Présentés par Google le 15 septembre 2026, Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking font évoluer l’assistant vocal vers une interface capable de suivre une conversation en temps réel, d’utiliser le contexte visuel et d’exécuter des outils pendant que l’échange se poursuit. Les résultats publiés indiquent des progrès sur plusieurs évaluations vocales et agentiques, mais ils ne suffisent pas à garantir la fiabilité dans tous les environnements professionnels. L’enjeu tient moins à une voix plus naturelle qu’à la possibilité de confier par la parole des tâches longues à un système connecté à des données et à des services.
Deux modèles pour deux niveaux de complexité
Google distingue deux offres. Gemini 3.8 Live vise les interactions à faible latence et les déploiements à grande échelle. Gemini 3.8 Live Extended Thinking ajoute un raisonnement plus approfondi pour les demandes complexes et les tâches en plusieurs étapes. Les deux modèles reposent sur Gemini 3 Pro et acceptent des flux audio, des images, de la vidéo et du texte. Leur fenêtre de contexte annoncée atteint 128 000 tokens, avec une sortie audio ou textuelle pouvant aller jusqu’à 64 000 tokens.[1]
La différence avec un assistant vocal classique se situe dans la continuité de l’interaction. Un système traditionnel transcrit la demande, cherche une réponse, puis la restitue. Gemini 3.8 Live est conçu pour maintenir une session multimodale, gérer les interruptions, exploiter une caméra ou un écran et appeler une fonction ou une API sans imposer un silence jusqu’à la fin de l’opération. Le modèle peut ainsi confirmer qu’une action est en cours, poursuivre l’échange et annoncer ensuite son résultat.[2]
Cette capacité ne signifie pas que le système agit sans infrastructure. L’application doit lui donner accès aux outils, définir les autorisations et traiter les flux en temps réel. La documentation de l’API décrit une connexion WebSocket avec état. Pour les connexions directes depuis une application cliente, Google recommande des jetons temporaires plutôt que des clés API permanentes afin de limiter les risques d’exposition.[3]
Ce qui change réellement pour l’interface vocale
L’apport principal ne réside pas seulement dans la qualité de la synthèse vocale. Il concerne la combinaison de quatre fonctions qui étaient souvent séparées : le dialogue continu, le traitement du contexte visuel, le raisonnement sur plusieurs étapes et l’exécution d’outils. Cette association rapproche l’assistant vocal d’une interface agentique, c’est-à-dire d’un système capable de transformer une intention formulée oralement en une suite d’actions contrôlées.
Google annonce également une détection et un changement automatiques entre 97 langues pendant une conversation. La documentation générale de Live API mentionne pour sa part 70 langues prises en charge et plus de 70 pour la traduction en direct.[2][3] Ces chiffres ne décrivent pas exactement le même périmètre. Ils invitent à vérifier, pour chaque produit et chaque langue, les fonctions réellement disponibles, la qualité des accents, la latence et les conditions d’accès.
Dans un contexte professionnel, une interaction pourrait commencer par une question orale, se poursuivre par l’analyse d’un document affiché, déclencher une recherche ou une fonction métier, puis aboutir à une action proposée à l’utilisateur. Cette continuité peut faciliter l’accès à des logiciels complexes. Elle augmente aussi le nombre de décisions prises dans une même session, ce qui rend la traçabilité et la possibilité d’annuler une action plus importantes.
Référentiel technologique
Des résultats encourageants à lire avec prudence
Google met en avant plusieurs évaluations. Gemini 3.8 Live Extended Thinking obtient 82,6 sur le Speech to Speech Quality Index d’Artificial Analysis, 68,6 % sur τ-Voice, 35,1 % sur Sierra τ-Voice-banking et 97,7 % sur Big Bench Audio.[2] Le document méthodologique précise que les essais Artificial Analysis ont été réalisés par cet organisme, que les évaluations ServiceNow ont été conduites par ServiceNow et que les modèles Gemini ont été testés avec les identifiants de préversion et, pour plusieurs mesures, un niveau de raisonnement élevé.[4]
Ces mesures couvrent mieux la voix et l’exécution de tâches que les benchmarks textuels classiques. Elles restent néanmoins sensibles aux scénarios, aux budgets de raisonnement, aux outils disponibles et aux critères de réussite. Une conversation naturelle peut masquer une erreur factuelle ou une action mal paramétrée. À l’inverse, un agent exact mais lent peut être difficile à utiliser dans un appel. L’évaluation doit donc combiner la qualité de l’échange, le taux d’accomplissement, la gravité des erreurs, la latence et la capacité à demander une confirmation.
Des usages possibles dans le travail et les services
Les assistants vocaux agentiques peuvent être utiles lorsque les mains ou le regard sont occupés, lorsque l’utilisateur maîtrise mal l’interface ou lorsque le dialogue constitue le canal le plus naturel. Plusieurs usages peuvent être envisagés, à condition de les tester dans leur environnement réel.
- Assistance technique : guider un opérateur à partir d’une caméra, consulter une documentation et proposer une étape suivante sans interrompre l’intervention.
- Relation client : qualifier une demande, interroger un système d’information et préparer une action, avec transfert à un conseiller lorsque le cas dépasse les règles établies.
- Travail documentaire : commenter oralement un courriel ou un document, rechercher une information et préparer une modification dans les services autorisés.
- Éducation et accessibilité : fournir des explications adaptées, décrire un contexte visuel ou permettre une interaction moins dépendante du clavier et de l’écran.
Ces scénarios ne donnent pas tous le même degré d’autonomie au modèle. Lire une procédure présente moins de conséquences qu’annuler une commande, modifier un dossier client ou envoyer un message. Les organisations doivent donc définir des niveaux d’action : information, proposition, préparation, exécution avec confirmation et exécution automatisée. Plus une action est difficile à corriger, plus la validation humaine doit être explicite.
La voix augmente les enjeux de confiance et de protection des données
Une interface vocale collecte davantage qu’une suite de mots. Le flux peut révéler l’environnement sonore, des habitudes, des émotions apparentes, des informations sur des tiers et, selon les traitements, des caractéristiques permettant d’identifier une personne. La CNIL recommande une démarche de protection des données dès la conception, une information claire, une maîtrise de l’activation et des mesures limitant les enregistrements accidentels.[5]
Pour une organisation, le déploiement exige de préciser les finalités, les données envoyées au service, les durées de conservation, les destinataires, les transferts éventuels et les droits des personnes. Dans les domaines sensibles, l’accès aux dossiers et aux outils doit suivre le principe du moindre privilège. Les journaux doivent permettre de distinguer ce que l’utilisateur a demandé, ce que le modèle a proposé et ce que le système a effectivement exécuté.
La voix synthétique soulève aussi un risque d’usurpation. Google indique que les contenus audio produits par ses services intègrent SynthID, un marquage imperceptible destiné à faciliter leur détection.[2] Cette mesure est utile, mais elle ne garantit pas que tous les lecteurs ou toutes les plateformes vérifieront ce signal. Dans l’Union européenne, l’article 50 du règlement sur l’intelligence artificielle impose depuis le 2 août 2026 des obligations d’information lors d’une interaction directe avec un système d’IA et de marquage lisible par machine des contenus synthétiques, avec des règles spécifiques pour les hypertrucages.[6]
La sécurité doit enfin couvrir les instructions malveillantes transmises par la voix, l’image ou une source consultée. Un agent connecté peut recevoir une consigne cachée dans un document ou être incité à révéler une information. La fiche du modèle mentionne les risques généraux d’hallucination et de contournement des protections. Elle indique aussi que Google ne considère pas ces modèles comme apportant une augmentation matérielle de capacité par rapport à Gemini 3.7 Flash au regard de son cadre de sécurité de frontière.[1] Cette conclusion interne ne remplace pas les tests propres à chaque usage.
Ce que l’annonce ne démontre pas encore
- Les scores publiés ne prouvent pas une qualité homogène dans les 97 langues annoncées ni dans tous les accents et environnements sonores.
- La fluidité d’une démonstration ne mesure pas le taux d’erreurs graves lors d’actions longues ou réglementées.
- La disponibilité varie entre l’API, Search Live, Gemini, Workspace et les offres d’entreprise, parfois en préversion privée ou selon l’abonnement.
- La date de fin des connaissances indiquée est janvier 2025. Une information récente nécessite donc une source externe fiable et correctement consultée.
- Google signale des lenteurs et expirations occasionnelles. La robustesse réelle dépend aussi du réseau, de l’application et des services tiers appelés.
Vers un assistant vocal capable d’agir sous contrôle
Gemini 3.8 Live marque une évolution crédible de l’interface vocale. La conversation devient un moyen de piloter des outils, de mobiliser un contexte visuel et de suivre une tâche en plusieurs étapes. Le changement est important pour l’accessibilité et pour les situations où l’écran ralentit l’action. Il ne transforme toutefois pas la parole en preuve de fiabilité.
La valeur de ces systèmes dépendra de leur architecture de contrôle : permissions limitées, confirmations proportionnées au risque, journalisation, possibilité d’interrompre ou d’annuler, information claire sur la nature artificielle de l’interlocuteur et recours humain accessible. La prochaine étape ne sera donc pas seulement de rendre la voix plus fluide. Elle consistera à déterminer quelles actions un assistant peut réellement accomplir, avec quelles données et sous quelle responsabilité.
Pour aller plus loin
Pour approfondir les modèles vocaux, la traduction en temps réel et l’évolution des agents d’intelligence artificielle, découvrez également ces analyses du blog aivancity.
Sources
[1] Google DeepMind. (15 septembre 2026). Gemini 3.8 Audio (Live, Live Extended Thinking), Model Card. Consulter la fiche du modèle
[2] Google. (15 septembre 2026, mise à jour le 17 septembre). Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking. Consulter l’annonce
[3] Google AI for Developers. (2026, mise à jour le 15 septembre). Gemini Live API overview. Consulter la documentation
[4] Google DeepMind. (2026). Gemini 3.8 Audio Model Evaluation: Approach, Methodology and Results. Consulter le rapport
[5] CNIL. (Consulté le 23 septembre 2026). Assistants vocaux : les conseils pour les utilisateurs et les professionnels. Consulter les recommandations
[6] Commission européenne. (6 août 2026). Guidelines on transparency obligations for providers and deployers of certain AI systems. Consulter les lignes directrices