دستیار حرف می‌زند و حرف شما را می‌فهمد؛ راهنمای Gemini Audio 3.8

تصویر فارسی با فونت وزیر درباره Gemini Audio 3.8، گفتگوی زنده، ترجمهٔ همزمان و تبدیل گفتار به متن

فهرست مطالب

دستیار حرف می‌زند و حرف شما را می‌فهمد؛ راهنمای Gemini Audio 3.8

راهنمای Gemini Audio 3.8؛ تصویر شاخص فارسی با فونت وزیر دربارهٔ دستیار صوتی و ترجمهٔ زنده
یک voice agent خوب باید گوش بدهد، نوبت را تشخیص دهد و پاسخ را با تأخیر کم پخش کند.

تصور کنید دستیار وسط مکالمه پاسخ می‌دهد، هم‌زمان برای یک کار ساده ابزار را صدا می‌زند و بدون اینکه گفتگوی طبیعی قطع شود ادامه می‌دهد. خانوادهٔ صوتی Gemini در ۲۰۲۶ از چند قطعهٔ تخصصی تشکیل شده است: مدل‌های Live برای گفتگوی کم‌تأخیر، Transcribe برای تبدیل گفتار به متن، Live Translate برای ترجمهٔ گفتاربه‌گفتار و مدل‌های TTS برای تولید گفتار کنترل‌شده. گوگل در سپتامبر ۲۰۲۶ نسخه‌های Gemini 3.8 Live و Live Extended Thinking را برای توسعه‌دهنده‌ها معرفی کرد و در ادامه، Gemini 3.8 Flash TTS و Flash-Lite TTS را به این خانواده افزود.

این مقالهٔ فارسی توضیح می‌دهد هر مدل برای چه کاری مناسب است، چطور یک voice agent طراحی کنیم، چه promptهایی کیفیت را بهتر می‌کنند، کدام معیارها را پیش از انتشار باید آزمود و چه زمانی باید انسان نتیجه را بازبینی کند. اعداد زبان و benchmark در بخش‌هایی از مقاله ادعاهای منتشرشدهٔ گوگل هستند؛ نتیجهٔ عملی به کیفیت میکروفون، زبان، لهجه، محیط، runtime و نسخهٔ محصول وابسته است. دسترسی API، قیمت و امکانات حساب نیز می‌تواند تغییر کند.

خلاصه: برای مکالمهٔ زنده، Gemini 3.8 Live را بررسی کنید؛ برای پیاده‌سازی دشوارتر و استدلال چندمرحله‌ای، Live Extended Thinking؛ برای گفتار از متن، Flash TTS یا Flash-Lite TTS؛ برای رونویسی، Transcribe؛ و برای ترجمهٔ نزدیک به لحظه، Live Translate. همهٔ وظایف را به یک مدل نسپارید؛ latency، دقت و هزینه را با نمونه‌های واقعی بسنجید.

Gemini Audio 3.8 و 3.5؛ یک نام، چند وظیفه

در صفحهٔ رسمی Gemini Audio، گوگل چند مدل را برای نقش‌های جدا فهرست می‌کند. Gemini 3.8 Live و Live Extended Thinking برای مکالمهٔ گفتاری کم‌تأخیر هستند. TTS یا Text-to-Speech متن را به صدا تبدیل می‌کند. Transcribe گفتار ضبط‌شده یا جریان زنده را به متن می‌آورد. Live Translate گفتار را به گفتار در زبان دیگر تبدیل می‌کند. شناخت این تفاوت مهم است: مدل TTS قرار نیست به‌تنهایی تصمیم بگیرد چه جوابی مناسب است و Transcribe نیز همان ترجمهٔ زنده نیست.

در اعلامیهٔ ۱۵ سپتامبر، Google DeepMind می‌گوید Gemini 3.8 Live می‌تواند حین حفظ گفتگوی صوتی، برخی کارها را انجام دهد و با ابزارها تعامل کند. قابلیت asynchronous function calling کمک می‌کند درخواست ابزار در پس‌زمینه اجرا شود و مکالمه قطع نشود. مدل همچنین از زمینهٔ تصویری زنده برای بعضی تعامل‌ها، بازشناسی داده‌های حرف‌به‌حرف و پشتیبانی چندزبانه سخن می‌گوید. تعداد زبان‌های اعلام‌شده ۹۷+ است؛ پوشش هر لهجه و کارکرد در زبان فارسی را باید جداگانه آزمود.

Gemini 3.8 Live Extended Thinking برای درخواست‌های پیچیده‌تر طراحی شده است و طبق اعلام گوگل امکان تنظیم میزان reasoning را فراهم می‌کند. ممکن است این مدل در کارهایی که چند مرحلهٔ فکر یا برنامه‌ریزی لازم دارند سودمند باشد، اما برای پاسخ سادهٔ سلام‌و‌احوال ممکن است latency و هزینهٔ اضافی ارزش نداشته باشد. نوع task را بشناسید و مدل پرقدرت‌تر را فقط وقتی انتخاب کنید که آزمون نشان دهد بهتر عمل می‌کند.

Gemini 3.5 Transcribe برای speech-to-text تخصصی معرفی شده است. وب‌سایت Google DeepMind از پشتیبانی ۸۵+ زبان، تشخیص timestamp در سطح واژه و تا سه گوینده یاد می‌کند. در اعلامیهٔ توسعه‌دهنده، میانگین Word Error Rate برابر ۴٫۰٪ برای streaming و ۲٫۶٪ برای غیرstreaming ذکر شده است. این نتایج به ارزیابی گزارش‌شدهٔ گوگل تعلق دارند؛ WER در محیط فارسی، گفتار محاوره‌ای، صدای نامناسب یا نام‌های خاص می‌تواند متفاوت باشد.

Gemini 3.5 Live Translate برای ترجمهٔ نزدیک به لحظهٔ speech-to-speech معرفی شده و گوگل از بیش از ۷۰ زبان و حفظ intonation، سرعت و زیر و بمی صدا سخن می‌گوید. در یک محصول زنده، ترجمهٔ روان همیشه ترجمهٔ دقیق نیست. برای عدد، نام دارو، قرارداد یا عبارت حساس، متن transcript را ذخیره و بررسی کنید و یک مسیر درخواست تکرار یا انتقال به مترجم انسانی داشته باشید.

در TTS، خانوادهٔ 3.8 Flash TTS و Flash-Lite TTS برای تولید صدا از متن مطرح‌اند. مدل کامل برای طراحی صدای قابل کنترل و گفتگوی دو نفره معرفی شده و نسخهٔ Lite برای تولید روزمره و کارهای پرتعداد مثل dubbing یا podcast مناسب دانسته شده است. از آنجا که صدا بازنمایی هویت است، استفاده از صدای شبیه فرد واقعی به رضایت روشن و توجه به سیاست محصول نیاز دارد. برای بسیاری از کاربردها بهتر است صدای خنثی و مجاز انتخاب کنید.

کاربرد مدل قابل بررسی معیار شروع
مکالمهٔ زندهٔ صوتی Gemini 3.8 Live latency، مدیریت نوبت و کیفیت مکالمه
پرسش چندمرحله‌ای در گفتگوی زنده Live Extended Thinking دقت task همراه با زمان پاسخ
رونویسی و timestamp Gemini 3.5 Transcribe WER، نام خاص و diarization
ترجمهٔ گفتاربه‌گفتار Gemini 3.5 Live Translate معنای ترجمه و همگامی با گفتگو
تولید صدای آماده Gemini 3.8 Flash TTS / Lite وضوح، آهنگ، ثبات و هزینه

معماری voice agent را مرحله‌به‌مرحله بسازید

۱. هدف محصول را محدود کنید. قبل از انتخاب مدل بنویسید دستیار چه کاری را انجام می‌دهد: پاسخ به سؤال‌های یک فروشگاه، تمرین زبان، کمک به پر کردن یک فرم یا رونویسی تماس؟ اگر هدف «همه‌چیزدان صوتی» باشد، ارزیابی و مرزهای رفتار مبهم می‌شوند. سطح خطای قابل قبول، زبان‌ها، ساعت کار، گروه مخاطب و دادهٔ مجاز را از ابتدا تعریف کنید.

۲. مسیر صوت ورودی را طراحی کنید. میکروفون، حذف نویز، تشخیص شروع گفتار، توقف، تشخیص پایان نوبت و امکان قطع‌کردن پاسخ را مشخص کنید. کاربر باید بتواند وقتی مدل پاسخ می‌دهد صحبت را از سر بگیرد. در مکالمهٔ تلفنی، تأخیر ناشی از اینترنت و تأخیر runtime را جداگانه اندازه بگیرید. فقط میانگین latency را ثبت نکنید؛ صدک ۹۵ و زمان پاسخ در شبکهٔ ضعیف نیز مهم است.

۳. مدل را با task هماهنگ کنید. اگر صدای زنده باید فهمیده و به آن پاسخ داده شود، مدل Live را بررسی کنید. اگر فقط متن پیاده‌شده لازم است، Transcribe شاید ساده‌تر باشد. برای ترجمه، Live Translate را با دو زبان و گفتگوی واقعی بسنجید. برای پاسخ ضبط‌شده، TTS را از یک مدل زبانی جدا کنید تا متن قابل بازبینی باشد و صدای نهایی کنترل شود.

۴. state مکالمه را روشن مدیریت کنید. مشخص کنید چه اطلاعاتی بین turnها حفظ می‌شود، چه مدت نگه‌داری می‌شود و چگونه کاربر می‌تواند گفتگو را پاک کند. خلاصهٔ مکالمه ممکن است نام یا نیاز مشتری را منتقل کند؛ پس فقط دادهٔ لازم را نگه دارید. در صورت قطع تماس، سیستم بداند کار ناتمام مانده و از تکرار عملیات مالی جلوگیری کند.

۵. ابزار را با مجوز محدود وصل کنید. اگر agent باید وضعیت سفارش را بررسی کند، فقط ابزار read-only برای شماره سفارش بگیرد. برای تغییر نشانی یا لغو خرید، شرح عملیات و اثر آن را پیش از اجرا نشان دهید و تأیید صریح بگیرید. function call تولیدشده توسط مدل یک درخواست برنامه است؛ سرویس باید schema، مجوز کاربر و مقدارها را اعتبارسنجی کند.

۶. بازخورد گفتاری را در رابط منعکس کنید. هنگام جست‌وجو یا اجرای ابزار، کاربر نباید سکوت نامعلوم بشنود. یک پیام کوتاه مانند «دارم وضعیت سفارش را بررسی می‌کنم» یا صدای نگه‌دارندهٔ کوتاه می‌تواند انتظار را مدیریت کند. اما جملهٔ وضعیت نباید نتیجهٔ موفقیت را قبل از برگشت ابزار اعلام کند. مکالمه را روان نگه دارید و از وعدهٔ نادرست پرهیز کنید.

۷. پایان مکالمه و تحویل به انسان را طراحی کنید. وقتی مدل نمی‌فهمد، کاربر عصبانی است، موضوع خارج از پوشش است یا تصمیم حساس نیاز به انسان دارد، انتقالی روشن فراهم کنید. transcript کوتاه و دادهٔ مجاز را با رضایت کاربر به پشتیبان انسانی بدهید. هر مرحلهٔ انتقال باید با کاربر و سیاست حریم خصوصی منطبق باشد.

گوش‌دادن
audio stream
فهمیدن
معنا و context
عمل محدود
فراخوانی tool
پاسخ‌گویی
متن یا صدا
بازبینی
کیفیت و ایمنی

سه گردش‌کار واقعی برای شروع

۱. دستیار صوتی پشتیبانی فروشگاه

مشتری می‌پرسد سفارش چه زمانی ارسال می‌شود. عامل ابتدا موضوع و شناسهٔ سفارش را از گفتار می‌گیرد؛ اگر شناسه مبهم بود از مشتری می‌خواهد دوباره بگوید. سپس با ابزار فقط‌خواندنی سفارش را بررسی می‌کند و نتیجهٔ واقعی را به یک جملهٔ کوتاه تبدیل می‌کند. اگر مشتری بخواهد نشانی را تغییر دهد، عامل آن را خودکار انجام نمی‌دهد؛ مراحل و اثر را توضیح می‌دهد و پس از احراز هویت و تأیید، ابزار نوشتن را اجرا می‌کند. transcript نباید token یا دادهٔ غیرضروری بگیرد.

برای آزمون، از نام‌های مشابه، صدای پس‌زمینه، مکث، قطع‌کردن عامل و اشتباه‌گویی شماره سفارش استفاده کنید. اگر مدل در یک رقم مطمئن نیست، باید آن را دوباره بخواند یا درخواست کند مشتری تأیید کند. به‌جای تشخیص یک‌بارهٔ عبارت، از کاربر بخواهید «آیا منظور شما سفارش ۸۲۴۱ بود؟» و فقط پس از تأیید ادامه دهید. ابزار backend نیز مالک واقعی دسترسی است.

۲. مترجم زندهٔ جلسه

برای جلسهٔ چندزبانه، تعیین کنید کدام زبان‌ها باید پشتیبانی شوند و مترجم به‌صورت صوتی پاسخ دهد یا transcript هم نشان دهد. ترجمهٔ گفتاربه‌گفتار می‌تواند فاصله را کم کند، اما برای نام محصول، کلمهٔ فنی، عدد مالی و توافق قراردادی باید رونوشت متن در دسترس باشد. هنگام overlap دو گوینده یا صدای محیط، ترجمه ممکن است بخش‌هایی را حذف کند. برای جلسهٔ رسمی، شرکت‌کنندگان باید بدانند صدا پردازش می‌شود و مسیر خاموش‌کردن ابزار را داشته باشند.

آزمون را با جمله‌های کوتاه و طولانی، کدسوئیچینگ فارسی و انگلیسی، اسم خاص، لهجه و اصطلاح تخصصی انجام دهید. اگر ترجمه معنا را از دست می‌دهد، نرخ سخن گفتن را پایین آورید یا به جای live، پردازش turn-by-turn را انتخاب کنید. کیفیت طبیعی صدا را با دقت معنایی قاطی نکنید؛ صدای روان ممکن است جملهٔ نادرست بگوید.

۳. مربی گفتگوی زبان

یک دستیار تمرین زبان می‌تواند از کاربر بخواهد یک سناریوی کوتاه را اجرا کند، مکالمه را ادامه دهد و بعد در پایان یک یا دو نکتهٔ اصلاحی بدهد. برای جلوگیری از خستگی، مدل را ملزم کنید در هر نوبت یک سؤال بپرسد و مکث واقعی برای پاسخ کاربر داشته باشد. اگر دانشجو می‌خواهد فقط مکالمه کند، اشتباه‌های جزئی را وسط گفتار قطع نکنید؛ گزارش بعدی را جدا ارائه دهید.

تفاوت لهجه‌ها و سطوح آموزشی را در معیارهای محصول ثبت کنید. مدل ممکن است اشتباه گرامری را درست نشناسد یا لهجهٔ کاربر را با استانداردی که خواسته نشده قضاوت کند. از دانشجو رضایت بگیرید اگر صدا ذخیره می‌شود و اطلاعات آموزشی را به دادهٔ تبلیغاتی تبدیل نکنید. پرسش‌های حساس سنی یا سلامت را از هدف برنامه خارج نگه دارید.

prompt صوتی خوب چه اجزایی دارد؟

prompt برای یک voice agent باید هدف، لحن، طول پاسخ، نحوهٔ سؤال‌پرسیدن، تعریف انجام موفق، محدودهٔ اطلاعات و شرایط انتقال به انسان را روشن کند. promptی که فقط می‌گوید «دوستانه باش» رفتار قابل پیش‌بینی نمی‌سازد. مشخص کنید پاسخ کوتاه باشد یا مفصل، چه زمانی ابزار مجاز است، کدام داده را نپرسد، در نبود اطلاعات چه بگوید و قبل از اقدام چه تأییدی بگیرد.

قالب پیشنهادی system instruction:
«تو دستیار صوتی [نوع سرویس] هستی. هدف تو [کار مشخص] است. در هر نوبت یک سؤال روشن بپرس و پاسخ را کوتاه و طبیعی نگه دار. از ابزارهای [فهرست مجاز] فقط برای [هدف‌های مشخص] استفاده کن. پیش از هر تغییر یا ارسال، اثر آن را به کاربر توضیح بده و تأیید بگیر. اگر عدد یا نام را درست نشنیدی، آن را بازخوانی کن. اگر پاسخ در منبع یا ابزار موجود نیست، حدس نزن؛ بگو مطمئن نیستی و گزینهٔ انتقال به انسان را پیشنهاد بده. اطلاعات حساس غیرضروری را درخواست یا ذخیره نکن.»

نمونهٔ prompt برای رونویسی فارسی

«گفتار فارسی را دقیق پیاده کن. اعداد، نام برند، نام شخص و واژه‌های انگلیسی تخصصی را حفظ کن. اگر چند نفر صحبت می‌کنند، گوینده‌ها را جدا علامت بزن. مکث‌ها و کلمات پرکننده را حذف نکن مگر اینکه حالت clean transcript انتخاب شده باشد. اگر بخش صوت نامفهوم است، به جای حدس‌زدن [نامفهوم] ثبت کن. زمان‌بندی را در سطح جمله ارائه کن.» اگر برای انتشار عمومی transcript می‌سازید، بار دوم آن را از نظر نام خاص و عدد بازبینی کنید.

نمونهٔ prompt برای TTS آموزشی

«متن را با صدای گویندهٔ زن یا مردِ مجاز، لحن آرام و روشن، سرعت متوسط و تلفظ استاندارد فارسی بخوان. بعد از تیتر یک مکث کوتاه داشته باش. اعداد را به شکل طبیعی فارسی تلفظ کن. واژه‌های انگلیسی در پرانتز را با تلفظ اصلی بخوان. در پایان جمله لحن کامل داشته باشد و صدای موسیقی پس‌زمینه اضافه نشود.» در هر بازهٔ چند پاراگرافی نسخهٔ صوتی را گوش دهید تا ریتم، تأکید و مکث‌ها یکنواخت و قابل‌فهم بمانند.

نمونهٔ prompt برای مترجم زنده

«هر زمان گویندهٔ فارسی صحبت می‌کند، معنای همان بخش را به انگلیسی روان منتقل کن؛ جملهٔ تازه اضافه نکن و نام، عدد و واحد را تغییر نده. اگر عبارت مبهم یا اصطلاح تخصصی نامطمئن است، ابتدا آن را در متن نشان بده یا درخواست تکرار کن. متن مبدا را نیز نگه دار تا کاربر بتواند نتیجه را کنترل کند. جملهٔ خروجی را کوتاه نگه دار تا ترجمه عقب نماند.» هر دو زبان را با گویندهٔ بومی بازبینی کنید.

چطور کیفیت صوت را اندازه بگیریم؟

برای speech-to-text از Word Error Rate یا WER استفاده می‌شود که تفاوت واژه‌های تولیدشده با متن مرجع را می‌سنجد. آن را جدا برای محاوره، صدای پرنویز، اسم خاص، کدسوئیچینگ و گروه‌های گوینده محاسبه کنید. یک نمرهٔ کلی می‌تواند خطا روی نام دارو یا مبلغ را پنهان کند. پیش از آزمون، transcript مرجع را با دو شنونده یا متخصص تثبیت کنید؛ کیفیت مرجع بر امتیاز اثر دارد.

برای مکالمهٔ زنده، زمان شروع پاسخ، latency میانه و صدک ۹۵، موفقیت barge-in، نرخ قطع ناخواسته، زمان بازیابی پس از خطا و task completion را ثبت کنید. latency فقط از مدل نمی‌آید: میکروفون، انتقال شبکه، VAD، runtime، زمان اجرای API و پخش صدا همه در آن نقش دارند. یک آزمایش محلی با اینترنت خوب کافی نیست؛ شبکهٔ کند و دستگاه میان‌رده را هم بسنجید.

برای ترجمه، دقت معنا را جدا از طبیعی‌بودن صدا ارزیابی کنید. در جمله‌های خبری، مترجم باید عدد، نفی، زمان و سطح قطعیت را حفظ کند. اگر «ممکن است» به «حتماً» تغییر کند، صدای خوشایند ارزش چندانی ندارد. برای متن پزشکی یا مالی، خطاهای critical را جدا بشمارید و human review را جزء workflow نگه دارید.

برای TTS، فهم‌پذیری، ثبات صدا میان پاراگراف‌ها، تلفظ واژه‌های خاص، سرعت، مکث و کیفیت در بلندگوهای واقعی را بررسی کنید. متن فارسی با نیم‌فاصله، اعداد، علامت‌های لاتین و نام‌های انگلیسی باید در آزمون باشد. از خروجی فقط در محیط هدف نمونه بگیرید: صدای گوشی، هدفون و speaker جلسه تفاوت دارند.

مدل را با baseline فعلی بسنجید. ممکن است تشخیص‌گر ساده برای دستورات محدود سریع‌تر باشد؛ voice model پیشرفته‌تر زمانی ارزش دارد که نیاز به مکالمهٔ طبیعی، چندوجهی یا tool calling دارید. هزینهٔ اجرا، پیاده‌سازی، پشتیبانی، انتقال به انسان و رسیدگی به شکایت را هم در budget بگذارید. یک عدد benchmark به‌تنهایی تصمیم معماری نمی‌سازد.

حریم خصوصی، صدای مصنوعی و شفافیت

صدای زنده معمولاً اطلاعات شخصی دارد: نام، مکان، قصد خرید، وضعیت سلامت یا موضوع کاری. پیش از ضبط، هدف، مدت نگهداری، محل پردازش و امکان حذف را توضیح دهید. فقط دادهٔ لازم را بگیرید. اگر تماس به سرویس ابری منتقل می‌شود، سیاست حساب و منطقه را بررسی کنید؛ از کاربر اجازه بگیرید و transcript را به مقصد غیرمرتبط نفرستید. log مهندسی را از متن کامل گفتگو جدا کنید.

برای ایجاد صدای مصنوعی، سراغ تقلید صدای یک فرد واقعی بدون رضایت نروید. گویندهٔ برند باید مجوز استفاده را بداند و محدودهٔ استفاده، زبان و مدت را مشخص کند. از صدای ساختگی برای نسبت‌دادن حرف یا نظر سیاسی، مالی یا پزشکی به شخص واقعی استفاده نکنید. برای محتوای عمومی، مشخص کنید صدا با AI تولید یا ویرایش شده است.

صفحهٔ Gemini Audio اعلام می‌کند که خروجی صوتی مدل‌ها با SynthID علامت‌گذاری می‌شود تا امکان تشخیص تولید یا ویرایش هوش مصنوعی فراهم شود. این watermark جایگزین رضایت، label یا سیاست قانونی نیست و تضمین نمی‌کند هر پلتفرم بتواند هر فایل را با موفقیت شناسایی کند. شفافیت را در UI، transcript و metadata پروژه حفظ کنید.

در تعامل صوتی، عامل ممکن است حرف اشتباه بشنود و عملی را به ابزار بفرستد. برای عدد، مبلغ، تاریخ، شناسهٔ سفارش و نام مقصد، مرحلهٔ تأیید بخواهید. اگر ابزار نوشتنی است، کاربر پیش از اجرا خلاصهٔ عمل را بشنود. اجرای server باید permission و schema را کنترل کند و action حساس را بدون تأیید معتبر انجام ندهد. صدای طبیعی، معیار مجازبودن عملیات نیست.

محدودیت‌هایی که پیش از عرضه باید بدانید

مدل زنده ممکن است صدا را اشتباه بفهمد، در محیط شلوغ پاسخ ندهد یا زمان‌بر شود. کارت مدل Gemini 3.8 Audio نیز hallucination و کندی یا timeout گاه‌به‌گاه را از محدودیت‌های عمومی ذکر می‌کند. دستیار باید بدانَد چه زمانی سکوت کند، تکرار بخواهد یا انتقال دهد. retry خودکار نباید یک تراکنش را دوبار اجرا کند.

پوشش ۹۷+ زبان به معنی کیفیت یکسان در همهٔ زبان‌ها و لهجه‌ها نیست. فهرست زبان، مدل دقیق و قابلیت محصول را برای فارسی بررسی کنید. اگر کاربر فارسی محاوره‌ای با واژهٔ انگلیسی و لهجهٔ محلی صحبت می‌کند، آن ترکیب را در آزمون بگذارید. transcript و ترجمه را با گویندهٔ واقعی بازبینی کنید، نه فقط نمونهٔ استاندارد استودیویی.

مدل‌های Live جریان پیوستهٔ صدا و متن را می‌گیرند و بر اساس کارت مدل تا 128K context دارند. زمینهٔ طولانی می‌تواند اطلاعات مکالمهٔ قبلی را نگه دارد، اما با حفظ کل transcript در هر turn هزینه و latency بالا می‌رود. خلاصهٔ کوتاه و حافظهٔ حداقلی اغلب از تاریخچهٔ کامل بهتر است. اگر اطلاعاتی تغییر کرده، نسخهٔ تازهٔ آن را با منبع معتبر بررسی کنید.

مدل voice assistant از دادهٔ روز جاری به‌طور خودکار خبر ندارد مگر ابزار یا grounding وصل شده باشد. برای پاسخ زمان‌حساس، منبع رسمی و API تازه را فراخوانی کنید و تاریخ مشاهده را نمایش دهید. برای سؤال‌های حساس به زمان، از مدل بخواهید «اگر اطلاعات کافی در منبع وجود ندارد، پاسخ قطعی نده». مکالمهٔ طبیعی ممکن است با اعتمادبه‌نفس بالا خطا را پنهان کند.

هزینه و دسترسی را بسنجید، نه فقط جذابیت دموی زنده را

گوگل در سپتامبر گفت Gemini 3.8 Live از طریق Live API در دسترس است و گزینهٔ Extended Thinking را نیز ارائه می‌کند. مدل‌های TTS و Transcribe در API و Google AI Studio قابل آزمایش معرفی شده‌اند؛ اما مدل کاربرمحور Gemini app، API توسعه‌دهنده و محصول ابری سازمانی یکسان نیستند. اشتراک Gemini Plus را خودکار معادل دسترسی به Live API یا سقف‌های تولیدی فرض نکنید. پیش از پیاده‌سازی، صفحهٔ جاری قیمت و شرایط محصول را بخوانید.

هزینهٔ عملی را با حجم واقعی مکالمه برآورد کنید: متوسط دقیقهٔ صدای ورودی و خروجی، تعداد تماس‌های هم‌زمان، زمان اجرای ابزارها، صدک latency، تعداد درخواست‌های ناموفق و دفعات انتقال به انسان. قیمت مدل فقط بخشی از آن است؛ زیرساخت انتقال صدا، ثبت رویداد، پشتیبانی و تطبیق privacy هم در هزینه می‌آیند. محاسبه را با مکالمهٔ کوتاه، عادی و طولانی انجام دهید.

برای آزمایش، ابتدا یک نمونهٔ غیرحساس بسازید. پاسخ صوتی را با mute و transcript کنترل کنید، سپس جریان واقعی را با افراد داوطلب تست کنید. اگر هدف محصول را می‌توان با یک فرم یا پیام متنی بهتر انجام داد، voice agent لزوماً گزینهٔ درست نیست. صدا وقتی ارزشمند است که hands-free بودن، ترجمه، accessibility یا گفتگوی طبیعی مزیت ملموس داشته باشد.

پرسش‌های متداول دربارهٔ Gemini Audio

Gemini 3.8 Live چه تفاوتی با Transcribe دارد؟

Live برای مکالمهٔ صوتی کم‌تأخیر طراحی شده و می‌تواند پاسخ گفتاری تولید کند؛ Transcribe برای تبدیل گفتار به متن مناسب است. اگر فقط transcript می‌خواهید، مدل تخصصی transcription را بررسی کنید.

Live Extended Thinking چه زمانی مناسب است؟

برای درخواست‌هایی که به استدلال چندمرحله‌ای یا برنامه‌ریزی پیچیده نیاز دارند می‌تواند قابل بررسی باشد. برای تبادل کوتاه، مدل سریع‌تر و کم‌هزینه‌تر ممکن است بهتر باشد. در آزمون، کیفیت را با تأخیر و هزینه بسنجید.

آیا Gemini Audio از فارسی پشتیبانی می‌کند؟

اعلامیهٔ گوگل از پوشش چندزبانه و تعداد زبان‌های گسترده خبر می‌دهد، اما کیفیت فارسی را باید بر اساس مدل و کاربرد دقیق آزمایش کرد. transcript، تلفظ، لهجه و کدسوئیچینگ را با نمونه‌های واقعی بررسی کنید.

آیا Live Translate برای قرارداد یا پزشکی مناسب است؟

ترجمهٔ ماشینی می‌تواند کمک کند، اما برای پیام حقوقی، درمانی، مالی یا ایمنی به مترجم واجد صلاحیت و بازبینی نیاز دارید. عدد، نفی و سطح قطعیت را جداگانه کنترل کنید.

از TTS می‌شود صدای یک فرد واقعی را ساخت؟

قابلیت‌های voice design باید مطابق مجوز و سیاست سرویس استفاده شوند. برای تقلید صدای شخص، رضایت روشن و حق استفاده لازم است. بدون مجوز، صدای عمومی و غیرقابل‌انتساب انتخاب کنید.

آیا transcript صدای مشتری را ذخیره می‌کنیم؟

این تصمیم به هدف، مقررات، consent و سیاست محصول وابسته است. فقط آنچه لازم است ذخیره کنید، مدت نگهداری را محدود کنید و مسیر حذف و بررسی دسترسی داشته باشید. از ذخیرهٔ صوت خام بدون نیاز روشن پرهیز کنید.

عدد WER گزارش‌شده توسط گوگل چه معنایی دارد؟

WER خطای واژه‌ای را نسبت به transcript مرجع می‌سنجد. عدد اعلام‌شدهٔ گوگل مربوط به ارزیابی گزارش‌شده توسط همان شرکت است و تضمین نمی‌کند گفتار فارسی یا محیط noisy شما همان دقت را داشته باشد.

برای مکالمه با قطع‌شدن صدا چه کنیم؟

باید timeout، retry محدود، علامت اتصال مجدد و انتقال به انسان داشته باشید. برای ابزارهای مالی و نوشتنی idempotency بگذارید تا retry باعث اجرای دوبارهٔ عملیات نشود.

آیا خروجی صوتی AI قابل تشخیص است؟

Google DeepMind می‌گوید صوت تولیدشده یا ویرایش‌شده با Gemini Audio دارای watermark SynthID است. این ابزار بخشی از شفافیت است و جایگزین disclosure یا بررسی انسانی نیست.

جمع‌بندی: صدای روان کافی نیست؛ مکالمه باید قابل اعتماد باشد

Gemini Audio در ۲۰۲۶ مجموعه‌ای تخصصی برای تولید گفتار، مکالمهٔ زنده، transcription و ترجمهٔ نزدیک به لحظه ارائه می‌دهد. جداکردن کارها به مدل مناسب، معماری صوت را ساده‌تر و قابل سنجش‌تر می‌کند. یک voice agent خوب باید با تأخیر کم حرف بزند، در صورت نیاز tool را اجرا کند و از خطا یا ابهام فرار نکند. نتیجه را با زبان، لهجه و شرایط شبکهٔ واقعی مخاطبان بسنجید.

پیش از عرضه، مجوز صدا، privacy، retention، function calling و انتقال به انسان را طراحی کنید. نام، عدد و مبلغ را دوباره تأیید کنید؛ پاسخ صوتی را با transcript بازبینی کنید و هزینهٔ واقعی را بر اساس دقیقهٔ استفاده بسنجید. برای کاربردهای حساس، ترجمه یا رونویسی را بدون بازبین متخصص مبنای تصمیم نکنید. فناوری صوتی زمانی تجربهٔ بهتری می‌سازد که کنترل‌ها پشت آن به‌اندازهٔ صدای طبیعی محکم باشند.

شرایط اشتراک، مناطق پشتیبانی‌شده و سقف امکانات را در صفحهٔ فروش بررسی کنید. دسترسی توسعه‌دهنده به API شرایط جداگانه دارد.

منابع رسمی

یادداشت: تعداد زبان‌ها، عملکرد و benchmarkهای محصول براساس منابع رسمی گوگل نقل شده‌اند. آن‌ها را به‌عنوان تضمین دقت فارسی یا نتیجهٔ مستقل نخوانید. پیشنهادهای معماری و ارزیابی، راهنمای اجرایی‌اند و باید برای هر محصول اعتبارسنجی شوند.

واژه‌نامهٔ صوت و مکالمهٔ هوشمند

Voice agent: An AI system that listens to speech, responds with audio, and may use tools during a conversation.

Speech-to-speech: A model workflow that receives spoken input and generates spoken output, optionally in another language.

Speech-to-text: Converting recorded or live speech into written text.

Text-to-speech (TTS): Generating spoken audio from written text.

Word Error Rate (WER): A metric that counts substitutions, deletions, and insertions against a reference transcript.

Latency: The time between a user action and the system response, including network and playback delays.

Barge-in: A user interrupting the assistant while it is speaking.

Turn-taking: The logic that decides when one speaker has finished and another may respond.

Voice Activity Detection: A method for detecting speech and silence in an audio stream.

Diarization: Identifying and separating different speakers in an audio recording.

Code-switching: Alternating between two or more languages within the same conversation.

Function calling: Allowing a model to request a structured function or API action through a controlled tool interface.

Speech translation: Translating spoken input into spoken output in a target language.

SynthID: Google’s watermarking technology for identifying audio generated or edited with its AI systems.

پرداخت اقساطی ترب‌پیهر قسط 54.750 تومان
هر قسط 54.750 تومان•خرید قسطی با ترب‌پی بدون کارمزد   

“تسلط به برنامه‌نویسی پایتون با هوش مصنوعی: آموزش کدنویسی هوشمند با ChatGPT”

قیمت اصلی 2.290.000 تومان بود.قیمت فعلی 219.000 تومان است.

آموزش برنامه‌نویسی پایتون با کمک ChatGPT؛ از مبانی کدنویسی و حل خطا تا ساخت پروژه‌های هوشمند.