مدل‌های جدید
Gemini 3.8 Live کارِ پشت مکالمه را از پایان یک نوبت صوتی جدا می‌کند
نسخه Extended Thinking در Gemini 3.8 Live استدلال پس‌زمینه و ابزارهای غیرهمزمان را وارد چرخه رسمی تعامل صوتی می‌کند.
عامل‌های صوتی
-
مدل‌های جدید
GPT-Live-1 وارد API شد؛ گفت‌وگوی زنده از کارِ عامل پشت صحنه جدا می‌شود
GPT-Live-1 گفت‌وگوی صوتی تمام‌دوطرفه را به API می‌آورد و استدلال را به مدل پشت صحنه می‌سپارد؛ در نتیجه لغو و مجوز باید جداگانه مدیریت شوند.
-
مدل‌های جدید
Pipecat مدل PhoneLLM را با 3.5 میلیارد پارامتر فعال برای عامل‌های صوتی عرضه کرد
PhoneLLM Alpha 1 مدل باز 30 میلیاردی از نوع مخلوط متخصصان با 3.5 میلیارد پارامتر فعال است که برای عامل‌های صوتی تلفنی کم‌تأخیر ساخته شده و با معیار تازهٔ PhoneBench سنجیده می‌شود.
-
مدل‌های جدید
گوگل Gemini 3.5 Transcribe را به یک speech stack توسعه‌دهنده تبدیل می‌کند
Gemini 3.5 Transcribe API زنده و فایل، ۸۵+ زبان، vocabulary biasing، diarization، timestamp و smart formatting را ارائه می‌کند.
