Gemini 3.8 Live مدل صوتبهصوت گوگل برای مکالمه بلادرنگ است. صدا، تصویر، ویدئو و متن میگیرد و میتواند همزمان با گفتگو Function Call اجرا کند. نسخه Extended Thinking برای کاری ساخته شده که به استدلال پسزمینه بیشتری نیاز دارد.
این مدل طبق معرفی رسمی گوگل در ۱۵ سپتامبر ۲۰۲۶ در Gemini API عمومی شد. در زمان انتشار این مقاله، مسیر Live و WebSocket آن در API پاستا ارائه نمیشود؛ بنابراین اتصال مستقیم را ادعا نمیکنیم. این راهنما معماری درست را توضیح میدهد و مرز آن را با API متنی پاستا روشن نگه میدارد.
Voice Agent بومی چه تفاوتی با زنجیره STT و TTS دارد؟
در معماری کلاسیک، صوت به متن تبدیل میشود، مدل متنی پاسخ میسازد و موتور دیگری آن را میخواند. مدل صوتبهصوت میتواند آهنگ، مکث و قطعکردن صحبت را در همان Session نگه دارد. با این حال، ثبت Transcript، کنترل ابزار و مسیر جایگزین هنوز باید در برنامه شما طراحی شود.
Gemini 3.8 Live یا Extended Thinking؟
نسخه Live برای گفتگوی کمتأخیر و پاسخ پیوسته مناسبتر است. Extended Thinking برای تصمیم چندمرحلهای در پسزمینه طراحی شده و ممکن است تأخیر بیشتری داشته باشد. انتخاب را با تماس واقعی فارسی، نویز محیط و لهجه کاربران آزمایش کنید.
معماری امن Voice Agent
- مرورگر یا اپ فقط Token کوتاهعمر دریافت کند؛ کلید اصلی روی سرور بماند.
- Server یک Session محدود و قابل لغو بسازد.
- هر Function با Schema و مجوز مشخص اجرا شود.
- عمل حساس پیش از اجرا تأیید صریح بگیرد.
- Transcript و صوت طبق سیاست نگهداری داده حذف یا رمزنگاری شود.
Transcript را با مدل مناسب خلاصه و دستهبندی کنید.
برای بخش متنی محصول، مدلهای فعال و قیمت تومانی را در کاتالوگ پاستا مقایسه کنید.
Function Calling هنگام گفتگو
ابزار پسزمینه میتواند وضعیت سفارش یا زمان جلسه را بخواند، اما نباید اختیار نامحدود داشته باشد. مدل فقط نام ابزار و ورودی مجاز را پیشنهاد میدهد؛ Server باید هویت، سطح دسترسی و مقدار ورودی را دوباره بررسی کند.
آیا میتوان از API پاستا استفاده کرد؟
برای مسیر اختصاصی Gemini Live فعلاً خیر. اما بخشهای متنی و غیرهمزمان محصول میتوانند جداگانه از API مدلهای Gemini در پاستا استفاده کنند؛ برای مثال خلاصه Transcript، ساخت گزارش مکالمه یا RAG پس از پایان تماس. موجودی دقیق مدلها را از کاتالوگ زنده بخوانید.
چه چیزهایی را پیش از production بسنجیم؟
- زمان تا اولین صوت و تأخیر پاسخ بعد از قطع صحبت؛
- کیفیت فارسی و نامهای خاص روی تماس واقعی؛
- رفتار هنگام قطع WebSocket و بازیابی Session؛
- دقت Function Call و نرخ نیاز به اپراتور؛
- هزینه هر دقیقه و هر تماس کامل.