Google 推出 Gemini 3.8 Live：支持边推理边对话，登顶端到端语音榜首

过去用语音和 AI 聊天，最尴尬的瞬间莫过于你给它派了一个复杂的活儿，电话那头突然死一般寂静，几秒钟后才机械地蹦出一句回答。你甚至分不清它是卡住了，还是在后台真正在干活。

Google 刚刚带来的这波更新，试图彻底把这种机械感抹掉。9 月 15 日，Google 正式推出了 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款全新的实时语音模型。

告别死机式沉默，边干活边跟你唠嗑

这次更新最抢眼的技术突破，在于模型终于学会了「边推理边对话」。

常规的语音交互系统往往是串行的：你说完，它憋着在后台调用 API 或查资料，做完了再吐出语音。而 Gemini 3.8 Live 可以在后台执行工具调用和搜索的同时，完全不中断对话流。

到了高阶的 3.8 Live Extended Thinking 上，这种能力更进一步。面对多步骤的复杂任务，它能在思考的同时开口说话，比如自然地先说一句「我来看看……」，然后在后台推进不同步骤时实时口头播报进度。整套交互看起来更像你坐在一位真人助理旁边，他一边敲键盘一边向你汇报进展。

多模态能力也是标配。你不仅可以随时插话打断，还能在视频通话中把摄像头对准眼前的物体实时提问。更省心的是，它能在对话中自动识别并在 97 种语言之间自如切换，不需要你手动去设置语言。

在基准测试上，这套模型拿下了相当亮眼的成绩。3.8 Live Extended Thinking 在 Artificial Analysis 的端到端语音质量指数上以 82.6 分夺得第一，在智能体任务测试 τ-Voice 上拿到了 68.6%，并在 Sierra 的银行场景基准中达到 35.1%，音频推理测试 Big Bench Audio 更是高达 97.7%。而基础版 3.8 Live 也在 Speech Agent Arena 中位列第二。

为了防止语音伪造滥用，Google 这次生成的全部音频都内嵌了 SynthID 隐形水印，保证声音可被追溯检验。

上线范围与开发者生态

目前这两款模型已经向不同圈层铺开。

开发者可以直接在 Gemini API 和 Google AI Studio 里调用这两款模型。包括 Agora、LiveKit、Pipecat、LangChain 和 Vercel 在内的开发者平台已经接入了底层的实时流媒体传输架构，Salesforce、Genspark 和 Lumeris 等企业客户也已经开始了落地测试。

对于普通用户，基础版 3.8 Live 已经进入了 Search Live；深度思考版则进入了 Gemini Live，并开始向 Google AI 订阅用户在 Docs、Gmail 和 Keep 等 Workspace 应用中分批推送。

为什么重要

我们认为，Google 这次真正击中的是企业级语音智能体的最大软肋：真实感与成本。

过去业内做实时语音，为了追求所谓的低延迟，往往牺牲了模型的深度推理能力，导致语音助理一碰稍复杂的逻辑就胡说八道；或者为了保证推理，让用户在电话里听上十几秒的空白杂音。Gemini 3.8 Live 通过后台异步工具调用和即时口头反馈，用交互设计和架构创新巧妙绕过了这个技术死锁。对客服、电话销售、以及各类个人生产力助手来说，这是从「玩具」走向「生产力」的关键一步。

另一个极具破坏力的武器是定价。综合第三方评测来看，Gemini 3.8 Live 展现出了极其夸张的性价比。在性能与市面上 Grok voice 或 GPT live 旗鼓相当的前提下，它的使用成本便宜了数倍。当大模型公司都在争夺实时语音入口时，Google 选择用接近白菜价的成本向开发者倾销前沿语音能力。

当然，隐患也不是没有。在模型边想边说的过程中，如何确保中间过程的口头播报不会产生误导性幻觉，以及在多语言频繁切换时对噪音环境的鲁棒性，依然需要开发者在生产环境里进一步检验。但无论如何，语音 AI 终于不再像一个读稿机了。