Gemini 3.8 Live transforme un croquis en interface pendant que vous commentez à voix haute
— AGENTS
Gemini 3.8 Live et sa version Extended Thinking gardent une session vocale ouverte pendant qu'ils regardent une caméra, appellent un outil ou modifient un composant. Le progrès tient dans cette simultanéité, mais la fiabilité du diagnostic visuel et la gestion des confirmations restent à la charge de l'application qui l'entoure.
Google fait tomber un réflexe devenu automatique dans les interfaces vocales : parler, attendre un silence de chargement, puis reprendre. Gemini 3.8 Live et sa variante Extended Thinking maintiennent la conversation pendant que le modèle regarde une caméra, appelle un service externe ou termine un raisonnement. La session ne se coupe plus à chaque étape, elle absorbe les étapes.
Un designer produit qui esquisse une interface sur papier retrouve ici un usage concret. La démonstration montre un croquis transformé en composant React pendant que la personne commente oralement le résultat, et le modèle ajuste la mise en page à la volée. Le brief oral remplace le ticket écrit pour une itération rapide, ce qui change la manière de cadrer une réunion de conception : la parole devient une commande de modification, pas seulement une explication.
La vision reste cependant limitée par sa fréquence. Le flux visuel arrive sous forme d'images séparées, avec un maximum d'une par seconde. Cette cadence suffit pour lire un écran ou repérer une pièce immobile, mais un geste rapide ou l'ordre exact de plusieurs actions lui échappe. Une réparation filmée ou un diagnostic technique restent des suggestions à vérifier, jamais une expertise validée.
Le budget d'un agent vocal se calcule désormais à la minute. Un échange audio continu dans les deux sens revient à environ 0,023 dollar par minute, soit un peu plus d'un dollar pour une heure de conversation avant les autres coûts d'infrastructure. Pour une agence qui chiffre un prototype vocal client, ce repère entre directement dans la ligne de devis, aux côtés du temps de conception.
La fluidité de la voix masque aussi une complexité qui retombe sur l'application qui entoure le modèle. Un bruit ou une phrase incomplète peut passer pour une validation, alors qu'une modification de document ou un envoi de message engage une action réelle. Les studios qui construisent ce genre d'agent devront imposer une confirmation explicite avant chaque action irréversible, même si cela casse un peu le rythme de l'échange.
Ce modèle vaut surtout pour les workflows où la conversation guide une itération visible en direct, comme un prototype d'interface qui se construit sous les yeux de son commanditaire. Il ne remplace aucune vérification humaine sur un diagnostic ou une réparation filmée. La question à trancher dès maintenant reste celle du contrôle : qui valide, à quel moment, avant que la voix ne fasse croire qu'une étape est déjà terminée.