Gemini 3.8 Live : premier du classement, recalé en banque

Le 15 septembre 2026, Google a publié Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking, deux modèles vocaux présentés comme prêts pour la production. Les résultats annoncés sont spectaculaires : première place de l'indice Speech-to-Speech Quality d'Artificial Analysis avec 82,6, et 97,7 % sur Big Bench Audio, la suite qui évalue le raisonnement à partir de contenu sonore.

Puis il y a un troisième chiffre, publié dans le même communiqué, que personne ne met en avant : 35,1 % sur τ-Voice-banking, la suite qui simule des tâches d'agent vocal dans un contexte bancaire réel.

Le même modèle qui domine le classement de qualité conversationnelle échoue donc dans près de deux cas sur trois quand il s'agit d'exécuter une opération bancaire complète au téléphone. Cet écart n'est pas une contradiction : il décrit exactement où en est la technologie des agents vocaux. Voici ce que Google a livré, et ce que ces chiffres autorisent vraiment.

Ce que Google a lancé le 15 septembre 2026

Deux modèles, deux usages

Gemini 3.8 Live vise l'échelle et l'efficacité économique. C'est le modèle destiné aux volumes : standardiste, qualification d'appels, assistance de premier niveau.

Gemini 3.8 Live Extended Thinking ajoute un raisonnement multi-étapes à profondeur configurable, exécuté pendant que le modèle parle. C'est lui qui décroche les meilleurs scores, et lui qui coûte plus cher — les tokens de raisonnement, la vidéo et les documents sont facturés en supplément.

Parler et réfléchir en même temps

La nouveauté technique tient dans une formule de Google : le traitement simultané de la parole et de la pensée. Concrètement, le modèle peut lancer un appel d'API ou interroger un outil en arrière-plan, sans interrompre la conversation, et meubler ce délai par des accusés de réception verbaux naturels du type « laissez-moi vérifier ça ».

C'est moins anecdotique qu'il n'y paraît. Le défaut rédhibitoire des agents vocaux de générations précédentes n'était pas la qualité de la voix, mais le silence : ces trois secondes de vide pendant que le système consulte une base, qui font raccrocher l'appelant ou l'amènent à répéter sa question. Combler ce vide sans mentir sur ce qui se passe est une condition d'usage réel.

Le modèle réalise par ailleurs un ancrage visuel en quasi temps réel — il peut commenter ce que montre une caméra pendant qu'on lui parle — et chaque sortie audio embarque un filigrane SynthID, destiné à identifier les contenus générés.

97 langues, avec changement à la volée

Gemini 3.8 Live prend en charge 97 langues, avec détection automatique et bascule en cours de conversation.

Ce dernier point mérite l'attention de quiconque opère dans un environnement multilingue. Un appelant qui commence en français, place une phrase en créole puis revient au français ne casse pas la session. Pour un service client dans un pays plurilingue, c'est la différence entre un agent utilisable et une démonstration.

À vérifier tout de même sur vos propres langues : « 97 langues supportées » couvre rarement 97 langues au même niveau de qualité. Testez les vôtres avant de vous engager.

Les benchmarks : premier partout, sauf en banque

Les scores publiés

Suite	Score	Modèle
Speech-to-Speech Quality Index	82,6 (1ᵉʳ)	Extended Thinking
Big Bench Audio	97,7 %	Extended Thinking
τ-Voice	68,6 %	Extended Thinking
τ-Voice-banking	35,1 %	Extended Thinking
ServiceNow EVA-Bench	1ʳᵉ place	Live
Speech Agent Arena	2ᵉ place	Live

La deuxième place sur Speech Agent Arena est à noter séparément : cette évaluation repose sur la préférence humaine, pas sur des métriques automatiques. Google domine les classements techniques mais n'est pas premier quand ce sont des personnes qui jugent.

Les 35,1 % qu'il faut regarder

Trois suites mesurent des choses très différentes, et les confondre conduit à des décisions coûteuses.

Big Bench Audio (97,7 %) évalue la compréhension et le raisonnement sur du contenu audio. Le modèle comprend ce qu'on lui dit. C'est acquis.

τ-Voice (68,6 %) évalue des tâches d'agent vocal génériques : comprendre une demande, appeler les bons outils, mener l'échange à son terme. Deux tiers de réussite.

τ-Voice-banking (35,1 %) applique le même principe à un domaine réglementé, avec vérification d'identité, opérations sensibles et procédures strictes. Un tiers de réussite.

L'écart entre 68,6 et 35,1 mesure le coût de la spécialisation métier. Plus le domaine impose des règles, des vérifications et des conséquences réelles, plus l'agent décroche. Et la banque n'a rien d'un cas extrême : l'assurance, la santé, les télécoms et l'administration présentent les mêmes contraintes.

Ce que ce chiffre autorise, et ce qu'il interdit, se déduit assez simplement. Un agent vocal capable d'informer, d'orienter, de qualifier et de transférer : oui, les scores le soutiennent. Un agent qui exécute seul des opérations engageantes dans un secteur réglementé : non, pas avec un taux de réussite d'un tiers, quel que soit le naturel de sa voix.

Combien ça coûte vraiment

La facturation est à la minute d'audio, ce qui change des tarifs au token auxquels le marché s'est habitué.

Poste	Tarif
Audio entrant	0,005 $/minute
Audio sortant	0,018 $/minute

Ces montants correspondent à environ 3 dollars par million de tokens en entrée et 12 en sortie.

On lit ici et là un coût de 1,38 dollar par heure. Le calcul est exact — (0,005 + 0,018) × 60 — mais il suppose que l'entrée et la sortie tournent simultanément pendant soixante minutes. Dans une conversation réelle, les deux alternent. Traitez 1,38 dollar comme un plafond théorique, pas comme votre coût prévisionnel.

Pour une estimation utilisable, mesurez sur vos propres appels la durée moyenne et la répartition entre temps de parole du client et temps de parole de l'agent. Un agent bavard coûte structurellement plus cher qu'un agent concis, puisque la sortie est facturée près de quatre fois le prix de l'entrée.

Attention enfin au modèle Extended Thinking : ses tokens de raisonnement sont facturés en plus du temps d'audio. Le surcoût dépend de la profondeur de réflexion configurée, ce qui rend toute projection hasardeuse sans test sur vos propres scénarios. C'est le même phénomène que celui observé sur Gemini 3.8 Flash, dont la consommation de tokens grimpe de 40 % précisément parce qu'il raisonne davantage.

Où l'utiliser

Les deux modèles sont disponibles dans l'API Gemini Live et Google AI Studio, ainsi que sur Vertex pour les déploiements d'entreprise. Une préversion privée existe dans Gemini Enterprise et Search Live.

Extended Thinking alimente en outre Google Workspace — Docs, Gmail, Keep — et l'application Gemini Live.

Côté intégration, Google s'appuie sur un réseau de partenaires déjà établis dans la téléphonie temps réel : Vercel, Agora, LiveKit, Pipecat, Fishjam et Vision Agents. C'est un signal de sérieux industriel : ces plateformes portent déjà des flux vocaux en production.

Un point à intégrer dans votre analyse de risque : les modèles sont hébergés uniquement. Aucune option d'auto-hébergement. Pour un traitement d'appels contenant des données personnelles ou des données de santé, cela déplace la question vers la localisation des traitements et les engagements contractuels de Google, sans possibilité de rapatrier le modèle chez vous.

Face à GPT-Realtime 2

OpenAI occupait ce terrain depuis plusieurs mois avec GPT-Realtime 2, que nous avions analysé dans notre dossier sur la voix générative.

Google prend aujourd'hui la tête du classement de qualité conversationnelle, avec un argument différenciant sur l'exécution d'outils en arrière-plan et la couverture de 97 langues. Mais la deuxième place sur Speech Agent Arena, l'évaluation par préférence humaine, rappelle que l'écart perçu par un utilisateur reste plus étroit que les classements techniques ne le suggèrent.

Pour un choix de fournisseur, la question déterminante n'est probablement ni le score ni le prix affiché, mais l'intégration : quelle plateforme de téléphonie vous utilisez déjà, et laquelle des deux s'y branche sans développement spécifique.

Ce que ça change pour un centre de contacts

Trois usages sont désormais réalistes, et un quatrième ne l'est pas.

Réaliste : l'accueil et l'orientation, où l'agent identifie le motif d'appel et route vers le bon service. La qualification de demandes entrantes, avec collecte structurée d'informations avant transfert. Le renseignement de premier niveau, sur des informations publiques et vérifiables.

Pas encore réaliste : l'exécution autonome d'opérations engageantes — virement, modification de contrat, résiliation, décision d'indemnisation. Le score de 35,1 % en contexte bancaire est sans appel. Ces opérations demandent un humain dans la boucle, ou au minimum une validation explicite hors du canal vocal.

La bonne architecture en 2026 n'est donc pas « remplacer », mais « filtrer » : l'agent absorbe le volume répétitif et transmet à un humain tout ce qui engage. C'est moins spectaculaire qu'une promesse d'automatisation totale, et nettement plus rentable qu'un déploiement qu'il faut retirer après trois semaines d'incidents.

Points clés à retenir

• Gemini 3.8 Live et Live Extended Thinking sont sortis le 15 septembre 2026, dix jours après Gemini 3.8 Flash.
• Extended Thinking prend la première place du Speech-to-Speech Quality Index avec 82,6 et atteint 97,7 % sur Big Bench Audio.
• Mais il ne réussit que 35,1 % des tâches de τ-Voice-banking : l'automatisation complète en secteur réglementé n'est pas mûre.
• Le modèle exécute des appels d'outils en arrière-plan sans interrompre la conversation, et comble l'attente par des accusés verbaux.
• 97 langues, avec détection automatique et changement en cours d'échange.
• Tarif à la minute : 0,005 $ en entrée, 0,018 $ en sortie. Le chiffre de 1,38 $/heure est un plafond théorique, pas un coût réel.
• Modèles hébergés uniquement : pas d'auto-hébergement possible, ce qui pèse sur les dossiers de conformité.
• Filigrane SynthID embarqué dans chaque sortie audio.

FAQ sur Gemini 3.8 Live

Quel est le prix de Gemini 3.8 Live ?

0,005 dollar par minute d'audio entrant et 0,018 dollar par minute d'audio sortant, soit environ 3 et 12 dollars par million de tokens. Le modèle Extended Thinking facture en supplément ses tokens de raisonnement ainsi que les entrées vidéo et documents.

Combien de langues Gemini 3.8 Live gère-t-il ?

97 langues, avec détection automatique et possibilité de changer de langue en cours de conversation. Le niveau de qualité varie toutefois selon les langues : testez les vôtres avant de vous engager.

Quelle différence entre Gemini 3.8 Live et Live Extended Thinking ?

Live est optimisé pour le volume et le coût. Extended Thinking ajoute un raisonnement multi-étapes à profondeur configurable, exécuté pendant que le modèle parle ; il obtient les meilleurs scores mais coûte plus cher.

Peut-on remplacer un centre d'appels par Gemini 3.8 Live ?

Pas entièrement. Les scores soutiennent l'accueil, l'orientation, la qualification et le renseignement de premier niveau. En revanche, 35,1 % de réussite sur les tâches bancaires de τ-Voice-banking excluent l'exécution autonome d'opérations engageantes en secteur réglementé.

Gemini 3.8 Live peut-il être auto-hébergé ?

Non. Les modèles sont hébergés exclusivement par Google, via l'API Gemini Live, AI Studio ou Vertex. C'est un point à traiter en amont dans tout dossier de conformité portant sur des données sensibles.

Comment savoir si un audio a été généré par Gemini 3.8 Live ?

Chaque sortie audio embarque un filigrane SynthID, conçu pour permettre l'identification des contenus générés par l'IA.

Conclusion

Gemini 3.8 Live règle le problème qui bloquait les agents vocaux depuis deux ans : le silence pendant que la machine réfléchit. Parler et exécuter en même temps, en 97 langues, avec un ancrage visuel — c'est une avancée technique réelle, et les classements de qualité le confirment.

Ce que la communication de lancement dit moins fort, c'est que la compréhension n'est pas l'exécution. Un modèle qui comprend à 97,7 % et n'aboutit qu'à 35,1 % en environnement bancaire décrit précisément la frontière actuelle : les agents vocaux savent tenir une conversation, pas encore porter la responsabilité d'une opération.

Pour qui déploie, la conclusion est opérationnelle plutôt que philosophique. Mettez ces modèles sur le volume répétitif, mesurez leur coût réel sur vos propres appels plutôt que sur un tarif horaire théorique, et gardez un humain sur tout ce qui engage. C'est là que le retour sur investissement se trouve aujourd'hui.

Sur ce point du coût réel, la facturation à la minute d'audio ne se compare pas directement au prix au token, et c'est plutôt un avantage : nous expliquons pourquoi dans ce que coûte vraiment un modèle d'IA en 2027.

Pour la suite de nos analyses sur la voix et l'audio générés, parcourez la catégorie vidéo et audio, ou relisez notre article sur Suno v6 et la musique sous licence.

Vous avez déployé un agent vocal en production ? Dites-nous en commentaire quel taux de transfert vers un humain vous observez réellement — c'est le chiffre qu'aucun benchmark ne donne. Et partagez cet article avec l'équipe qui pilote votre relation client.

---

Sources : SiliconANGLE, MarkTechPost, Unite.AI. Photographies : Unsplash.