Google 推出 Gemini 3.8 Live：支援邊推理邊對話，登頂端到端語音榜首

過去用語音和 AI 聊天，最尷尬的瞬間莫過於你給它派了一個複雜的活兒，電話那頭突然死一般寂靜，幾秒鐘後才機械地蹦出一句回答。你甚至分不清它是卡住了，還是在後臺真正在幹活。

Google 剛剛帶來的這波更新，試圖徹底把這種機械感抹掉。9 月 15 日，Google 正式推出了 Gemini 3.8 Live 和 3.8 Live Extended Thinking 兩款全新的即時語音模型。

告別宕機式沉默，邊幹活邊跟你嘮嗑

這次更新最搶眼的技術突破，在於模型終於學會了「邊推理邊對話」。

常規的語音互動系統往往是序列的：你說完，它憋著在後臺呼叫 API 或查資料，做完了再吐出語音。而 Gemini 3.8 Live 可以在後臺執行工具呼叫和搜尋的同時，完全不中斷對話流。

到了高階的 3.8 Live Extended Thinking 上，這種能力更進一步。面對多步驟的複雜任務，它能在思考的同時開口說話，比如自然地先說一句「我來看看……」，然後在後臺推進不同步驟時即時口頭播報進度。整套互動看起來更像你坐在一位真人助理旁邊，他一邊敲鍵盤一邊向你彙報進展。

多模態能力也是標配。你不僅可以隨時插話打斷，還能在視訊通話中把攝像頭對準眼前的物體即時提問。更省心的是，它能在對話中自動識別並在 97 種語言之間自如切換，不需要你手動去設定語言。

在基準測試上，這套模型拿下了相當亮眼的成績。3.8 Live Extended Thinking 在 Artificial Analysis 的端到端語音質量指數上以 82.6 分奪得第一，在智慧體任務測試 τ-Voice 上拿到了 68.6%，並在 Sierra 的銀行場景基準中達到 35.1%，音訊推理測試 Big Bench Audio 更是高達 97.7%。而基礎版 3.8 Live 也在 Speech Agent Arena 中位列第二。

為了防止語音偽造濫用，Google 這次生成的全部音訊都內嵌了 SynthID 隱形水印，保證聲音可被追溯檢驗。

上線範圍與開發者生態

目前這兩款模型已經向不同圈層鋪開。

開發者可以直接在 Gemini API 和 Google AI Studio 裡呼叫這兩款模型。包括 Agora、LiveKit、Pipecat、LangChain 和 Vercel 在內的開發者平臺已經接入了底層的即時流媒體傳輸架構，Salesforce、Genspark 和 Lumeris 等企業客戶也已經開始了落地測試。

對於普通使用者，基礎版 3.8 Live 已經進入了 Search Live；深度思考版則進入了 Gemini Live，並開始向 Google AI 訂閱使用者在 Docs、Gmail 和 Keep 等 Workspace 應用中分批推送。

為什麼重要

我們認為，Google 這次真正擊中的是企業級語音智慧體的最大軟肋：真實感與成本。

過去業內做即時語音，為了追求所謂的低延遲，往往犧牲了模型的深度推理能力，導致語音助理一碰稍複雜的邏輯就胡說八道；或者為了保證推理，讓使用者在電話裡聽上十幾秒的空白雜音。Gemini 3.8 Live 通過後臺非同步工具呼叫和即時口頭反饋，用互動設計和架構創新巧妙繞過了這個技術死鎖。對客服、電話銷售、以及各類個人生產力助手來說，這是從「玩具」走向「生產力」的關鍵一步。

另一個極具破壞力的武器是定價。綜合第三方評測來看，Gemini 3.8 Live 展現出了極其誇張的價效比。在效能與市面上 Grok voice 或 GPT live 旗鼓相當的前提下，它的使用成本便宜了數倍。當大模型公司都在爭奪即時語音入口時，Google 選擇用接近白菜價的成本向開發者傾銷前沿語音能力。

當然，隱患也不是沒有。在模型邊想邊說的過程中，如何確保中間過程的口頭播報不會產生誤導性幻覺，以及在多語言頻繁切換時對噪音環境的魯棒性，依然需要開發者在生產環境裡進一步檢驗。但無論如何，語音 AI 終於不再像一個讀稿機了。