Naren Kachroo, руководитель отдела продаж и GTM AI в Google Cloud, заявил, что наиболее ценным искусственным интеллектом является тот, который способен полностью выполнить поставленную задачу. Он подчеркнул, что ценность создается только тогда, когда задача действительно завершена с помощью ИИ.
На мероприятии TechSparks 2026, во время демонстрации продукта под названием «Голосовой ИИ в действии», Kachroo продемонстрировал последние голосовые модели Google, примеры использования у клиентов и живую демонстрацию, разработанную для малого бизнеса. Его основная мысль заключалась в том, что голос становится основным способом взаимодействия людей с ИИ, и в Индии этот переход произойдет на местных языках и акцентах.
Kachroo отметил, что индустрия отошла от концепции генеративного ИИ исключительно как инструмента для вопросов и ответов. Он пояснил, что фокус сместился на ИИ, который имеет доступ к данным, инструментам и возможностям, позволяющим действовать от имени человека.
Компания Google недавно представила Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking. Модель Gemini 3.8 Live способна распознавать и переключаться между 97 поддерживаемыми языками в рамках одного разговора. Kachroo объяснил, как предприятия могут выбрать между этими двумя моделями.
Модель Gemini 3.8 Live подходит для более простых задач, связанных с диалогом и агентскими функциями, например, для голосового чата с базовым вызовом инструментов. В то время как Extended Thinking предназначен для диалогов, требующих более глубокого рассуждения, переключения контекста и выполнения нескольких шагов. Также он упомянул, что Extended Thinking обходится дороже за токен.
Обе модели являются моделями типа «голос в голос», обрабатывая речь как входные, так и выходные данные в рамках одной системы. Для разработчиков, которым требуется только одна часть этого процесса, Google также предлагает отдельные модели для преобразования текста в речь, речи в текст и живого перевода.
Kachroo сообщил, что последняя модель Gemini для преобразования текста в речь показала высокие результаты в внутренних тестах Google с использованием индийских языков, акцентов и тональности. Он провел серию коротких демонстраций, чтобы показать спектр возможных сценариев использования.
В первом примере помощник Shopify, Sidekick, пошагово помог продавцу подключить домен через административную панель Shopify. Во втором примере голосовой агент забронировал столик в ресторане на восемь человек. В процессе звонка вызывающий спросил, разрешен ли торт, поделился фотографией из отзывов Google, чтобы узнать, является ли блюдо вегетарианским, и запросил информацию о других вегетарианских вариантах перед подтверждением бронирования. Этот второй сценарий требовал от агента отслеживания контекста на протяжении нескольких ходов диалога, запоминания предпочтений и выполнения нескольких вызовов инструментов, что, по словам Kachroo, идеально соответствует Extended Thinking.
Он также продемонстрировал Live Avatar, которая объединяет живой голос Gemini с генерацией видео в реальном времени и синхронизацией губ, позволяя пользователям видеть анимированное лицо, а не только слышать голос. Google недавно предоставил Live Avatar бизнесам через Gemini Enterprise, маркируя генерируемый аудио- и видеоконтент невидимым водяным знаком SynthID. Citi выступило в качестве пилотного клиента: его помощник Citi Sky, созданный с использованием технологии аватара в реальном времени от Google DeepMind и Gemini Live API, помогает клиентам из сферы благосостояния США принимать решения, например, относительно погашения сертификата депозита.
Kachroo отметил, что Gemini 3.8 Live имеет самую низкую стоимость за ход среди сопоставимых моделей, а Extended Thinking устанавливает отраслевые стандарты качества преобразования речи в речь. Google заявила, что Extended Thinking набрал 82.6 балла по индексу качества преобразования речи в речь от Artificial Analysis, что является самым высоким показателем.
Он уточнил, что низкая цена обусловлена тем, что Google управляет всем стеком самостоятельно — от чипов TPU и инфраструктуры до самих моделей и приложений, передавая полученную эффективность клиентам. Это позволяет Google предлагать как высококачественную модель, так и более экономичную рабочую лошадку.
В качестве примеров использования голосового ИИ Kachroo привел двух клиентов: Autotrader, который использует эту технологию для покупки и продажи подержанных автомобилей, и Equal AI, индийский стартап, чей помощник отвечает на звонки и обрабатывает их до того, как пользователь возьмет трубку.
Центральным элементом сессии стала живая демонстрация помощника для микро-, малых и средних предприятий (МСП), которую команда Kachroo разработала примерно за один день. Это крупный потенциальный рынок: по данным министерства МСП, на портале Udyam правительства зарегистрировано более 7,8 крора предприятий по состоянию на февраль 2026 года. Kachroo заранее предупредил об одном риске: он запускал демо через мобильный хотспот после того, как не смог подключиться к сети отеля.
Демонстрация включала вымышленную компанию по производству средств защиты и ее владельца, Раджеша, который только что получил около 500 шлемов. Общаясь с помощником, Раджеш спросил, сколько у него есть потенциальных клиентов для шлемов. Помощник нашел двух: строительную фирму в Мумбаи, которой нужно было 500 шлемов, и хозяйственный магазин в Агре, которому нужно было 50. Раджеш поручил помощнику отбросить меньший заказ, отправить коммерческое предложение покупателю из Мумбаи и позвонить ему для заключения сделки. Он установил одно условие: цена должна оставаться выше 400 рупий за шлем, и помощник мог оформить заказ без повторного одобрения. Затем помощник позвонил покупателю и провел переговоры на хинди. Kachroo отметил, что помощник сохранил контекст из внутреннего разговора с Раджешем при внешнем звонке, вел переговоры от имени компании и закрыл сделку.
Этот сквозной процесс, по мнению Kachroo, и является направлением развития голосового ИИ. Он считает, что с моделями 3.8 Live предприятия теперь могут интегрировать голосовых агентов в свои процессы, которые самостоятельно выполняют задачи. Kachroo добавил, что этот помощник мог бы вести такой же разговор на тамильском, телугу, малаялам, каннада, маратхи и других языках. Он подчеркнул, что это важно, поскольку индийский потребитель все больше ориентируется на голосовое взаимодействие. Сам Gemini Live теперь поддерживает более 25 индийских языков и диалектов. Согласно отчету IAMAI-Kantar Internet in India 2024, 98% из 886 миллионов активных интернет-пользователей Индии получали контент на индийских языках, а один из пяти использовал голосовые команды для выхода в сеть.
«Я считаю, что голос — это будущее», — заключил он. Он добавил, что голосовой ИИ в Индии должен быть адаптирован к языкам, на которых говорят люди, к их акцентам и к тому, к чему они привыкли. Kachroo сообщил, что у Google DeepMind есть команда в Бенгалуру, занимающаяся исследованиями голоса с акцентом на индийские акценты и культурные нюансы. Google также финансирует Проект Ваани, который реализуется Индийским институтом науки и ARTPARK, и который открыл более 31 000 часов речи на 105 языках из 165 округов.
В завершение Kachroo призвал основателей и разработчиков протестировать модели, использовать опыт и делиться обратной связью, включая информацию о том, что не работает, чтобы команды исследований и разработки Google могли их улучшить. Его более широкая мысль заключалась в том, что голосовой ИИ готов перейти от простого общения к фактическому исполнению, и Индия, благодаря своему разнообразию языков и ориентации пользователей на голос, является одним из рынков, где этот сдвиг будет протестирован в первую очередь.
