous branchez le modèle et vous vous concentrez sur l’UX.
- Vercel dans la liste est un signal. Si vous déployez déjà sur Vercel, les modèles vocaux temps réel passent par l’AI Gateway — pas besoin de monter un serveur WebSocket maison.
- Le tool-calling en arrière-plan est le vrai gain d’ingénierie. Les appels d’API longs ne bloquent plus la parole. Repensez vos UX d’agents vocaux : plus besoin de faire patienter l’utilisateur en silence, le modèle meuble et narre ce qu’il fait.
- 97 langues en cours de conversation. Pour un service francophone, la barrière de la langue sur les agents vocaux tombe : on peut démarrer en français et finir en anglais sans changer de session.
Disponibilité : Gemini API et Google AI Studio pour les devs, preview privée dans Gemini Enterprise, Workspace (Docs Live, Gmail Live, Keep Live), l’app Gemini, Gemini Live pour les abonnés Google AI Pro/Ultra et Search Live pour tout le monde.