Aller au contenu principal

Gemini 3.8 Live et Live Extended Thinking : le guide de terrain du développeur pour les nouveaux modèles vocaux de Google (sept. 2026)

Intermédiaire

Le 15 septembre 2026, Google a publié deux modèles parole-à-parole : Gemini 3.8 Live (gemini-3.8-live) et Gemini 3.8 Live Extended Thinking (gemini-3.8-live-extended-thinking). Les deux sont disponibles en version générale dès aujourd'hui dans l'API Gemini et Google AI Studio. Le billet de lancement de Google est surtout fait de benchmarks et de démos. Si vous construisez un agent vocal, les détails qui comptent sont dans la documentation développeur : les outils s'exécutent désormais de façon asynchrone par défaut, un champ de configuration renvoie maintenant une erreur, et une fonctionnalité est toujours active et facturée pendant que le modèle écoute. Cette page rassemble ces détails en un seul endroit.

What you'll learn
  • Choisir entre les deux modèles à partir des vraies différences d'API, pas des noms marketing
  • Migrer un agent gemini-3.1-flash-live-preview sans tomber dans les pièges thinkingLevel, dialogue affectif et outils bloquants
  • Concevoir autour des murs de session : 15 min en audio seul, 2 min en audio+vidéo, ~10 min par connexion WebSocket
  • Estimer ce que coûte réellement une session vocale, et pourquoi le coût croît plus vite que les minutes
  • Livrer un client navigateur sans laisser fuiter une clé d'API

La version en une phrase​

Utilisez gemini-3.8-live par défaut pour les agents vocaux à faible latence. Utilisez gemini-3.8-live-extended-thinking quand l'appelant pose des questions difficiles en plusieurs étapes et qu'un léger délai est acceptable. Les deux coûtent 3,00 $ / 1M de tokens audio en entrée (~0,005 $/min) et 12,00 $ / 1M de tokens audio en sortie (~0,018 $/min), plus 0,75 $ / 4,50 $ pour le texte. Les deux ont une fenêtre d'entrée de 131 072 tokens et une limite de sortie de 65 536 tokens, et les deux disposent d'un palier gratuit dans l'API Gemini.

Ce qui a été livré, et ce que Google revendique​

gemini-3.8-livegemini-3.8-live-extended-thinking
Positionnement de Google« Option par défaut pour la plupart des expériences d'agents vocaux à faible latence »« Modèle audio-à-audio à fort raisonnement, prenant en charge le raisonnement en arrière-plan pendant les interactions audio en direct »
RéflexionRaisonnement entrelacé ; thinkingLevel n'est pas acceptéthinkingLevel = low / medium / high (pas de minimal) ; includeThoughts: true pour les résumés
Appel de fonctionsAsync par défaut (NON_BLOCKING) ; BLOCKING toujours disponible ; ordonnancement INTERRUPT / WHEN_IDLE / SILENTAsync uniquement, sans mode bloquant ni contrôle d'ordonnancement
Surfaces grand publicSearch LiveApplication Gemini Live ; Docs, Gmail, Keep pour les abonnés
Chiffres phares (Google)2e sur la Speech Agent Arena d'Artificial Analysis82,6 au Speech-to-Speech Quality Index (1er) ; 68,6 % τ-Voice ; 35,1 % τ-Voice-banking ; 97,7 % Big Bench Audio

Regardez les 35,1 % sur τ-Voice-banking, le chiffre que Google a choisi de publier. Même le modèle vocal le mieux classé ne mène à bien qu'environ un tiers des tâches bancaires réalistes par la voix. Traitez cela comme le plafond des agents vocaux sans surveillance qui manipulent de l'argent, et posez des points de confirmation sur tout ce qui a des conséquences (même règle que dans IA vocale full-duplex).

Chaque sortie audio est filigranée avec SynthID. Si votre produit enregistre ou republie la parole du modèle, les détecteurs d'audio IA peuvent l'identifier.

Trois choses que la plupart des articles manquent​

1. Le modèle « qui réfléchit » commente pendant qu'il raisonne​

Extended Thinking ne se tait pas pendant qu'il réfléchit. Google dit qu'il « raisonne et parle simultanément ». Il donne des indices verbaux précoces (« laissez-moi vérifier ») et commente sa progression pendant que le raisonnement continue en arrière-plan. Cela change la façon dont votre client décide que le modèle a terminé. Sur ce modèle, turnComplete: true ne signifie pas que la session est inactive. Un raisonnement d'arrière-plan peut encore tourner. Vérifiez plutôt interaction_status (IN_PROGRESS contre IDLE) avant de raccrocher, de passer la main à un humain ou de démarrer l'étape scriptée suivante.

C'est la même séparation « parle vite, réfléchit lentement » qu'OpenAI a introduite avec GPT-Live. La différence, c'est que Google met les deux rôles dans un seul modèle, là où GPT-Live délègue le raisonnement à un modèle de frontière distinct.

2. Passer de 3.1 Flash Live change le comportement, pas seulement la chaîne du modèle​

Les notes de migration de Google pour gemini-3.1-flash-live-preview → gemini-3.8-live comportent quatre changements qui modifient ce que fait votre code :

  • Supprimez thinkingLevel. 3.1 Flash Live avait minimal par défaut. 3.8 Live n'accepte pas le champ, donc une configuration copiée de 3.1 doit l'abandonner.
  • Les appels d'outils sont désormais asynchrones par défaut. Sur 3.1 Flash Live, « le modèle ne commencera pas à répondre avant que vous n'ayez envoyé la réponse de l'outil ». Sur 3.8 Live, le modèle continue de parler pendant que votre fonction s'exécute. C'est bon pour la latence, mais un outil qui doit se terminer d'abord (une vérification d'identité, un paiement) exige désormais de définir explicitement behavior: BLOCKING. Le modèle Extended Thinking n'a pas de mode bloquant : ces flux ont donc besoin d'une barrière dans votre propre code.
  • L'audio proactif est toujours actif. Le modèle peut décider de ne pas répondre quand la parole ne lui est pas adressée. Vous ne pouvez pas le désactiver, et le guide des bonnes pratiques note que vous êtes facturé en tokens d'entrée pendant qu'il écoute.
  • Le dialogue affectif a disparu. Si votre agent s'appuyait sur enableAffectiveDialog pour s'adapter au ton de l'appelant, retirez-le et testez le nouveau comportement par défaut.

Deux changements vous aident. send_client_content fonctionne maintenant pour toute la session, ce qui vous permet d'injecter du contexte textuel (données CRM, transcription d'un transfert) en cours d'appel. La couverture de tour est désormais TURN_INCLUDES_AUDIO_ACTIVITY_AND_ALL_VIDEO par défaut.

3. Le coût d'une session vocale croît plus vite que sa durée​

L'audio s'accumule à environ 25 tokens par seconde (environ 1 500 par minute). C'est de là que viennent les prix à la minute : 1 500 × 3 $/1M ≈ 0,0045 $ en entrée, et 1 500 × 12 $/1M = 0,018 $ en sortie. Le piège, c'est que chaque tour retraite l'intégralité du contexte accumulé, et pas seulement l'audio nouveau. Le guide des bonnes pratiques le dit noir sur blanc. Deux coûts plus petits s'y ajoutent : activer la transcription facture du texte en sortie en plus de l'audio en sortie, et l'audio proactif facture des tokens d'entrée pendant que le modèle écoute.

Une illustration grossière (notre arithmétique, pas un chiffre de Google) : prenez un appel de 10 minutes avec 20 tours. Le contexte passe de 0 à environ 15 000 tokens, donc le tour moyen relit environ 7 500 tokens d'entrée. Cela fait environ 150 000 tokens d'entrée (~0,45 $), contre ~0,045 $ si seul l'audio nouveau était compté. Les appels plus longs coûtent plus cher par minute, pas seulement plus cher au total. La compression de la fenêtre de contexte, dont vous avez de toute façon besoin pour franchir le mur des 15 minutes, limite aussi cette croissance de coût.

Les murs de session, et comment concevoir autour​

Guided walkthrough1 of 6
  1. Sans compression, les sessions audio seul s'arrêtent à 15 minutes et les sessions audio+vidéo à 2 minutes. Séparément, chaque connexion WebSocket dure environ 10 minutes. La limite de 2 minutes en vidéo piège la plupart des démos de partage d'écran.

Clients navigateur et mobile : ne livrez jamais la clé d'API​

Les sessions Live fonctionnent mieux quand le client se connecte directement à Google, parce que faire transiter de l'audio temps réel par votre backend ajoute de la latence. La bonne façon de faire, c'est un jeton éphémère. Votre serveur le frappe, et le client l'utilise une fois. Valeurs par défaut : le jeton expire 30 minutes après sa création, il doit servir à démarrer une nouvelle session dans la minute, et il autorise 1 usage. Vous pouvez le verrouiller avec liveConnectConstraints sur un modèle, une modalité de réponse et des réglages de reprise précis, pour qu'un jeton volé ne puisse servir à rien d'autre. Les jetons éphémères ne fonctionnent qu'avec la Live API et uniquement sur v1beta.

Squelette d'instruction système pour gemini-3.8-live (outils async, audio proactif toujours actif)

You are Ava, a voice assistant for Northwind Travel. You are SPEAKING, not writing.
RESPOND IN ENGLISH. YOU MUST RESPOND UNMISTAKABLY IN ENGLISH.

Style:
- Short sentences, one idea each. Never read lists, markdown, or URLs aloud.
- If speech is clearly not addressed to you (TV, side conversation), stay silent.

Tools:
- lookup_booking: invoke ONLY after the caller has given BOTH booking reference AND last name.
- While a lookup is running, tell the caller you are checking. Do not guess the result.
- change_booking: before invoking, read back the exact change and wait for a clear spoken "yes".

Safety:
- Repeat back every number, date, and name before acting on it.
- If audio is unclear, say what you think you heard and ask.
- Anything involving refunds or payment details: offer a human agent instead.

Ce squelette suit les recommandations de Google pour les agents Live : indiquez explicitement la langue de sortie en majuscules, et donnez à chaque outil une condition précise d'appel. Cette seconde règle compte davantage avec des outils asynchrones, parce que le modèle parle pendant que l'outil tourne et comblera le silence par une supposition si vous ne le lui interdisez pas.

Gemini 3.8 Live face aux alternatives​

  • Face à Claude. Les fonctionnalités vocales de Claude restent en tour par tour : le mode vocal dans les applications Claude, le push-to-talk dans Claude Code. Un hybride courant utilise un modèle Live comme façade conversationnelle et appelle Claude comme outil pour le raisonnement lourd ou le code. L'appel de fonctions asynchrone convient bien à ce schéma, puisque l'appel peut continuer pendant que l'outil s'exécute.
  • Face à OpenAI. GPT-Live est un produit ChatGPT natif parole et full-duplex. Pour les développeurs, l'offre d'OpenAI est gpt-realtime sur la Realtime API (voir IA vocale full-duplex pour le paysage d'ensemble).
  • Premiers retours de la communauté (fil de lancement Hacker News, non vérifiés). Les commentateurs ont salué la latence, la qualité vocale, la gestion des accents et la traduction en direct. D'autres ont dit qu'Extended Thinking raisonnait de manière inconsistante et que le modèle « invente des exigences supplémentaires » dans les flux agentiques. Ce sont des anecdotes, pas des mesures, mais elles collent au score de 35,1 % en banque : testez votre propre tâche de bout en bout avant de lui faire confiance.

Vérifiez vos acquis

0/5
  1. Vous portez vers gemini-3.8-live une configuration gemini-3.1-flash-live-preview qui définit thinkingLevel: minimal. Que faire ?
  2. Un outil de vérification de paiement doit se terminer avant que l'agent ne dise autre chose. Quelle configuration est correcte ?
  3. Sur gemini-3.8-live-extended-thinking, vous recevez turnComplete: true. Pouvez-vous raccrocher sans risque ?
  4. Pourquoi un appel vocal de 20 minutes coûte-t-il plus du double d'un appel de 10 minutes ?
  5. Votre démo de support avec partage d'écran se déconnecte systématiquement au bout de deux minutes environ. Cause la plus probable ?
Vocabulaire de la Live API de Gemini
Appuyez sur Entrée ou Espace pour retourner la carte. Utilisez les flèches gauche et droite pour naviguer entre les cartes.Terme affiché.
1 / 8
Key takeaways
  • Deux modèles en GA, un seul prix : gemini-3.8-live est le choix par défaut à faible latence ; gemini-3.8-live-extended-thinking raisonne en arrière-plan tout en continuant de parler.
  • Migrer depuis 3.1 Flash Live change le comportement : supprimez thinkingLevel, marquez BLOCKING les outils qui doivent se terminer, attendez-vous à un audio proactif toujours actif (facturé pendant l'écoute), et abandonnez le dialogue affectif.
  • Prévoyez les limites dès le départ : 15 min en audio seul, 2 min en audio+vidéo, ~10 min par connexion. Compression, handles de reprise et gestion de GoAway sont obligatoires en production.
  • Le coût croît plus vite que la durée de l'appel parce que chaque tour relit tout le contexte. La compression est à la fois le correctif de durée de session et le correctif de coût.
  • Même le meilleur score de Google sur les tâches bancaires vocales est de 35,1 %. Gardez des confirmations parlées sur tout ce qui déplace de l'argent ou des données.

Sources et lectures complémentaires​

Pour aller plus loin​