Google стартира гласовия асистент с изкуствен интелект Gemini Live

От известно време Google изостава в надпреварата в областта на генеративния изкуствен интелект спрямо конкурентите си като Meta, OpenAI, Anthropic и Mistral. Сега обаче гигантът е готов да навакса. Компанията представи Gemini Live – гласов режим, вграден в чатбота Gemini. Функцията, която е достъпна за абонатите на Gemini Advanced, позволява на потребителите да водят непринудени разговори с изкуствения интелект, да получават отговори с реалистична интонация и дори да го прекъсват. Засега функцията е налична само в мобилното приложение и на английски език. Подобен гласов режим беше представен от OpenAI през пролетта, но масовото му стартиране бе отложено поради проблеми със сигурността.

Gemini Live се предлага на английски език в приложението Gemini на Google за Android устройства с месечен абонамент за Gemini Advanced в размер на $19,99. Версията за iOS и поддръжката на други езици ще бъдат на разположение през следващите седмици.

Google позиционира Gemini Live като инструмент за свободна и естествена комуникация, който е подходящ дори за мозъчна атака, подготовка на важни разговори или просто за непринудена беседа на различни теми. Gemini Live реагира и се адаптира в реално време. Можете да взаимодействате с асистента с изкуствен интелект дори когато екранът е заключен или на устройството ви работят други приложения.

През месец май OpenAI представи своя „усъвършенстван гласов режим“ (Advanced Voice Mode) за ChatGPT, като открито го сравни с интелигентната операционна система от филма „Тя“. Компанията позиционира функцията като пробив във взаимодействието с изкуствен интелект, но след това реши да отложи масовото ѝ пускане. Едва в края на миналия месец опцията започна да се разпространява постепенно сред ограничен брой потребители, участващи в алфа тестовете.

Въпреки че OpenAI първи демонстрира подобна функция, Google планира да я направи достъпна по-рано и за повече хора. С над 3 млрд. потребители на Android и 2,2 млрд. потребители на iOS компанията има предимство в обхвата на аудиторията в сравнение с ChatGPT. За сравнение, чатботът на OpenAI има около 180 милиона потребители.

Една от причините, поради които OpenAI реши да се въздържи от пускането на усъвършенствания гласов режим на ChatGPT, беше, че по време на вътрешните тестове беше открито твърде странно и потенциално опасно поведение. Оказа се например, че чатботът копира гласа на потребителя без негово разрешение. Това би могло да послужи като инструмент за измама или друго злонамерено поведение. Все още не е известно как Google се справя с потенциалната вреда.

Google също така обяви, че Gemini вече е напълно интегриран в потребителския интерфейс на Android, като предоставя по-контекстуална помощ, съобразена с устройството. Потребителите могат да активират Gemini с продължително натискане на бутона за включване или с фразата „Hey Google„. Тази интеграция позволява на Gemini да взаимодейства със съдържанието на екрана, като например да предоставя информация за видеоклиповете в YouTube или да създава списък с ресторанти от блога за пътувания, който да добавя директно в Google Maps.