شهریور
اخبار
جمینای ۳.۸ لایو؛ ارزانترین و سریعترین صدای هوش مصنوعی گوگل
گوگل با معرفی جمینای ۳.۸ لایو، ارزانترین و در عین حال قویترین مدل صوتی بلادرنگ بازار را روانهی صحنهی رقابت هوش مصنوعی کرد.
لیست مطالب
۱. آغاز فصل تازهای در رقابت صدای مصنوعی
در طول یک سال گذشته، سه شرکت بزرگ فناوری یعنی گوگل، اوپنایآی و ایکسایآی هرکدام نسخهای از دستیار صوتی بلادرنگ خود را عرضه کردهاند. اما آنچه معرفی جمینای ۳.۸ لایو را متفاوت کرده، ترکیب همزمان قیمت پایین، کیفیت بالا و پشتیبانی گسترده از زبانهای مختلف است؛ ترکیبی که تا پیش از این در هیچکدام از رقبا دیده نشده بود. برای آشنایی بیشتر با ریشهی این رقابت و اینکه شرکت OpenAI چه جایگاهی در این میدان دارد، میتوانید مقالهی مرتبط را در سایت ما بخوانید.
۲. جمینای ۳.۸ لایو دقیقاً چیست؟
جمینای ۳.۸ لایو، جدیدترین عضو خانوادهی مدلهای صوتی بلادرنگ گوگل دیپمایند است که برای گفتوگوی طبیعی و بدون تأخیر طراحی شده است. این مدل در دو نسخه عرضه شده: نسخهی استاندارد که برای مقیاسپذیری و هزینهی پایین بهینه شده، و نسخهی «تفکر گسترده» که توان استدلال چندمرحلهای دارد و میتواند همزمان با فکر کردن دربارهی پاسخ، به صحبتکردن ادامه دهد.
پیش از این، خانوادهی مدلهای لایو گوگل چند نسل تکامل را پشت سر گذاشته بود؛ از نخستین نسخههای آزمایشی پروژهی آسترا گرفته تا نسلهای میانی که هنوز با تأخیرهای محسوس و خطاهای گاهوبیگاه در تشخیص گفتار دستوپنجه نرم میکردند. به گفتهی مهندسان دیپمایند، نسل تازه با بازطراحی کامل خط لولهی پردازش صوت، بخش بزرگی از این تأخیرها را از بین برده و مکالمه را به تجربهای نزدیک به گفتوگوی انسانی رسانده است.
۲.۱ چرا دو نسخه؟
گوگل با ارائهی دو نسخه، دو دسته از نیازها را پوشش داده است: کسبوکارهایی که به حجم بالا و پاسخگویی فوری نیاز دارند از نسخهی استاندارد بهره میبرند، و کسانی که با وظایف پیچیدهتری مانند رزرو چندمرحلهای یا تحلیل داده در حین مکالمه سروکار دارند، سراغ نسخهی تفکر گسترده میروند. جالب اینکه در نسخهی تفکر گسترده، فرایند استدلال بهصورت پسزمینه و بیصدا انجام میشود؛ به این معنا که کاربر هرگز متوجهی مکث یا سکوت طولانی نمیشود و پاسخ نهایی همزمان با تولید صدا شکل میگیرد.
۳. قیمتی که بازار را زیر و رو کرد
بر اساس اطلاعات منتشرشده، هزینهی ورودی صوتی جمینای ۳.۸ لایو حدود نیم سنت در دقیقه و هزینهی خروجی آن نزدیک به دو سنت در دقیقه است. این نرخها وقتی در کنار قیمت رقبا قرار میگیرند، تفاوت چشمگیری را نشان میدهند: نسخهی استاندارد جمینای در آزمونهای مقایسهای، هزینهای در حدود یکپنجم تا یکششم جیپیتی-لایو-۱ اوپنایآی و گروک ویس ایکسایآی داشته است.
حتی نسخهی سنگینتر یعنی تفکر گسترده نیز باز هم ارزانتر از هر دو رقیب تمام شده، موضوعی که به گفتهی تحلیلگران بازار، میتواند فشار زیادی بر مدل قیمتگذاری اوپنایآی و ایکسایآی وارد کند.
۴. رکوردهای تازه در آزمونهای گفتاری
جمینای ۳.۸ لایو نسخهی تفکر گسترده در شاخص معتبر کیفیت گفتار به گفتار، رتبهی نخست جدول جهانی را کسب کرده است؛ عددی که از نزدیکترین رقیبش یعنی جیپیتی-لایو-۱ آسترا بالاتر است. در آزمون تخصصی مکالمات عاملمحور و آزمون بانکی مربوط به آن نیز همین برتری دیده میشود، هرچند فاصله با رقیب دوم چندان زیاد نیست. در آزمون استدلال صوتی موسوم به بیگبنچ آدیو نیز این مدل عملکردی نزدیک به کمال ثبت کرده است.
این ارقام نشان میدهند که رقابت میان مدلهای صوتی دیگر فقط بر سر سرعت و قیمت نیست؛ بلکه کیفیت درک و طبیعیبودن لحن گفتوگو هم به میدان اصلی نبرد تبدیل شده است.
۵. نزدیک به صد زبان و سوییچ آنی میان آنها
یکی از جذابترین قابلیتهای جمینای ۳.۸ لایو، پشتیبانی از ۹۷ زبان زندهی دنیاست؛ بهطوری که مدل میتواند بهصورت خودکار زبان مکالمه را تشخیص دهد و حتی در میانهی یک جمله، بدون هیچ مکث یا خطایی، زبان را عوض کند. این ویژگی برای کسبوکارهایی که مخاطبان بینالمللی دارند یا در کشورهای چندزبانه فعالیت میکنند، ارزش زیادی دارد.
۶. تواناییهای فنی: فراخوانی ابزار در پسزمینه و درک تصویر
جمینای ۳.۸ لایو میتواند همزمان با ادامهی گفتوگوی صوتی، درخواستهای ابزار و ایپیآیها را در پسزمینه اجرا کند؛ یعنی کاربر مجبور نیست منتظر بماند تا مدل کار جانبیاش را تمام کند. علاوه بر این، مدل توانایی پردازش تصویری نزدیک به بلادرنگ را نیز دارد و میتواند اطلاعات دقیقی مانند کدها و شمارههای حرفعددی را بهدرستی تشخیص دهد. تمام خروجیهای صوتی این مدل نیز با واترمارک سینتیدی نشانهگذاری میشوند تا محتوای تولیدشده توسط هوش مصنوعی قابل شناسایی باشد.
این نوع واترمارک نامرئی، که در فرکانسهای غیرقابلشنیدن برای گوش انسان جاسازی میشود، به ابزارهای تشخیص خودکار امکان میدهد حتی پس از فشردهسازی یا برش فایل صوتی، منشأ هوش مصنوعی آن را شناسایی کنند. با گسترش استفاده از دستیارهای صوتی در تماسهای تلفنی و پیامهای صوتی، چنین قابلیتی میتواند نقش مهمی در جلوگیری از سوءاستفادههای احتمالی مانند جعل صدا ایفا کند.
برای کاربرانی که میخواهند نحوهی طراحی دستورها و پرامپتهای مؤثر برای چنین دستیارهای صوتی و متنی را بهتر یاد بگیرند، مطالعهی راهنمای نوشتن پرامپت برای مبتدیان میتواند نقطهی شروع خوبی باشد. همچنین کسانی که دوست دارند تفاوت میان توسعهی واقعی چنین سامانههای پیچیدهای را با ادعاهای رایج در فضای مجازی بشناسند، میتوانند نگاهی به مقالهی توهم توسعهدهندهی تنها در برابر مهندس واقعی بیندازند.
۷. کاربردهای واقعی در دنیای کسبوکار
شرکتهای بزرگی همچون سیلزفورس و سرویسناو از هماکنون از جمینای ۳.۸ لایو برای خودکارسازی خدمات مشتری، هماهنگی رزروهای چندمرحلهای و پردازش اسناد در لحظه استفاده میکنند. گوگل همچنین این فناوری را در جستوجوی زنده و برنامههای دفتری مانند داکس، جیمیل و کیپ برای مشترکان نسخههای حرفهای و اولترا در دسترس قرار داده است.
اهمیت اینگونه ابزارها برای کسبوکارهای کوچک و بزرگ روزبهروز بیشتر میشود؛ موضوعی که در مقالهی اهمیت هوش مصنوعی در کسبوکار ۲۰۲۵ بهتفصیل بررسی شده است.
۸. جمینای در برابر جیپیتی-لایو و گروک ویس
مقایسهی مستقیم سه مدل نشان میدهد جمینای ۳.۸ لایو در اغلب معیارها از هر دو رقیب پیشی گرفته، هرچند فاصله در برخی آزمونها اندک است. چنین رقابتهای نزدیکی میان مدلهای هوش مصنوعی چیز تازهای نیست؛ برای نمونهای دیگر از این نوع رقابت مستقیم میتوانید مقایسهی چتجیپیتی و دیپسیک را در سایت ما بخوانید. با این حال، باید توجه داشت که آزمونهای آزمایشگاهی همیشه بازتاب کامل تجربهی واقعی کاربر نیستند؛ نکتهای که در مقالهی پتانسیل و محدودیتهای واقعی هوش مصنوعی نیز به آن پرداخته شده است.
۹. مسیر دسترسی و آیندهی این فناوری
جمینای ۳.۸ لایو هماکنون از طریق ایپیآی جمینای، گوگل ایآی استودیو، جستوجوی زنده و جمینای اینترپرایز در دسترس توسعهدهندگان و کسبوکارهاست. نسخهی تفکر گسترده نیز علاوه بر این کانالها، در برنامههای ورکاسپیس گوگل برای مشترکان حرفهای و اولترا فعال شده است. شرکای فنی مانند لایوکیت، پایپکت و آگورا نیز پشتیبانی از این مدلها را در پلتفرمهای خود اضافه کردهاند تا توسعهدهندگان راحتتر بتوانند دستیارهای صوتی خودشان را بسازند.
اگر میخواهید با نحوهی ساخت و استفاده از چنین دستیارهایی در چتجیپیتی هم آشنا شوید، سری آموزشهای آموزشهای چتجیپیتی در سایت ما نقطهی شروع خوبی است. برای دنبالکردن آخرین بهروزرسانیها دربارهی این رقابت هم میتوانید سری اخبار هوش مصنوعی ما را بررسی کنید.
۱۰. واکنش بازار و تحلیلگران
در ساعات اولیهی انتشار این خبر، سهام چند شرکت فعال در حوزهی زیرساخت صدای مصنوعی نوسان محسوسی را تجربه کردند و چند تحلیلگر بازار فناوری در یادداشتهای خود نوشتند که فشار قیمتی گوگل میتواند رقبا را وادار به بازنگری در مدل درآمدیشان کند. برخی کارشناسان نیز هشدار دادند که رقابت شدید بر سر قیمت، ممکن است در بلندمدت روی سرمایهگذاری در ایمنی و کنترل کیفیت این مدلها اثر منفی بگذارد؛ نگرانیای که این روزها در میان پژوهشگران مسئولیتپذیری هوش مصنوعی هم مطرح میشود.
با این حال، اکثر تحلیلگران بر این باورند که در کوتاهمدت، این رقابت بهطور مستقیم به نفع توسعهدهندگان و کسبوکارهای کوچکتری تمام میشود که پیش از این توان مالی استفاده از دستیارهای صوتی گرانقیمت را نداشتند.
۱۱. پرسشهای متداول
جمینای ۳.۸ لایو چقدر هزینه دارد؟
هزینهی ورودی صوتی نسخهی استاندارد حدود نیم سنت در دقیقه و هزینهی خروجی آن نزدیک به دو سنت در دقیقه است؛ رقمی بهمراتب پایینتر از رقبای اصلی.
تفاوت نسخهی استاندارد و تفکر گسترده در چیست؟
نسخهی استاندارد برای سرعت و مقیاسپذیری بهینه شده، درحالیکه نسخهی تفکر گسترده توان استدلال چندمرحلهای دارد و برای وظایف پیچیدهتر مناسبتر است.
آیا این مدل از زبان فارسی هم پشتیبانی میکند؟
گوگل از پشتیبانی ۹۷ زبان زندهی دنیا خبر داده؛ فهرست دقیق زبانها در مستندات رسمی گوگل قابل بررسی است، اما با توجه به گستردگی این فهرست، پوشش زبانهای پرکاربرد منطقهای دور از انتظار نیست.
چه شرکتهایی هماکنون از این مدل استفاده میکنند؟
سیلزفورس و سرویسناو از جمله مشتریان سازمانی اعلامشدهای هستند که این فناوری را برای خودکارسازی خدمات مشتری به کار گرفتهاند.
آیا توسعهدهندگان مستقل هم میتوانند از این مدل استفاده کنند؟
بله؛ جمینای ۳.۸ لایو از طریق ایپیآی عمومی جمینای و گوگل ایآی استودیو در دسترس همهی توسعهدهندگان قرار دارد و شرکای فنی مانند لایوکیت و پایپکت نیز کتابخانههای آماده برای اتصال سریعتر عرضه کردهاند.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
