Gemini 3.8 Live และ Extended Thinking ขึ้น API แล้ว — อันดับ 1 Speech-to-Speech Index ที่ 82.6 แต่นำ GPT-Live-1 แค่ 1.1 คะแนน และตัวถูกอยู่อันดับ 5

วันที่ 15 ก.ย. 2026 Google เปิดตัวโมเดลเสียงสองตัวพร้อมกัน — Gemini 3.8 Live และ Gemini 3.8 Live Extended Thinking — เขียนโดย Tom Ouyang (Principal Engineer) และ Malini Jaganathan ในนามทีม Gemini Audio ทั้งคู่ขึ้น Gemini API และ Google AI Studio ทันทีในวันประกาศ และเอกสาร ai.google.dev ระบุสถานะทั้งสองว่า New Stable ไม่ใช่ preview

ตัวแรกวางไว้ที่ “scale and cost efficiency” ตัวหลังวางไว้ที่งานซับซ้อนซึ่งต้องคิดหลายขั้น จุดที่น่าสนใจสำหรับคนสร้าง voice agent ไม่ใช่คำโฆษณา แต่เป็นตัวเลขสามชุด — เบนช์มาร์ก ราคา และข้อจำกัดของ session — ซึ่งเมื่อดูพร้อมกันแล้วเล่าเรื่องต่างจากพาดหัวพอสมควร

เบนช์มาร์ก: อันดับ 1 จริง แต่เฉือนกันแค่ 1.1 คะแนน

ประกาศของ Google ระบุว่า Gemini 3.8 Live Extended Thinking “capturing the #1 overall spot on Artificial Analysis’ Speech to Speech Quality Index (82.6)” พร้อมตัวเลขอื่นอีกชุด

• 68.6% บน τ-Voice และ 35.1% บน τ-Voice-banking ของ Sierra
• 97.7% บน Big Bench Audio
• ส่วน Gemini 3.8 Live ตัวธรรมดา “securing a second place in the Speech Agent Arena”
• บน EVA-Bench ของ ServiceNow Google บอกว่าโมเดล “push the Pareto Frontier” โดยมีหมายเหตุกำกับไว้เองว่า รันบน Live API บน Gemini Enterprise Agent Platform ไม่ใช่ endpoint สาธารณะ

เราไปดึงข้อมูลดิบของ Artificial Analysis มาตรวจเอง ตารางของ AA ยืนยันตัวเลข 82.6 จริง (ค่าเต็ม 82.5828) และเป็นอันดับ 1 จริง แต่ลำดับถัดลงมาบอกอะไรที่ประกาศไม่ได้บอก

อันดับ	โมเดล	คะแนน
1	Gemini 3.8 Live Extended Thinking (High)	82.6
2	GPT-Live-1 (Astra, medium)	81.5
3	Grok Voice Think Fast 2.0 High	81.3
4	GPT-Live-1 (Sol, low)	80.1
5	Gemini 3.8 Live	76.0
6	GPT-Realtime-2.1 High	73.9

สองข้อที่ควรอ่านจากตารางนี้ หนึ่ง — ระยะนำคือ 1.1 คะแนนจาก 82.6 บนดัชนีที่ AA เองอธิบายว่าเป็นค่าเฉลี่ยถ่วงน้ำหนักของ Speech Reasoning, Agentic Performance, Arena Preference และ Task Success Rate นี่คือการเฉือนกัน ไม่ใช่การทิ้งห่าง สอง — “อันดับ 1” เป็นของตัวแพงเท่านั้น Gemini 3.8 Live ตัวที่ Google วางไว้ว่าเป็นตัว “built for scale” ได้ 76.0 อยู่อันดับ 5 ตามหลัง GPT-Live-1 ทั้งสองการตั้งค่า

เรื่อง Big Bench Audio ก็มีบริบทเพิ่ม: FAQ ของหน้า AA เดียวกันระบุว่า StepAudio 3 Realtime นำด้วย speech reasoning 99.7% จาก 39 โมเดลที่วัด ตามด้วย Qwen Audio 3.0 Realtime Plus 99.2% และ Qwen3.5 Omni Plus Realtime 98.7% — 97.7% ของ Gemini จึงไม่ใช่ที่หนึ่งบนตัวชี้วัดย่อยนี้ ซึ่งต้องให้เครดิต Google ว่าเขาไม่ได้อ้างว่าเป็นที่หนึ่ง เขาเขียนแค่ว่า “strong reasoning capabilities”

ราคา: ถูกกว่า GPT-Live-1 ชัดเจน ถ้านับแบบไป-กลับ

หน้า pricing ของ Gemini API รวมสามโมเดลไว้ในแถวเดียวกัน (gemini-3.8-live, gemini-3.8-live-extended-thinking และ gemini-3.1-flash-live-preview) — แปลว่า Extended Thinking ราคาเท่ากับตัวธรรมดา ทั้งที่คะแนนต่างกัน 6.6 จุด

• ขาเข้า: $0.75 ต่อล้านโทเคน (text) · $3.00 หรือ $0.005/นาที (audio) · $1.00 หรือ $0.002/นาที (image/video)
• ขาออก (รวมโทเคน thinking): $4.50 ต่อล้านโทเคน (text) · $12.00 หรือ $0.018/นาที (audio)
• มี Free Tier ใช้ฟรี โดยข้อมูลถูกนำไปปรับปรุงผลิตภัณฑ์
• Grounding with Google Search: 5,000 ครั้งฟรีต่อเดือน (แชร์กันทุกโมเดล Gemini 3.x) แล้วคิด $14 ต่อ 1,000 ครั้ง

รวมเสียงไป-กลับหนึ่งนาทีจึงตกราว $0.023 เทียบกับ gpt-live-1 ที่ ขึ้น GA เมื่อ 10 ก.ย. คิด $0.05 ต่อนาที ของเวลาสนทนา แล้วยังต้องจ่ายค่าโมเดล backend ที่รับงานคิดและเรียกทูลแยกอีกต่างหาก ส่วน Gemini คิดรวมมาในโทเคนเสียงแล้ว ความต่างจึงมากกว่าที่ตัวเลขดิบบอก — แต่ก็แลกมากับสถาปัตยกรรมที่เลือก backend เองไม่ได้

สิ่งที่ใหม่จริงในเชิงวิศวกรรม และเพดานที่ยังอยู่

ฟีเจอร์ที่ Google เน้นคือ การทำงานเบื้องหลังโดยไม่หยุดบทสนทนา โมเดลเรียกทูลและ API ไปพลางคุยไปพลาง และในตัว Extended Thinking “reasons and speaks simultaneously” โดยใช้สัญญาณพูดนำอย่าง “Let me check that…” แล้วเล่าความคืบหน้าระหว่างงานหลายขั้นกำลังเดิน นี่คือคำตอบตรง ๆ ต่อปัญหาที่ voice agent ทุกเจ้าเจอ คือช่วงเงียบยาวตอนโมเดลกำลังคิด

เรื่องภาษามีจุดที่ไม่ตรงกันและควรรู้ไว้ ประกาศระบุว่า “It automatically detects and transitions between 97 supported languages mid-conversation” แต่เอกสาร Live API หน้าเดียวกันของ Google ยังเขียนว่า “Converse in 70 supported languages” และ “70+ languages” อยู่ ณ วันที่เขียน ตารางภาษาในคู่มือมีภาษาไทย (th) อยู่ แต่ตัวเลข 97 กับ 70 ยังไม่ถูกปรับให้ตรงกัน ถ้าจะอ้างตัวเลขในสไลด์ ให้ยึด 70+ ที่เอกสารรับรอง

เพดานที่ยังไม่ขยับและมีผลกับการออกแบบจริง — เอกสาร Live API ระบุว่า session ที่เป็นเสียงอย่างเดียวจำกัด 15 นาที ส่วน session ที่มีวิดีโอด้วยจำกัดแค่ 2 นาที (ต่ออายุได้ด้วยเทคนิค session management) และ context window 128k โทเคนสำหรับโมเดลที่ออกเสียงแบบ native ส่วนโมเดล Live API อื่นอยู่ที่ 32k สองข้อนี้สำคัญมาก เพราะ “visual grounding แบบเรียลไทม์” ที่เดโมโชว์ — ดูหน้าจอ เล่นหมากรุก แปลงสเก็ตช์เป็น React component — วิ่งอยู่ในกรอบ 2 นาทีต่อ session

ฝั่งแพลตฟอร์ม Google ระบุพาร์ตเนอร์ที่ห่อ Live API ไว้แล้ว: Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel และ Vision Agents ส่วนเสียงที่โมเดลสร้างทุกชิ้นฝัง SynthID watermark ไว้

การกระจาย: 3.8 Live เข้า Search Live สำหรับผู้ใช้ทั่วไป ส่วน Extended Thinking เข้า Gemini Live และเข้า Workspace — Docs สำหรับสมาชิก Google AI Pro/Ultra, Gmail และ Keep สำหรับสมาชิก Google AI ทุกระดับ ฝั่งองค์กรยังเป็น private preview ใน Gemini Enterprise

มุมมอง AI Curator

ตัวเลข 82.6 กับคำว่า “#1” จะไปอยู่บนสไลด์ขายของทั่วเอเชียตะวันออกเฉียงใต้ภายในสัปดาห์นี้ สิ่งที่สไลด์พวกนั้นจะไม่บอกคือมันนำอันดับ 2 อยู่ 1.1 คะแนน และโมเดลที่ได้ที่หนึ่งไม่ใช่ตัวที่คุณจะเอาไปรันคอลเซ็นเตอร์หมื่นสาย สำหรับงาน production ที่กดต้นทุน คนส่วนใหญ่จะเลือก gemini-3.8-live ซึ่งได้ 76.0 อยู่อันดับ 5 ตามหลัง GPT-Live-1 ทั้งสองการตั้งค่า แต่เพราะ Google คิดราคาสองตัวนี้เท่ากันเป๊ะ การเลือก Extended Thinking จึงเป็นการแลก latency กับคุณภาพล้วน ๆ ไม่ใช่แลกกับเงิน — ซึ่งเป็นการตั้งราคาที่แปลก และแปลว่าน่าจะ default ไปที่ Extended Thinking ก่อน แล้วค่อยลดลงถ้าความหน่วงไม่ผ่าน

สำหรับทีมไทย เรื่องที่มีผลจริงมากที่สุดไม่ใช่คะแนน แต่เป็นสองอย่าง หนึ่ง — $0.023 ต่อนาทีแบบรวมทุกอย่าง เทียบกับ $0.05 บวกค่า backend ของ OpenAI ที่ปริมาณคอลเซ็นเตอร์จริง ส่วนต่างนี้คือหลักแสนบาทต่อเดือน สอง — การสลับภาษากลางประโยคโดยอัตโนมัติ ซึ่งตรงกับพฤติกรรมผู้พูดไทยอย่างพอดิบพอดี คนไทยพูดไทยปนอังกฤษเป็นปกติในหนึ่งประโยค และ voice agent รุ่นก่อนหน้าที่ต้องล็อก locale ไว้ล่วงหน้าจะเพี้ยนทุกครั้งที่เจอ “ช่วย confirm order หน่อยค่ะ” ถ้าฟีเจอร์นี้ทำงานได้จริงกับไทย-อังกฤษ มันมีค่ากว่าคะแนนเบนช์มาร์กใด ๆ ในหน้านี้ — และเป็นสิ่งที่ต้องทดสอบเอง เพราะไม่มีเบนช์มาร์กสาธารณะตัวไหนวัดมัน

ข้อสุดท้ายที่อยากฝากไว้ เพดาน session วิดีโอ 2 นาทีคือข้อจำกัดที่เดโมทุกตัวในประกาศนี้ซ่อนไว้ งานที่ขายฝันได้ดีที่สุด — ผู้ช่วยที่ดูหน้าจอคุณตอนสอนงานพนักงานใหม่ — คืองานที่ยาวเกิน 2 นาทีเสมอ คุณต้องเขียน session resumption เอง จัดการ context ที่หายไปเอง และออกแบบว่าจะเล่าเรื่องเดิมให้โมเดลฟังใหม่อย่างไรทุก 2 นาที นั่นไม่ใช่รายละเอียดปลีกย่อย นั่นคือตัวงานจริงของการสร้าง voice agent ที่ประกาศระดับนี้ไม่เคยพูดถึง

แหล่งข่าว

• Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking — Google (15 ก.ย. 2026)
• Gemini API — Models (สถานะ New Stable, model id)
• Gemini API — Pricing (แถว 3.8 Live)
• Gemini API — Live API capabilities guide (session 15/2 นาที, context 128k/32k, ตารางภาษา)
• Artificial Analysis — Speech to Speech leaderboard