Google का नया वॉइस एआई (Voice AI) एक ही समय में बात कर सकता है, देख सकता है और काम निपटा सकता है

15 सितंबर 2026 को Google ने दो रियल-टाइम वॉइस मॉडल लॉन्च किए:

• Gemini 3.8 Live — "built for scale and cost efficiency," यानी स्केल और लागत-दक्षता के लिए बनाया गया; इसमें संवाद-कुशलता (conversational intelligence), सहज बातचीत, विजुअल ग्राउंडिंग (लगभग रियल-टाइम वीडियो/इमेज इनपुट), बातचीत के बीच 97 भाषाओं में स्वतः स्विचिंग, और बातचीत जारी रहते हुए टूल्स/API कॉल्स का बैकग्राउंड एक्जीक्यूशन शामिल है। मूल्य: ऑडियो इनपुट $0.005/मिनट और ऑडियो आउटपुट $0.018/मिनट। रोलआउट: Gemini API, Google AI Studio (डेवलपर्स); Gemini Enterprise में प्राइवेट प्रीव्यू (एंटरप्राइजेज); Google ऐप में Search Live (उपभोक्ता)।
• Gemini 3.8 Live Extended Thinking — "built for high-complexity tasks," यानी उच्च-जटिलता वाले कार्यों के लिए बनाया गया; इसमें कॉन्फ़िगर करने योग्य बैकग्राउंड रीज़निंग (थिंकिंग लेवल low/medium/high) जोड़ी गई है, जो मॉडल के बोलते रहते हुए चलती है ("reasons and speaks simultaneously"), केवल असिंक्रोनस नॉन-ब्लॉकिंग टूल कॉल्स, तथा लाइव प्रोग्रेस नैरेशन ("Let me check that…") जो बातचीत में पड़ने वाली खामोशी (dead air) को खत्म करता है। Google का कहना है कि यह Artificial Analysis के Speech-to-Speech Quality Index पर पहले स्थान (#1) पर है (82.6)। रोलआउट: Gemini API / AI Studio; Gemini Enterprise में प्राइवेट प्रीव्यू; Gemini Live ऐप; Workspace Docs Live (Google AI Pro/Ultra सब्सक्राइबर); Gmail Live और Keep Live (सभी Google AI सब्सक्राइबर)।

दोनों मॉडल Gemini Live API के जरिए उपलब्ध हैं (स्टेटफुल WebSocket, कच्चा 16kHz PCM ऑडियो इन, JPEG फ्रेम्स ~1fps, स्ट्रीमिंग ऑडियो आउट), और पहले ही दिन Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel तथा Vision Agents के इंटीग्रेशन के साथ आते हैं, जबकि लॉन्च पार्टनर Salesforce, Genspark और Lumeris शामिल हैं। हर AI-जनित ऑडियो पर SynthID वॉटरमार्क लगाया जाता है।

CONFIRMED। Google (Google DeepMind) ने 15 सितंबर 2026 को दो नए नेटिव स्पीच-टू-स्पीच लाइव डायलॉग मॉडल पेश किए — Gemini 3.8 Live और Gemini 3.8 Live Extended Thinking — आधिकारिक Google ब्लॉग ("Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking", Gemini Audio Team की ओर से Tom Ouyang (Principal Engineer) और Malini Jaganathan (Member of Technical Staff) द्वारा), एक साथी डेवलपर पोस्ट, अद्यतन Gemini API डॉक्युमेंटेशन तथा एक DeepMind मॉडल कार्ड के जरिए। रोलआउट उसी दिन Gemini API, Google AI Studio, Search Live, Gemini Live और Google Workspace की सतहों पर शुरू हुआ। इस तिथि की पुष्टि कई स्वतंत्र मीडिया संस्थानों (9to5Google, The Decoder, Search Engine Land, TechTarget, Thurrott, Jetstream, AI Buzz Wire, TechRepublic) ने भी की है। इस स्टोरी के भीतर क्षमता-संबंधी दावे (97 भाषाएं, बैकग्राउंड टूल एक्जीक्यूशन, बेंचमार्क स्कोर) COMPANY CLAIM हैं, जब तक तीसरे पक्ष की माप से स्वतंत्र रूप से सत्यापित न हों (Artificial Analysis द्वारा आंशिक रूप से स्वतंत्र माप हुआ है, जिसे datanorth.ai तथा कुछ अन्य मीडिया ने रिपोर्ट किया)।

डिस्कवरी में तय किया गया ढांचा सत्यापित है: इस रिलीज को व्यापक रूप से OpenAI के GPT-Live-1 (लॉन्च 10 सितंबर 2026, यानी पांच दिन पहले) का Google का सीधा जवाब माना जा रहा है, और यह Gemini 3.8 परिवार (Flash तथा Flash Cyber, 2 सितंबर 2026) को आगे बढ़ाता है।

FACT: Google अब प्रोडक्शन-ग्रेड, नेटिवली स्पीच-टू-स्पीच वॉइस मॉडल दे रहा है — जिनमें ASR→LLM→TTS कैस्केड की जरूरत नहीं — जो एक ही लाइव सत्र के भीतर देख, सोच और काम कर सकते हैं।

पिछली स्थिति की तुलना में मुख्य बदलाव:

• लेटेंसी आर्किटेक्चर (Latency architecture): एक ही नेटिव स्पीच-टू-स्पीच मॉडल, बनिस्बत कैस्केडेड पाइपलाइनों के जो Google/तीसरे पक्ष के अनुमान के अनुसार 450–1,000 ms जोड़ती हैं; Google अपनी स्थिति sub-200 ms एंड-टू-एंड बताता है (COMPANY CLAIM / EARLY RESEARCH — इस समय स्वतंत्र रूप से मापा नहीं गया)।
• रीज़निंग मॉडल का बंटवारा: एक कम-लेटेंसी, वॉल्यूम वाला SKU (3.8 Live, इंटरलीव्ड रीज़निंग) और एक उच्च-रीज़निंग SKU (Extended Thinking, बैकग्राउंड रीज़निंग + नैरेटेड प्रोग्रेस) — यह जानबूझकर बनाया गया दो-SKU उत्पाद आर्किटेक्चर है, जो Live API में पहले मौजूद gemini-3.1-flash-live-preview की जगह लेता है।
• संवाद की स्टेट मशीन (Conversational state machine): Extended Thinking के साथ turnComplete अब किसी इंटरैक्शन के अंत का संकेत नहीं देता; क्लाइंट्स को interaction_status (IN_PROGRESS / IDLE) ट्रैक करना होगा। यह वॉइस-एजेंट डेवलपर्स के लिए एक नया क्लाइंट-साइड कॉन्ट्रैक्ट है।
• डिफ़ॉल्ट रूप से असिंक टूल्स: 3.8 Live पर नॉन-ब्लॉकिंग NON_BLOCKING फंक्शन कॉलिंग डिफ़ॉल्ट है और Extended Thinking पर यही एकमात्र मोड है (ब्लॉकिंग मोड पर सख्त एरर मिलता है) — यानी ऑडियो स्ट्रीम होते हुए भी टूल्स चलते रहते हैं।
• उपभोक्ता सतहों में विजुअल ग्राउंडिंग: Search Live (Google ऐप का "Live" आइकन) उपयोगकर्ताओं को कैमरा किसी चीज की ओर करके बातचीत के अंदाज में सवाल पूछने देता है, साथ में ट्रांसक्रिप्ट लिंक और AI Mode हिस्ट्री भी।
• मूल्य (Pricing): $0.005/मिनट इन / $0.018/मिनट आउट (प्रकाशित दरों पर ओवरलैप वाली बातचीत के लिए लगभग $1.38/घंटा), जो OpenAI के GPT-Live-1 फ्रंट-एंड के $0.05/मिनट (≥$3.00/घंटा) से कम है — मूल्य-संबंधी यह COMPANY CLAIM स्वतंत्र मीडिया (The Decoder, TPS, BitsMinds, BibiGPT) द्वारा पुष्ट है, और datanorth.ai द्वारा रिपोर्ट किए गए Artificial Analysis के प्रति-घंटा लागत मापों से मोटे तौर पर मेल खाता है (3.8 Live के लिए $0.84/घंटा, Extended Thinking इनपुट-ऑडियो के लिए $3.50/घंटा, बनिस्बत GPT-Live-1 Astra के $5.83/घंटा)।

पहले (10–14 सितंबर 2026): OpenAI के GPT-Live-1 (10 सितंबर) ने $0.05/मिनट पर फुल-डुप्लेक्स बातचीत के साथ रियल-टाइम वॉइस की सीमा तय कर दी थी (बैकएंड का बिल अलग से); Google का सबसे अच्छा लाइव विकल्प gemini-3.1-flash-live-preview और Gemini 3.8 Flash (2 सितंबर) था — यानी एक मल्टीमोडल स्पीड मॉडल, डायलॉग मॉडल नहीं; ज्यादातर वॉइस एजेंट अब भी कैस्केडेड ASR+LLM+TTS स्टैक पर चलते थे जो टूल कॉल्स के दौरान अटक जाते थे ("dead air"); वॉइस असिस्टेंट काफी हद तक टर्न-बेस्ड थे।

बदलाव (15 सितंबर 2026): Live API में दो स्थिर नेटिव स्पीच-टू-स्पीच मॉडल ID (gemini-3.8-live, gemini-3.8-live-extended-thinking), जिनमें सेशन के भीतर रीज़निंग, विजुअल ग्राउंडिंग, 97 भाषाओं की ऑटो-स्विचिंग, बैकग्राउंड असिंक टूल्स, नैरेटेड प्रोग्रेस, और OpenAI फ्रंट-एंड की तुलना में लगभग ~7x सस्ता प्रति-घंटा मूल्य बिंदु (Artificial Analysis के इनपुट-ऑडियो माप पर)।

बाद में: डेवलपर्स ऐसे वॉइस एजेंट बना सकते हैं जो एक साथ बोलें, देखें, सोचें और काम करें; Google की डिफ़ॉल्ट उपभोक्ता सतहें (Search Live, Gemini ऐप, Workspace Docs/Gmail/Keep) नए मॉडलों पर चलती हैं; एंटरप्राइजेज Gemini Enterprise में इन मॉडलों का प्राइवेट प्रीव्यू ले सकते हैं; और उद्योग का डिफ़ॉल्ट वॉइस-एजेंट UX "सोचते समय खामोशी" से बदलकर "नैरेटेड बैकग्राउंड काम" हो जाता है।

FACT (आधिकारिक डॉक्स और मॉडल कार्ड से): दोनों मॉडल Gemini 3 सीरीज ("Gemini 3.8 Audio") के भीतर नेटिवली मल्टीमोडल ऑडियो मॉडल हैं, जो ऑडियो, वीडियो और टेक्स्ट की निरंतर स्ट्रीम प्रोसेस करके रियल टाइम में बोलकर जवाब देते हैं। तकनीकी विशेषताएं:

• इनपुट/आउटपुट: टेक्स्ट, इमेज, ऑडियो, वीडियो इन; टेक्स्ट + ऑडियो आउट। 131,072-टोकन इनपुट विंडो (मॉडल कार्ड: "up to 128K"), 65,536-टोकन आउटपुट।
• ट्रांसपोर्ट (Transport): स्टेटफुल WebSocket पर Gemini Live API; कच्चा 16 kHz PCM ऑडियो इन, JPEG इमेज (अधिकतम ~1 फ्रेम/सेकंड), टेक्स्ट; आउटपुट ~24 kHz ऑडियो (तृतीय-पक्ष डॉक्युमेंटेशन सारांशों के अनुसार)।
• 3.8 Live: लेटेंसी के लिए अनुकूलित इंटरलीव्ड रीज़निंग; NON_BLOCKING असिंक फंक्शन कॉलिंग डिफ़ॉल्ट है (बैकवर्ड कम्पैटिबिलिटी के लिए ब्लॉकिंग मोड उपलब्ध); स्पष्ट user/model रोल्स के साथ पूरे सेशन का send_client_content; वीडियो फ्रेम डिफ़ॉल्ट रूप से टर्न्स में शामिल।
• 3.8 Live Extended Thinking: बैकग्राउंड रीज़निंग thinking_config से नियंत्रित (thinking_level: low/medium/high; MINIMAL समर्थित नहीं); केवल असिंक नॉन-ब्लॉकिंग टूल्स (फंक्शन शेड्यूलिंग समर्थित नहीं); प्रोएक्टिव ऑडियो स्थायी रूप से चालू; क्लाइंट्स interaction_status (IN_PROGRESS → IDLE) पर नजर रखते हैं, क्योंकि turnComplete केवल एक उच्चारण (utterance) को समाप्त करता है; मॉडल एक ही इंटरैक्शन के भीतर कई बोले गए सेगमेंट दे सकता है (स्वीकृति, प्रोग्रेस नैरेशन, अंतिम उत्तर)।
• सुरक्षा (Safety): हर AI-जनित ऑडियो आउटपुट पर SynthID वॉटरमार्क होता है; मॉडल कार्ड में बताया गया है कि Frontier Safety Framework मूल्यांकन (Gemini 3.7 Flash परिणामों पर आधारित) में कोई Tracked/Critical Capability Level संभावित नहीं मिला; ज्ञान कटऑफ (knowledge cutoff) जनवरी 2025।

COMPANY CLAIM: "sub-200 ms" एंड-टू-एंड लेटेंसी की स्थिति तथा नीचे दिए गए विशिष्ट बेंचमार्क स्कोर।

बेंचमार्क (जहां चिह्नित न हो, COMPANY CLAIM): Extended Thinking — Artificial Analysis Speech-to-Speech Quality Index 82.6 (कुल मिलाकर #1), τ-Voice एजेंटिक टास्क पूर्णता 68.6%, Sierra τ-Voice-banking 35.1%, Big Bench Audio 97.7%; 3.8 Live — Speech Agent Arena में 2nd स्थान (दूसरा स्थान); जटिल वर्कफ़्लो के लिए ServiceNow EVA-Bench Pareto-frontier परिणाम। स्वतंत्र माप (Artificial Analysis, जैसा datanorth.ai ने रिपोर्ट किया): Extended Thinking 82.6 बनिस्बत GPT-Live-1 Astra 81.5; τ-Voice 68.6% बनिस्बत 67.9%; τ-Voice-banking 35.1% बनिस्बत 32.0%; Full Duplex Bench 91.9% बनिस्बत 94.9% (यहां OpenAI अब भी आगे है); टाइम-टू-फर्स्ट-ऑडियो 1.35 s बनिस्बत 1.34 s; प्रति-घंटा इनपुट-ऑडियो लागत $3.50 बनिस्बत $5.83 (बेस 3.8 Live: ~$0.84/घंटा, 76.0 इंडेक्स स्कोर)। ध्यान दें: datanorth.ai ने GPT-Live-1 वाली पंक्ति को एकल ट्रायल बताया है (अधिकतर मॉडलों को तीन ट्रायल मिलते हैं), यानी OpenAI का आंकड़ा ज्यादा शोरग्रस्त (noisier) है।

1. वॉइस-इंटरफेस की दौड़ को अब एक मूल्य-आधार (price anchor) मिल गया है। Google ने लागत पर OpenAI के GPT-Live-1 (और xAI के Grok Voice Think Fast 2.0) को बड़े अंतर से कम किया है, जबकि गुणवत्ता सूचकांकों पर लगभग बराबरी या थोड़ा आगे है — यही "स्केल + लागत" वाली चाल है जो Google पहले भी सफलतापूर्वक खेल चुका है।
2. "Dead air" अब हल हुआ दिखने वाली समस्या बन गई है। Extended Thinking की नैरेटेड बैकग्राउंड रीज़निंग हर वॉइस एजेंट के लिए उपयोगकर्ता की अपेक्षाएं बदल देती है; प्रतिस्पर्धियों के UX को इसी से नापा जाएगा।
3. डिस्ट्रीब्यूशन। यह Google की सतहों (Search, Android, Workspace, Gemini ऐप) पर डिफ़ॉल्ट असिस्टेंट अनुभव को अपग्रेड करता है — अरबों उपयोगकर्ता — और वॉइस-एजेंट क्षमता को डिफ़ॉल्ट सुविधा बना देता है, जो डिस्कवरी के "अरबों Android/Google उपयोगकर्ता" ढांचे से मेल खाता है।
4. आर्किटेक्चरल बयान। भाषण, रीज़निंग और टूल एक्जीक्यूशन को एक ही स्टेटफुल सेशन में रखना (OpenAI के अलग फ्रंट-एंड/बैक-एंड डिज़ाइन के मुकाबले) यह दांव है कि सरलता डेवलपर अपनाव (adoption) जीतेगी।
5. सप्ताह का संदर्भ: यह OpenAI के GPT-Live-1 के पांच दिन बाद, Apple के Siri AI इवेंट (14 सितंबर) के दो दिन बाद, और xAI के Voice Agent API ($0.08/मिनट, 17 सितंबर) वाले उसी सप्ताह में आता है — वॉइस-एजेंट प्लेटफॉर्म युद्ध अब इस सप्ताह की सबसे केंद्रित प्रतिस्पर्धी स्टोरी है।

• बोलते-बोलते असली काम करने वाले वॉइस एजेंट: बुकिंग फ्लो, अकाउंट जांच, रिफंड, ट्रबलशूटिंग — टूल्स असिंक चलते हैं जबकि मॉडल नैरेट करता है ("Let me check that…"), इसलिए जटिल कार्यों के लिए अब खामोशी या "hold music" की जरूरत नहीं।
• लूप में विज़न वाली बातचीत: फोन का कैमरा किसी समस्या की ओर करना (Search Live डेमो: एक लीक होता पाइप) और कैमरा जो देख रहा है उसके बारे में लगभग रियल टाइम में सहज बातचीत करना।
• एक ही मॉडल पर मिश्रित-भाषा बातचीत: बातचीत के बीच 97 भाषाओं में स्वतः पहचान + स्विचिंग, उच्चारण (accent) की निरंतरता के साथ।
• पहले असंभव यूनिट इकोनॉमिक्स पर प्रोडक्शन वॉइस एजेंट: उदाहरण के लिए 10,000 घंटे के वॉइस ट्रैफिक पर लगभग ~$13,800/महीना, बनिस्बत GPT-Live-1 फ्रंट-एंड मूल्य पर $30,000+ (TPS अनुमान)।
• बैकएंड ऑर्केस्ट्रेशन के बिना सेशन के भीतर रीज़निंग: हर कठिन सवाल के लिए डेवलपर्स को अलग रीज़निंग मॉडल तक साइडबैंड कॉन्टेक्स्ट भेजने की जरूरत अब नहीं।

• स्टेटफुल असिंक डायलॉग एक प्रथम-श्रेणी का API कॉन्ट्रैक्ट: interaction_status, turnComplete का अर्थ, और Extended Thinking पर केवल-असिंक टूल एक्जीक्यूशन एक नई क्लाइंट स्टेट मशीन मांगते हैं (listening / speaking / awaiting-tool / recovering / idle)। टर्न-बेस्ड API के लिए बनाए गए क्लाइंट्स गलत व्यवहार करेंगे (INTERPRETATION, जिसे Google के अपने डॉक्स और तृतीय-पक्ष गाइड मजबूती से समर्थन देते हैं)।
• नेटिव स्पीच-टू-स्पीच कैस्केड्स को हटा रहा है: ASR→LLM→TTS पाइपलाइनें (450–1,000 ms का जुर्माना) वॉइस-एजेंट वर्कलोड के लिए घटिया डिफ़ॉल्ट बन जाती हैं।
• मोडल जटिलता: दोनों मॉडल मल्टीमोडल-लाइव हैं (वॉइस प्राथमिक, विज़न कॉन्टेक्स्ट); Live एंडपॉइंट्स पर स्ट्रक्चर्ड आउटपुट, कोड एक्जीक्यूशन और कैशिंग समर्थित नहीं हैं — जिन टीमों को ये चाहिए, उन्हें सेशन के इर्द-गिर्द ऑर्केस्ट्रेशन करना होगा।
• डुप्लेक्स अंतराल (Duplex gap): स्वतंत्र बेंचमार्क डेटा दिखाता है कि Full Duplex Bench पर GPT-Live-1 आगे है (94.9 बनिस्बत 91.9) — Google की "रुकावटों के साथ सहज बातचीत" शायद अभी OpenAI के सच्चे साथ-साथ सुनने-बोलने के बराबर नहीं है। EARLY RESEARCH / हाथों-हाथ सत्यापन चाहिए।
• प्रीव्यू की चेतावनी: मॉडल ID स्थिर हैं, लेकिन Live API स्वयं अभी भी Preview में है (कई डेवलपर-केंद्रित लेखों के अनुसार) — मॉडल नाम पिन करें, इवेंट लॉग करें, और SDK बदलावों के बाद canaries दोबारा चलाएं।

• स्विच पाथ: मौजूदा gemini-3.1-flash-live-preview उपयोगकर्ताओं को दस्तावेजीकृत माइग्रेशन मिलता है (डिफ़ॉल्ट NON_BLOCKING टूल्स, नया send_client_content व्यवहार, टर्न्स में डिफ़ॉल्ट रूप से वीडियो)।
• लागत वक्र (Cost curve): $0.005/मिनट इन / $0.018/मिनट आउट; Extended Thinking इसके अतिरिक्त रीज़निंग टोकन और अतिरिक्त इनपुट (वीडियो) का बिल लेता है; लंबी बातचीत पर रीज़निंग-टैक्स के लिए बजट रखें — बेस Live के लिए "$0.84/घंटा" और Extended Thinking के लिए "$3.50/घंटा" वाला आंकड़ा इनपुट-ऑडियो का माप है, कुल बिल नहीं।
• इकोसिस्टम की तैयारी: Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel, Vision Agents के पहले-दिन के इंटीग्रेशन का मतलब है कि मौजूदा वॉइस स्टैक ऑर्केस्ट्रेशन बदले बिना इन्हें अपना सकते हैं।
• स्टेट मैनेजमेंट अब शुद्धता (correctness) का मुद्दा है: Extended Thinking पर fire-and-forget turnComplete लॉजिक अंतिम ऑडियो गिरा देगा; interaction_status पर नजर रखें और सेशन को IDLE तक स्ट्रीम करते रहें।
• सेशन सीमाएं: रिपोर्ट किए गए 15-मिनट ऑडियो-ओनली / 2-मिनट ऑडियो+वीडियो सेशन कैप (एकल द्वितीयक स्रोत — UNVERIFIED) लंबे वर्कफ़्लो के लिए सेशन-रेज़्यूमेशन डिज़ाइन की ओर इशारा करते हैं।

• कस्टमर-एक्सपीरियंस एजेंट: Salesforce, Genspark, Lumeris, ServiceNow और 11Sight नामित लॉन्च/टेस्टिमोनियल पार्टनर हैं; Extended Thinking का नैरेटेड टूल उपयोग सपोर्ट, सेल्स और क्लेम्स वर्कफ़्लो में फिट बैठता है (τ-Voice-banking 35.1% बनिस्बत 32.0% GPT-Live-1 Astra — स्वतंत्र माप)।
• Gemini Enterprise: लॉन्च पर प्राइवेट प्रीव्यू; Gemini Enterprise for Customer Experience और Workspace बिजनेस टियर "coming soon" — एंटरप्राइजेज को अभी GA समानता (parity) नहीं माननी चाहिए।
• लागत-संवेदनशील स्केल: उच्च-वॉल्यूम वॉइस डिप्लॉयमेंट (सपोर्ट लाइन, टेलीफोनी बॉट) को OpenAI के फ्रंट-एंड मूल्य की तुलना में नाटकीय रूप से बेहतर यूनिट इकोनॉमिक्स मिलते हैं।
• अनुपालन सतह (Compliance surface): SynthID वॉटरमार्किंग AI-प्रकटीकरण दायित्वों को सहारा देती है (EU AI Act पारदर्शिता, राज्य-स्तरीय चैटबॉट कानून); लेकिन एंटरप्राइज वॉइस एजेंट इस सप्ताह के प्रमुख गवर्नेंस विषयों को छूते हैं — एजेंट स्वायत्तता, ऑडिट ट्रेल्स और मिसअलाइनमेंट जोखिम (देखें S01, S02)।
• विक्रेता रणनीति (Vendor strategy): एंटरप्राइजेज के पास अब एक विश्वसनीय दूसरा फुल-स्टैक रियलटाइम-वॉइस विक्रेता है; मल्टी-मॉडल वॉइस आर्किटेक्चर (लागत/विज़न के लिए Gemini, फुल-डुप्लेक्स अनुभव के लिए GPT-Live-1) अब रक्षायोग्य खरीद (procurement) स्थिति बनते हैं।

• Google की प्लेबुक: कच्ची बातचीत-निष्ठा (conversational fidelity) के बजाय लागत + डिस्ट्रीब्यूशन + इंटीग्रेशन पर जीतना — पिछली ऑडियो/वीडियो रिलीजों का वही पैटर्न (The Decoder, TPS)। Google दांव लगा रहा है कि डिफ़ॉल्ट असिस्टेंट अनुभव सर्वश्रेष्ठ-इन-क्लास डेमो को हरा देगा।
• OpenAI की प्रतिक्रिया का जोखिम: GPT-Live-1 10 सितंबर को Google की वॉइस-लेयर कीमत से 10x पर लॉन्च हुआ; कुछ ही महीनों में मूल्य कटौती या सस्ता टियर आने की उम्मीद करें (PREDICTION, जिसे TPS ने स्वतंत्र रूप से चिह्नित किया)।
• xAI का पलटवार: xAI ने 17 सितंबर को $0.08/मिनट पर अपना Voice Agent API और एक नो-कोड बिल्डर जारी किया — यह अलग लेन है (टेलीफोनी/एजेंटिक), जो दिखाती है कि वॉइस लेयर "संवाद मॉडल" बनाम "एजेंट प्लेटफॉर्म" में बंट रही है।
• बेंचमार्क युद्ध: Google, OpenAI और xAI में हर कोई अलग-अलग टेस्ट का हवाला देता है (Speech-to-Speech Quality Index बनाम Full Duplex Bench बनाम आंतरिक एजेंटिक सुइट); इनमें से कोई भी उत्पादन-विश्वसनीयता का निष्पक्ष माप नहीं है (INTERPRETATION, जिसे कई स्वतंत्र मीडिया साझा करते हैं)।
• वॉइस अगली OS सतह के रूप में: Google (Search Live + Gemini ऐप), Apple (Siri AI, 14 सितंबर) और OpenAI (GPT-Live-1) — तीनों के एक ही सप्ताह में रियलटाइम वॉइस भेजने के साथ, वॉइस-फर्स्ट इंटरैक्शन डेमो से डिफ़ॉल्ट की ओर बढ़ रहा है — रणनीतिक इनाम फोन पर संवाद-प्रधानता (conversational primacy) है।

• एजेंटिक ब्लास्ट रेडियस (Agentic blast radius): बोली जाने वाली इंटरफेस के भीतर बैकग्राउंड असिंक टूल एक्जीक्यूशन (भुगतान, ईमेल, रिफंड) गलत कॉन्फ़िगरेशन और ऑडियो/वीडियो इनपुट के जरिए प्रॉम्प्ट इंजेक्शन (Prompt Injection) का दांव बढ़ा देता है — यह इस सप्ताह के एजेंट-सुरक्षा प्रकटीकरणों (Anthropic S01, RubyGems S14) से सीधे जुड़ा है। सुरक्षा के कॉर्पोरेट दावे इसे खत्म नहीं करते।
• अधिकारिक लगने वाला नैरेशन: जो मॉडल "Let me check that…" कहता है, जबकि टूल फेल हो रहा है या भ्रम (hallucination) कर रहा है, वह वास्तविकता से ज्यादा भरोसेमंद लग सकता है; प्रोग्रेस नैरेशन उत्पन्न होता है, कोई स्टेटस लॉग नहीं।
• वॉइस डीपफेक/स्पूफिंग: बड़े पैमाने पर तैनात रियलटाइम वॉइस जनरेशन इम्पर्सोनेशन की सतह बढ़ाता है; SynthID पहचान में मदद करता है, पर रियल-टाइम दुरुपयोग नहीं रोकता।
• रुकावट से अनाथ काम (Interruption orphan work): जब उपयोगकर्ता बातचीत के बीच दिशा बदलते हैं, तो बैकग्राउंड टूल कॉल्स चलती रह सकती हैं — उन्हें कौन रद्द करता है?
• मूल्य-नेतृत्व वाली नीचे की दौड़: Google का मूल्य दबाव पूरे उद्योग में वॉइस-एजेंट मार्जिन को कमोडिटी बना सकता है, जिससे छोटे वॉइस प्लेटफॉर्म चोट खाएंगे।
• डुप्लेक्स गुणवत्ता का अंतर: अगर असली उपयोग में 3.8 Live की बातचीत-सहजता GPT-Live-1 से पीछे रहती है, तो "सस्ता पर रोबोटिक" Google की फ्लैगशिप असिस्टेंट कहानी को खराब कर सकता है (The Decoder की आलोचना)।

• ज्ञान कटऑफ जनवरी 2025 (मॉडल कार्ड) — समसामयिक घटनाओं की बातचीत के लिए पुराना।
• Live एंडपॉइंट्स पर न स्ट्रक्चर्ड आउटपुट, न कोड एक्जीक्यूशन, न कैशिंग।
• Extended Thinking की बाध्यताएं: ब्लॉकिंग टूल्स असमर्थित (सख्त एरर), कोई फंक्शन शेड्यूलिंग नहीं, MINIMAL थिंकिंग असमर्थित, प्रोएक्टिव ऑडियो बंद नहीं किया जा सकता।
• स्थिर मॉडल ID के बावजूद Live API अभी भी Preview में — ब्रेकिंग बदलाव संभव।
• कॉन्टेक्स्ट/सेशन कैप: 131k इनपुट टोकन; रिपोर्ट किए गए 15-मिनट ऑडियो / 2-मिनट ऑडियो+वीडियो सेशन लिमिट (UNVERIFIED, एकल द्वितीयक स्रोत)।
• बेंचमार्क की चेतावनियां: Google द्वारा उद्धृत स्कोर कंपनी के दावे हैं; Artificial Analysis की GPT-Live-1 तुलना पंक्ति एकल ट्रायल पर टिकी है; बेंचमार्क वॉइस-एजेंट गुणवत्ता मापते हैं, उत्पादन-विश्वसनीयता या मीटिंग-सारांश गुणवत्ता नहीं।
• एंटरप्राइज कवरेज चरणबद्ध है: केवल प्राइवेट प्रीव्यू; चेतावनी: Workspace बिजनेस और CX उपलब्धता "coming soon"।
• लेटेंसी दावा असत्यापित: sub-200 ms एंड-टू-एंड केवल स्थिति-निर्धारण (positioning) है, लॉन्च पर स्वतंत्र रूप से मापा नहीं गया।

1. क्या 3.8 Live की "सहज बातचीत, रुकावटें" आमने-सामने के उपयोग में GPT-Live-1 के फुल-डुप्लेक्स व्यवहार के बराबर है (Full Duplex Bench अब तक "नहीं" कहता है: 91.9 बनिस्बत 94.9)?
2. लोड के तहत असली दुनिया का लेटेंसी वितरण कैसा दिखता है (sub-200 ms का दावा)?
3. Live API Preview से कब बाहर आएगा, और GA कीमतें कैसी दिखेंगी (Gigazine के अनुसार tech-insider.org के जरिए रिपोर्ट: Gemini 3.8 Flash की कीमत 2027 में लगभग दोगुनी होने की बात — EARLY RESEARCH)?
4. OpenAI मूल्य पर कैसे और कितनी जल्दी प्रतिक्रिया देगा?
5. क्या Gemini Enterprise GA में एजेंट-प्लेटफॉर्म समानता शामिल होगी (EVA-Bench Live API + Gemini Enterprise Agent Platform पर चलाया गया था)?
6. वीडियो-इन वाली बातचीत के लिए सेशन सीमाएं कैसे बदलेंगी?
7. क्या बैकग्राउंड-रीज़निंग का बिलिंग (रीज़निंग टोकन + वीडियो इनपुट) मुख्य मूल्य-लाभ को अर्थपूर्ण रूप से कम करता है?

प्रभाव: अधिकारियों (executives) के लिए यह वॉइस-एजेंट बाजार में एक रणनीतिक मूल्य/डिस्ट्रीब्यूशन घटना है, केवल एक मॉडल रिलीज नहीं। यह कस्टमर-एक्सपीरियंस ऑटोमेशन के build-vs-buy इकोनॉमिक्स को नया आकार देता है और एक दूसरा विश्वसनीय रियलटाइम-वॉइस विक्रेता जोड़ता है।

अनुशंसित कार्रवाई: GPT-Live-1 मूल्य पर आधारित किसी भी वॉइस-एजेंट/कॉन्टैक्ट-सेंटर ROI मॉडल को दोबारा चलाएं; उच्च-वॉल्यूम, कम-जटिलता वाले वॉइस फ्लो के लिए Gemini 3.8 Live और जटिल सपोर्ट/क्लेम्स काम के लिए Extended Thinking को शॉर्टलिस्ट करें; Gemini Enterprise प्राइवेट प्रीव्यू के जरिए पायलट करें; 12 महीने की विक्रेता प्रतिबद्धता तय करने से पहले OpenAI की मूल्य प्रतिक्रिया पर नजर रखें।

प्रभाव: interaction_status/turnComplete का व्यवहार और केवल-असिंक टूलिंग वॉइस-एजेंट क्लाइंट आर्किटेक्चर बदल देते हैं; लागत का अंतर (प्रति-घंटा इनपुट-ऑडियो मापों पर लगभग ~7x) डिफ़ॉल्ट मॉडल चुनाव को रीसेट कर देता है।

अनुशंसित कार्रवाई: Pipecat/LiveKit इंटीग्रेशन के जरिए एक NON_BLOCKING टूल के साथ gemini-3.8-live पर एक वॉइस एजेंट का प्रोटोटाइप बनाएं; उसे Extended Thinking पर ले जाएं और इंटरैक्शन-स्टेट मशीन सत्यापित करें; बेंचमार्क सुर्खियों पर भरोसा करने के बजाय अपने ही फ्लो पर टाइम-टू-फर्स्ट-ऑडियो और टास्क पूर्णता मापें; Preview स्थिति और सेशन कैप को देखते हुए मॉडल वर्ज़न पिन करें और सेशन-रेज़्यूमेशन लॉजिक बनाएं।

प्रभाव: डिफ़ॉल्ट उपभोक्ता असिस्टेंट अनुभव बदल जाता है: Search Live की बातचीत, Gemini ऐप के Daily Briefs, और Workspace Docs/Gmail/Keep की वॉइस इंटरैक्शन प्रश्नोत्तर से कम और प्रतिनिधित्व (delegation) जैसी ज्यादा लगेंगी; AI-वॉइस प्रकटीकरण (SynthID) मानक बन जाता है।

अनुशंसित कार्रवाई: विजुअल ग्राउंडिंग का अनुभव लेने के लिए Google ऐप में Search Live (कैमरा + वॉइस) आजमाएं; मॉडलों को इस सप्ताह की एजेंट-सुरक्षा खबरों की दृष्टि से आंकें — जो बैकग्राउंड-टूल क्षमताएं जादुई लगती हैं, वही वे क्षमताएं हैं जिन्हें लैब्स काबू में करने की दौड़ में हैं।

• कॉन्टैक्ट सेंटर और टेलीफोनी बॉट के लिए वॉइस-एजेंट लागत आर्बिट्राज: ~$1.38/घंटा प्रकाशित-दर बातचीत बनिस्बत ≥$3/घंटा GPT-Live-1 फ्रंट-एंड (बैकएंड टोकन से पहले) — वास्तविक, कई स्वतंत्र मीडिया द्वारा मापा गया।
• विज़न-ग्राउंडेड सपोर्ट: फील्ड-सर्विस, ऑनबोर्डिंग, रिमोट रिपेयर और निरीक्षण वर्कफ़्लो जो कैमरा इनपुट को बोले गए संवाद के साथ जोड़ते हैं (एंटरप्राइज में Search Live जैसा)।
• बहुभाषी कस्टमर सपोर्ट: 97 भाषाओं में बातचीत के बीच स्विचिंग वैश्विक टीमों के लिए प्रति-भाषा वॉइस-पाइपलाइन लागत हटा देती है।
• वॉइस-फर्स्ट प्रोडक्टिविटी टूलिंग: Docs Live/Gmail Live/Keep Live के पैटर्न वॉइस-चालित ड्राफ्टिंग, इनबॉक्स-जीरो और नोट-टेकिंग उत्पादों की ओर इशारा करते हैं।
• एजेंट-प्लेटफॉर्म इकोसिस्टम चाल: LiveKit/Pipecat/Vercel स्टैक्स के भीतर असिंक टूलिंग के साथ Gemini 3.8 Live पर निर्माण एक रक्षायोग्य निच (niche) है, जब तक API Preview-मूल्य पर है।

इस वातावरण में NO-LAB (यहां Gemini API क्रेडेंशियल या ऑडियो-सक्षम टेस्ट रिग उपलब्ध नहीं), लेकिन एक ठोस डेवलपर TEST प्रोटोकॉल उचित है:

1. Google AI Studio Live (aistudio.google.com/live) खोलें और gemini-3.8-live के साथ 2 मिनट की बातचीत करें; वाक्य के बीच में रुकावट डालें और रिकवरी लेटेंसी जांचें।
2. gemini-3.8-live-extended-thinking पर एक NON_BLOCKING असिंक टूल (जैसे नकली बुकिंग API) रजिस्टर करें; टूल चलते समय बोला गया प्रोग्रेस नैरेशन सत्यापित करें, और पुष्टि करें कि interaction_status IN_PROGRESS → IDLE में बदलता है तथा turnComplete का मतलब आइडल नहीं है।
3. एक JPEG फ्रेम (~1fps) स्ट्रीम करें और बातचीत के बीच में उस इमेज के बारे में सवाल पूछकर विजुअल ग्राउंडिंग जांचें।
4. बातचीत के बीच भाषा बदलें (जैसे English → Hindi → English) और उच्चारण की निरंतरता जांचें।
5. दोनों मॉडल ID पर टाइम-टू-फर्स्ट-ऑडियो और पूर्ण राउंड-ट्रिप लेटेंसी मापें; Artificial Analysis द्वारा रिपोर्ट किए गए 91.9/94.9 Full Duplex और 1.35/1.34 s आंकड़ों से तुलना करें।
6. अपने वर्कलोड का असली प्रति-घंटा बिल निकालें: ऑडियो इन/आउट + रीज़निंग टोकन + वीडियो फ्रेम (Extended Thinking) बनिस्बत प्रकाशित GPT-Live-1 मूल्य।

• निकट अवधि: OpenAI मूल्य पर या सस्ते GPT-Live टियर के साथ जवाब देगा (PREDICTION); xAI अपनी एजेंट-प्लेटफॉर्म लेन बढ़ाएगा; 3.8 Live के स्वतंत्र लेटेंसी/डुप्लेक्स मूल्यांकन सामने आएंगे; अंतिम मूल्य के साथ Live API GA; Gemini Enterprise CX + Workspace बिजनेस रोलआउट।
• मध्यम अवधि: वॉइस-एजेंट स्टैक "नैरेटेड बैकग्राउंड काम" UX पर मानकीकृत होंगे; Google Search Live जैसी कैमरा-बातचीत को सभी सतहों पर विस्तारित करेगा; मल्टी-मोडल वॉइस + एजेंट प्लेटफॉर्म मिलकर एंटरप्राइज की "वॉइस ऑपरेटर" श्रेणी बनाएंगे।
• नजर रखने वाली चीजें: वीडियो के लिए सेशन-सीमा में बदलाव; Gemini 3.8 Flash की 2027 मूल्य वृद्धि, जो संकेत देती है कि मौजूदा Live मूल्य लैंड-ग्रैब (land-grab) क्षेत्र है; डुप्लेक्स-गुणवत्ता की बहस, जो आमने-सामने के एरिना परिणामों से सुलझेगी।

Google ने इस सप्ताह की वॉइस दौड़ स्वाभाविकता (naturalness) पर नहीं जीती — स्वतंत्र डुप्लेक्स डेटा और कई समीक्षक कहते हैं कि बातचीत के एहसास में OpenAI अब भी आगे है। Google ने उन दो चीजों पर जीत हासिल की जिन्हें उसने हमेशा हथियार बनाया है: मूल्य (प्रति घंटा लगभग ~7x सस्ता) और डिस्ट्रीब्यूशन (Search Live, Gemini ऐप, Workspace, Android)। गहरी कहानी आर्किटेक्चरल और सिस्टमिक है: Extended Thinking के साथ Google ने वॉइस एजेंट को एक स्टेटफुल वर्कर बना दिया जो काम करते हुए बोलता है, और हर डेवलपर को यह दोबारा सीखने पर मजबूर किया कि "बातचीत" का मतलब क्या है। एजेंट-मिसअलाइनमेंट की चेतावनियों से भरे सप्ताह में, इनमें से किसी भी लॉन्च का सबसे महत्वपूर्ण सवाल वही है जिसका जवाब Google का मॉडल कार्ड सुरक्षा-प्रमाणनों के एक पन्ने से देता है: वही बैकग्राउंड-टूल स्वायत्तता जो वॉइस एजेंट को जीवंत महसूस कराती है, ठीक वही क्षमता है जिसे लैब्स अब भी काबू में करना सीख रही हैं। गति, मूल्य और सुरक्षा अब एक-दूसरे से आगे की दौड़ लगा रहे हैं — और इस लॉन्च ने Google को पहले दो में मजबूती से आगे खड़ा कर दिया।

साक्ष्य लेबल रजिस्टर (AGENTS.md के अनुसार)

• FACT: घोषणा तिथि/रोलआउट, मॉडल ID, जैसे प्रकाशित मूल्य आंकड़े, जैसे दस्तावेजीकृत कॉन्टेक्स्ट/सेशन सीमाएं, पार्टनर सूची, SynthID वॉटरमार्किंग, API व्यवहार (Extended Thinking पर केवल-असिंक, interaction_status), ज्ञान कटऑफ।
• COMPANY CLAIM: "most advanced live dialogue models," Google द्वारा उद्धृत बेंचमार्क स्कोर (82.6 #1, τ-Voice 68.6%, τ-Voice-banking 35.1%, Big Bench Audio 97.7%, Speech Agent Arena 2nd स्थान, EVA-Bench Pareto), "sub-200 ms" लेटेंसी, 97 भाषाओं में बातचीत के बीच स्विचिंग की मजबूती, "built for scale and cost efficiency।"
• INDEPENDENT EVIDENCE: datanorth.ai द्वारा रिपोर्ट किए गए Artificial Analysis माप (82.6 बनिस्बत 81.5; 91.9 बनिस्बत 94.9 Full Duplex; 1.35 s बनिस्बत 1.34 s TTF; प्रति-घंटा $0.84/$3.50 बनिस्बत $5.83), तिथि/रोलआउट की कई मीडिया द्वारा उसी दिन पुष्टि, The Decoder/TPS/BitsMinds/BibiGPT में मूल्य तुलनाएं।
• INTERPRETATION: मूल्य-बनाम-गुणवत्ता समझौते का पाठ (The Decoder/TPS), सेशन-में-बनाम-डेलिगेटेड आर्किटेक्चर का बंटवारा (The New Stack/BibiGPT), लागत-नेतृत्व की प्लेबुक, "वॉइस अगली OS सतह।"
• PREDICTION: OpenAI की मूल्य प्रतिक्रिया; Live API GA की समयरेखा; नैरेटेड बैकग्राउंड काम पर वॉइस-एजेंट UX का मानकीकरण।