Google vừa ra mắt Gemini 3.8 Live và Gemini 3.8 Live Extended Thinking, hai mô hình AI giọng nói thế hệ mới, có sẵn trên Gemini API, Google Workspace và ứng dụng Gemini. Cả hai đều xử lý suy luận thời gian thực, chạy tác vụ nền và hội thoại đa ngôn ngữ song song, không cần tạm dừng cuộc trò chuyện để xử lý. Với doanh nghiệp đang xây dựng trên nền tảng giao diện giọng nói, đây là bước chuyển đáng chú ý về năng lực thực chiến.
Gemini 3.8 Live và 3.8 Live Extended Thinking là gì?
Hai mô hình phục vụ hai nhóm tình huống khác nhau, theo Google DeepMind.
Gemini 3.8 Live được thiết kế cho quy mô lớn và hiệu quả chi phí. Nó kết hợp hội thoại tự nhiên với visual grounding (khả năng neo câu trả lời vào những gì mô hình đang thấy qua camera hoặc màn hình) theo thời gian thực.
Gemini 3.8 Live Extended Thinking nhắm đến các tác vụ phức tạp đòi hỏi suy luận nhiều bước, chẳng hạn xử lý một vấn đề hỗ trợ khách hàng khó hoặc lập kế hoạch qua nhiều lượt trao đổi, trong khi vẫn duy trì cuộc trò chuyện không bị ngắt quãng.
Cả hai đều hỗ trợ ngắt lời tự nhiên, nhiều ngôn ngữ, và có thể giải thích quá trình suy luận ngay trong lúc làm việc, thay vì “biến mất” rồi trả về một câu trả lời hoàn chỉnh.
Benchmark của hai mô hình này như thế nào?
Google DeepMind công bố kết quả benchmark cho Gemini 3.8 Live Extended Thinking tại thời điểm ra mắt năm 2026:
- 82,6 điểm trên Speech to Speech Quality Index của Artificial Analysis, xếp hạng #1 trong tất cả các mô hình được đánh giá.
- 68,6% trên τ-Voice, dẫn đầu về hoàn thành tác vụ agentic.
- 35,1% trên τ-Voice-banking của Sierra.
- 97,7% trên Big Bench Audio.
Gemini 3.8 Live, phiên bản tiết kiệm chi phí hơn, xếp hạng hai trên Speech Agent Arena, bảng xếp hạng cộng đồng nơi người dùng thực so sánh các mô hình AI giọng nói trong hội thoại trực tiếp.
Doanh nghiệp có thể xây dựng gì từ các mô hình này?
Ngoài bộ công cụ cho nhà phát triển, Google cũng định vị Gemini Enterprise for Customer Experience (CX) như một giải pháp voice agent (trợ lý giọng nói) triển khai ngay, nhắm đến nhà bán lẻ và chuỗi nhà hàng, theo cloud.google.com. Nền tảng này dùng mô hình audio gốc để stream theo thời gian thực, giúp agent duy trì hội thoại đa ngôn ngữ tự nhiên xuyên suốt vòng đời khách hàng: khám phá sản phẩm, xây giỏ hàng, chương trình khách hàng thân thiết và hỗ trợ sau mua.
Gemini Enterprise for CX bao gồm một Shopping agent đa phương thức (multimodal, tức xử lý được cả văn bản, hình ảnh lẫn âm thanh) được xây sẵn, có khả năng điều hướng catalog sản phẩm và dẫn khách đến tận bước thanh toán. Một Customer Experience Agent Studio riêng cho phép doanh nghiệp xây và triển khai các agent hỗ trợ tùy chỉnh, kết nối với Shopping agent và khai thác lịch sử tương tác của từng khách hàng.
Universal Commerce Protocol (UCP), một chuẩn dùng chung cho các hành động thương mại điện tử trên nhiều điểm tiếp xúc khác nhau, được thiết kế để cùng một agent vừa hỗ trợ khách duyệt sản phẩm vừa xử lý khiếu nại hoàn trả mà không mất ngữ cảnh.
Mô hình Extended Thinking có “suy luận thành tiếng” không?
Theo Google DeepMind: có. Gemini 3.8 Live Extended Thinking được xây dựng để bộc lộ quá trình suy luận trong khi vẫn duy trì hội thoại. Các tác vụ nền, như tìm kiếm thông tin, lấy dữ liệu hoặc gọi công cụ bên ngoài, chạy song song với cuộc trò chuyện thay vì tạm dừng nó.
Khi người dùng đặt câu hỏi phức tạp, họ sẽ nghe mô hình đang xử lý từng bước thay vì chờ trong im lặng cho đến khi nhận được câu trả lời hoàn chỉnh.
Điều này có nghĩa gì với khả năng hiện diện trên AI?
Hãy đặt thẳng vấn đề: trong tìm kiếm web thông thường, một thương hiệu xếp thứ tư vẫn được nhìn thấy. Trong hội thoại giọng nói, mô hình thường chỉ đưa ra một hoặc hai lựa chọn. Xếp thứ ba đồng nghĩa với việc không được nhắc đến.
Điều này trở nên gay gắt hơn khi mô hình đang thực hiện tác vụ thay vì chỉ trả lời câu hỏi. Một voice agent tự đặt bàn, xử lý yêu cầu hỗ trợ, hoặc xây giỏ hàng đã đưa người dùng ra ngoài quy trình lựa chọn hoàn toàn. Agent trở thành người ra quyết định, và thương hiệu nào agent mặc định chọn sẽ thắng cuộc tương tác đó. Không có click, không có scroll, không có cơ hội thứ hai.
Con số 68,6% τ-Voice (theo Google DeepMind, 2026) là con số đáng chú ý nhất ở đây. Nó không đo Gemini trả lời câu hỏi kiến thức tốt thế nào. Nó đo khả năng hoàn thành tác vụ agentic của voice agent. Đây chính xác là năng lực quyết định thương hiệu có xuất hiện trong một agentic workflow (luồng xử lý do agent tự điều phối từ đầu đến cuối) hay bị bỏ qua. Các agent hoạt động ở mức này ngày càng đang chọn nhà cung cấp, không chỉ hiển thị kết quả.
Góc nhìn Hingewise
Khoảng cách giữa “xuất hiện trong kết quả tìm kiếm” và “được agent chọn” không phải là bài toán tương lai. Các mô hình hiện đã hoàn thành 68% tác vụ giọng nói agentic một cách tự động, và các quyết định lựa chọn đang xảy ra ở quy mô lớn ngay bây giờ.
Đây là điều mà bản tin trên chưa nói rõ: tín hiệu agent dùng để lựa chọn khác hoàn toàn với tín hiệu xếp hạng truyền thống. Lấy ví dụ thực tế: nếu bạn có một chuỗi nhà hàng và khách gọi “đặt bàn tối nay gần đây”, agent sẽ không “đọc” bài review Tripadvisor của bạn. Nó sẽ tìm dữ liệu có cấu trúc: Google Business Profile cập nhật, schema markup (mã đánh dấu cấu trúc dữ liệu giúp máy đọc hiểu nội dung trang web) đúng định dạng, và API đặt bàn có thể kết nối. Thiếu một trong số đó, bạn không tồn tại trong quyết định của agent dù website đang xếp top Google.
Các thương hiệu đã tối ưu tốt cho tìm kiếm văn bản nhưng chưa chuẩn hóa dữ liệu theo định dạng agent đọc được có thể đang mất dần vị thế trong các bối cảnh giọng nói, dù số liệu traffic web chưa phản ánh điều này. Đây là nhận định của Hingewise dựa trên xu hướng hiện tại. Nhưng điểm τ-Voice 68,6% là đủ để bắt đầu kiểm tra lại khả năng đọc được dữ liệu của bạn ngay hôm nay.
Trước khi triển khai hoặc rà soát voice AI: danh sách kiểm nhanh
- Thử trực tiếp: hỏi Gemini voice, ChatGPT voice và Perplexity voice mode xem thương hiệu của bạn được nhắc đến thế nào trong danh mục của mình.
- Kiểm tra dữ liệu sản phẩm và dịch vụ có ở định dạng AI agent đọc được không: schema markup, product feed, trang FAQ với câu trả lời cụ thể thay vì nội dung mô tả chung chung.
- Xác nhận Google Business Profile, catalog sản phẩm và tài liệu hỗ trợ đều được cập nhật. Agent ưu tiên lấy từ nguồn mới và chính xác.
- Kiểm tra website có cho phép crawler (bot thu thập dữ liệu) của Google truy cập các trang quan trọng không. Chặn crawler đồng nghĩa với chặn khả năng được truy xuất.
- Liệt kê các tác vụ mà khách hàng có thể nhờ voice agent thực hiện trong lĩnh vực của bạn, rồi hỏi: bước nào thương hiệu bạn có thể “sở hữu”?
- Kiểm tra nội dung đa ngôn ngữ. Hỗ trợ đa ngôn ngữ của Gemini 3.8 Live có nghĩa là khách hàng không dùng tiếng Anh có thể được phục vụ ở chất lượng gần tiếng bản địa. Nếu dữ liệu có cấu trúc của bạn chỉ có tiếng Anh, đó là khoảng trống cần lấp.
Điều cần theo dõi tiếp theo
Gemini 3.8 Live đang được triển khai trên Google Workspace và Search. Khi tích hợp ngày càng sâu vào các sản phẩm Google mà người dùng dùng hàng ngày, ranh giới giữa tìm kiếm và hoàn thành tác vụ sẽ tiếp tục mờ dần. Điểm đáng theo dõi là tốc độ phổ biến của UCP: đây là cơ sở hạ tầng quyết định agent của bên thứ ba có thể kết nối vào luồng thương mại của Google hay không, và từ đó ảnh hưởng đến phạm vi thương hiệu nào thực sự có mặt trong các lượt giao dịch do agent thực hiện.
Nguồn: Google DeepMind, 2026; cloud.google.com.
Bài viết được soạn với sự hỗ trợ của AI từ các nguồn dẫn ở trên và đối chiếu với các nguồn đó trước khi đăng. "Góc nhìn Hingewise" là nhận định biên tập của Hingewise, dựa trên khung phân tích và lập trường chúng tôi dùng trong công việc GEO. Cách chúng tôi làm việc: Chính sách biên tập.