Google Cloud объявил о выходе в стадию общей доступности (GA) API для мультимодальных голосовых агентов Gemini Live на своей платформе для разработки ИИ Vertex AI. Сервис, основанный на новой модели Gemini 2.5 Flash Native Audio, предназначен для создания приложений, способных вести естественные разговоры с поддержкой голоса, видео и текста в реальном времени.
Новый стандарт для разговорного ИИ
По сообщению Google Cloud, Gemini Live API позиционируется как новый стандарт для «оживления» искусственного интеллекта. Ключевая особенность — способность обрабатывать взаимодействие в режиме реального времени с минимальной задержкой, что критически важно для имитации человеческого диалога. Модель Gemini 2.5 Flash Native Audio лежит в основе этой функциональности.
Заявленные возможности API включают:
- Обработку прерываний в середине фразы для естественной очередности реплик.
- Анализ акустических сигналов (тона, темпа) для определения намерения и эмоциональной окраски речи.
- Визуальный анализ и обсуждение в реальном времени сложных данных с экрана пользователя (графиков, схем, живого видео).
Платформа для корпоративного внедрения
Размещение API на Vertex AI подчеркивает его ориентацию на корпоративный сегмент. Google акцентирует внимание на безопасности, стабильности и производительности, необходимых для критически важных бизнес-процессов. Платформа предлагает глобальную инфраструктуру в нескольких регионах, функции контроля резидентности данных для соблюдения регуляторных требований и оптимизацию для обработки большого количества одновременных сессий с низкой задержкой.
Здесь Google играет на своем главном поле — экосистеме. Они не просто выпускают ещё одну языковую модель с голосовым интерфейсом, а предлагают готовый, отполированный инструмент для бизнеса, встроенный в их облачную платформу. Это прямой ответ на запрос рынка на надежные, масштабируемые и, что немаловажно, юридически обоснованные решения для автоматизации сервиса. Вопрос в том, насколько «человечным» окажется этот голос на практике за пределами демонстрационных роликов и сможет ли он справиться с настоящим хаосом живого customer support.
Примеры использования от первых клиентов
В анонсе приведены кейсы нескольких компаний, уже использующих технологию:
- Shopify внедрила мультимодального ассистента Sidekick для предоставления персонализированной поддержки продавцам, уходя от традиционных систем тикетов.
- United Wholesale Mortgage (UWM) с помощью AI Loan Officer Assistant «Mia» на базе Gemini Live API, по заявлениям, сгенерировала более 14 000 кредитных заявок для партнеров-брокеров.
- SightCall интегрирует модель для предоставления экспертной поддержки с визуальным ассистированием в реальном времени для сервисных команд.
- Napster использует возможности зрения и аудио API для создания AI-компаньонов, которые могут «видеть» экран пользователя и совместно создавать музыку.
- Lumeris тестирует медицинского ассистента «Tom» в средах, где важны эмоциональная чувствительность и нюансы общения.
Анонс Gemini Live API на Vertex AI знаменует переход от демонстрации «умных» чат-ботов к их промышленному внедрению. Google делает ставку не на сырую технологию, а на готовый продукт для корпораций, где ключевыми аргументами становятся не только качество диалога, но и безопасность, масштабируемость и интеграция с существующей облачной инфраструктурой. Успех будет зависеть от того, насколько бесшовно эта технология впишется в реальные бизнес-процессы, выходящие далеко за рамки идеальных условий демо.