Gemini 3.8 Live de Google raisonne à voix haute pendant qu'il parle

Google a présenté deux nouveaux modèles conversationnels le 15 septembre 2026, et le plus intéressant fait ce que les assistants vocaux précédents ne réussissaient pas proprement : il continue de raisonner après avoir commencé à répondre. Gemini 3.8 Live Extended Thinking parle et résout un problème en même temps, décrivant sa progression au lieu de rester silencieux pendant qu'il réfléchit. Le modèle compagnon, Gemini 3.8 Live, est l'option moins chère et plus rapide, destinée aux agents vocaux que les entreprises déploient désormais à grande échelle.

À lire aussi: Gemini 4 Argon de Google atteint d'abord des défenseurs cyber de confiance, avec une limite de sortie d'un million de jetons · Le V4.1-Flash de DeepSeek, moins cher, bat son propre modèle Pro sur les tâches d'agents.

Le lancement, annoncé sur le blog de Google, relève du produit plutôt que de l'article de recherche. Google positionne les deux modèles comme la plomberie des systèmes vocaux de production, vendus via la Gemini Live API et exposés dans l'application Gemini, Google Workspace et Search. L'entreprise s'appuie aussi largement sur des benchmarks tiers, qu'elle a publiés en même temps que l'annonce.

Ce que Google a livré

Les deux modèles se partagent le compromis habituel entre vitesse et profondeur.

• Gemini 3.8 Live est présenté comme conçu pour l'échelle et l'efficacité des coûts, combinant intelligence conversationnelle, dialogue fluide et ancrage visuel.
• Gemini 3.8 Live Extended Thinking vise les tâches très complexes, avec une intelligence supérieure et un raisonnement en plusieurs étapes. Sa caractéristique distinctive est qu'il raisonne et parle en même temps.

Les détails techniques que Google a partagés portent surtout sur le comportement, pas sur l'architecture. Google affirme que 3.8 Live traite l'entrée visuelle en quasi temps réel, si bien qu'un flux de caméra ou un écran partagé devient un contexte auquel le modèle peut se référer en pleine phrase. Il détecte et bascule entre 97 langues prises en charge au cours d'une même conversation. Les deux modèles exécutent des appels d'outils et des requêtes API en arrière-plan pendant que l'échange parlé se poursuit, ce qui leur permet d'accuser réception d'une demande, de continuer à discuter et de rendre compte lorsqu'une tâche s'achève.

Extended Thinking gère le silence gênant qui handicape les assistants vocaux chargés d'une tâche difficile. Au lieu d'un blanc, il utilise des amorces verbales comme « Laissez-moi vérifier » puis narre sa progression pendant qu'il travaille. Dans les démonstrations de Google, cela va de la transformation d'un croquis à la main et de corrections parlées en un composant React fonctionnel, à la coordination de réservations en plusieurs étapes avec des appels de fonctions asynchrones.

Les chiffres des benchmarks

Les affirmations les plus fortes de Google reposent sur l'indice de qualité parole-à-parole d'Artificial Analysis, où 3.8 Live Extended Thinking a pris la première place globale avec 82,6. Il s'agit d'une évaluation indépendante, et non d'une auto-évaluation de Google, ce qui en fait le chiffre le plus déterminant de l'annonce.

Les résultats agentiques sont l'endroit où les modèles vocaux sont généralement mis à l'épreuve le plus durement, car ils doivent accomplir une tâche et pas seulement paraître fluides. Google annonce 68,6 % sur τ-Voice et 35,1 % sur le benchmark τ-Voice-banking de Sierra. Le second chiffre est le plus révélateur : le secteur bancaire regorge de procédures en plusieurs étapes à enjeux élevés, et 35 % de réussite rappelle que même les meilleurs systèmes actuels échouent la plupart du temps sur cette classe de tâches. Google annonce aussi 97,7 % sur Big Bench Audio, qui mesure la perception plutôt que l'action.

Gemini 3.8 Live n'a pas dominé le classement. Google indique qu'il a pris la deuxième place dans la Speech Agent Arena, une comparaison distincte, tout en restant moins cher à exploiter. Ce cadrage est délibéré : Google vend 3.8 Live comme le modèle de volume et Extended Thinking comme le modèle premium, et il veut que les développeurs choisissent entre eux selon le coût plutôt que de renoncer à la famille après un seul cycle de facturation.

Sur EVA-Bench de ServiceNow, un benchmark d'agents vocaux pour les workflows complexes, Google affirme que ses modèles repoussent la frontière de Pareto en équilibrant précision et qualité conversationnelle. Ce résultat provient d'une exécution sur la Live API dans la Gemini Enterprise Agent Platform, il reflète donc la configuration d'entreprise plutôt qu'un appel de modèle brut.

Où l'utiliser

Le déploiement a commencé le jour de l'annonce, et Google a scindé les deux modèles plus qu'un lancement typique.

Gemini 3.8 Live est disponible pour les développeurs dans l'API Gemini et Google AI Studio, pour les entreprises en aperçu privé via Gemini Enterprise, et pour tout le monde dans Search Live. Extended Thinking est disponible sur les mêmes surfaces développeurs et le même aperçu entreprise, mais il atteint aussi les clients professionnels de Workspace et, pour les consommateurs, Gemini Live, Docs Live, Gmail Live et Keep Live pour les abonnés Google AI Pro et Ultra.

Le découpage grand public compte. La vision que Google vend est celle d'un assistant vocal capable d'agir dans vos documents et vos courriels pendant que vous parlez, et cette capacité est réservée à un abonnement plutôt qu'au niveau gratuit. La version gratuite dans Search Live est une expérience plus étroite, essentiellement informative.

La pile de développement en dessous

Une fonctionnalité comme parler tout en raisonnant n'a d'intérêt que si les développeurs peuvent s'appuyer dessus, et Google a consacré une bonne partie de son billet à lister les plateformes qui intègrent déjà la Gemini Live API. Ce groupe comprend Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel et Vision Agents, qui gèrent le streaming média en temps réel pour que les équipes applicatives n'aient pas à le faire. Google a aussi cité Salesforce, Genspark et Lumeris parmi les partenaires qui testent les modèles, avec l'accent habituel sur la latence et l'appel d'outils.

Le schéma est familier depuis l'ère du cloud : le fournisseur de modèle fournit le modèle, et une couche d'éditeurs de middleware fournit la plomberie qui transforme un modèle en produit. Pour les entreprises qui pèsent un déploiement vocal, la maturité de ce middleware peut compter autant que les scores de benchmark, car la partie difficile d'un agent vocal est rarement le modèle lui-même. C'est la gestion des tours de parole, des interruptions et du basculement lorsqu'un appel est coupé.

Signaux sur la sécurité et la provenance

Google a assorti le lancement de deux notes de sécurité. Chaque élément audio produit par ses produits d'IA porte un filigrane SynthID, un signal imperceptible tissé dans la sortie qui, selon Google, aide les outils de détection à signaler les contenus générés par IA. L'entreprise a aussi publié une fiche de modèle pour les modèles audio.

Aucune des deux mesures ne répond entièrement au problème d'usage abusif. Les filigranes aident les plateformes qui les recherchent, et un acteur déterminé peut enregistrer puis réencoder l'audio de manière à affaiblir le signal. Mais la divulgation est désormais une pratique standard dans les grands laboratoires, et la décision de Google de l'appliquer par défaut, plutôt qu'en option, est le choix le plus significatif.

Contexte : une semaine bruyante pour l'IA

La sortie est tombée dans une période d'inquiétude publique inhabituelle autour des risques de l'IA. Quelques jours plus tôt, Dario Amodei, d'Anthropic, a publié un essai appelant l'industrie à ralentir le développement de pointe, un appel repris par Sam Altman, d'OpenAI, et d'autres. Microsoft a de son côté publié un projet de code de conduite exigeant que ses modèles ne résistent jamais à une correction ou à un arrêt.

Un modèle vocal qui raisonne à voix haute s'accorde un peu maladroitement avec cette conversation. C'est une capacité incrémentale, pas un pas vers une superintelligence autonome, mais c'est exactement le type de modèle qui rend un assistant toujours à l'écoute plus plausible, et la plausibilité façonne le confort du public. Google n'a pas abordé la tension directement. Il a publié une fiche de modèle et est passé à autre chose.

Réserves et ce qu'il faut surveiller

Quelques points méritent d'être tenus à l'écart du marketing.

• Les benchmarks sont un instantané, et certains sont choisis par le vendeur. Les exécutions d'Artificial Analysis et de ServiceNow sont indépendantes de Google, mais Google a choisi lesquelles mettre en avant, et les benchmarks agentiques comme τ-Voice et EVA-Bench dépendent fortement du banc d'essai et des outils fournis.
• L'écart entre la démo et le déploiement est grand. Les démonstrations de réservation en plusieurs étapes sont scénarisées pour réussir. Les vrais interlocuteurs changent d'avis, marmonnent et parlent par-dessus l'agent, et le chiffre de 35,1 % sur τ-Voice-banking suggère que les modes d'échec ne sont pas rares.
• La disponibilité est verrouillée. Les capacités les plus utiles pour les consommateurs sont derrière Google AI Pro et Ultra, et les fonctionnalités d'entreprise sont en aperçu privé.
• Le prix est le vrai test. L'argument de Google pour 3.8 Live est le coût par tâche accomplie, une mesure qui ne se règle qu'une fois les développeurs l'ayant confrontée à leurs propres charges de travail.

La question plus large est de savoir si « raisonner et parler simultanément » deviendra une attente de base ou une fonctionnalité de niche. Si les promesses de latence tiennent en production, les agents vocaux cessent d'être une nouveauté greffée sur des chatbots textuels et deviennent une catégorie de produit distincte, où l'interface est la conversation et où le travail se fait en arrière-plan. La sortie de Google est un pari que cette catégorie est réelle. Les deux prochains trimestres, lorsque les plateformes de développement livreront leurs propres intégrations et que les premiers chiffres publics de coût apparaîtront, montreront si les utilisateurs sont d'accord.

Image de couverture : le siège de Google (Googleplex), à Mountain View, par Asoundd (CC BY-SA 4.0), via Wikimedia Commons.