Google lader dig afbryde AI midt i en samtale

Google har udgivet to nye tale-til-tale-modeller, der tager tale ind og giver tale ud. Det betyder noget, fordi de kan afbrydes midt i en samtale, og en webgrænseflade gør dem nemme at afprøve i browseren. Nu kan udviklere bruge Googles vejledning og en direkte lydforbindelse til at bygge deres egne tovejs lydapplikationer.

Google har netop præsenteret to nye tale-til-tale-modeller, som de kalder Gemini 3.8 Live og 3.8 Live Extended Thinking. De er en del af Gemini 3.8-familien. Forestil dig, at du taler med en ven i telefonen i stedet for at skrive breve frem og tilbage. Det er forskellen på de her modeller og de tekstbaserede sprogmodeller, vi kender. De tager tale ind og giver tale direkte tilbage, så samtalen føles naturlig og flydende.

En udvikler ved navn Simon Willison har bygget en hjemmeside, hvor man kan afprøve modellerne i sin browser. Det særlige er, at man kan afbryde modellen midt i en sætning, præcis som når man taler med et andet menneske. For at lave værktøjet fik han hjælp af en anden AI-model, GPT-6 Astra Extra High, som skrev koden ud fra Googles dokumentation. På hjemmesiden kan man vælge, hvilken stemme modellen skal have, og man kan skrive en besked til systemet, før samtalen går i gang. Det kræver ingen installation af ekstra programmer, fordi al lyd behandles direkte i browseren.

Teknisk set foregår det hele gennem noget, der kaldes en WebSocket-forbindelse. Du kan tænke på det som en konstant åben telefonlinje mellem din browser og Googles servere, hvor lyden sendes frem og tilbage i begge retninger samtidig. Det er en del af Googles Generative Language API, som er et sæt regler for, hvordan programmer kan tale med Googles tjenester. Willison har også delt et link til Googles egen vejledning, så andre kan lære at sætte den samme slags tovejs lydstrøm op. Hele systemet er bygget til at håndtere en løbende samtale uden forsinkelser, hvilket er det, der gør oplevelsen så levende.