Google Gemini 3.8 Live 上线：实时语音模型正式进入「边聊边办」时代

9 月 15 日，Google 正式发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时语音模型，并面向 Gemini API 与 Google AI Studio 全面开放。

事件内容

两款模型均为端到端音频到音频模型，支持音频、图像、视频、文本多模态输入，输出音频与文本，拥有 128K 上下文窗口和 64K 输出上限。核心差异在于定位：

• Gemini 3.8 Live：主打低延迟、低成本，适合高并发客服、前台对话等场景。第三方实测每小时输入音频成本约 0.84 美元。
• Gemini 3.8 Live Extended Thinking：在说话的同时进行多步推理和异步工具调用，可边处理任务边用语音提示进度，适合复杂语音代理。在 Artificial Analysis 语音到语音质量指数中以 82.6 分位列第一，但成本约为标准版的 4 倍。

其他关键能力包括：

• 对话中自动检测并切换 97 种语言；
• 异步函数调用，工具执行不阻塞对话流；
• 音频输出带 SynthID 水印；
• 基于 Gemini 3 Pro 构建，而非 Flash 模型。

值得关注的原因

1. 语音 Agent 的经济性拐点：Gemini 3.8 Live 将语音代理成本压到每小时不足 1 美元，呼叫中心和消费级语音产品的规模化部署门槛大幅降低。
2. 「边说边办」成为可选项：Extended Thinking 把推理和说话解耦，让语音 Agent 不再需要在「反应快」和「能深想」之间二选一，为复杂多步任务打开了语音交互入口。
3. 与 OpenAI GPT-Live-1 正面竞争：两款模型都在同一周发布，Google 在价格上更具侵略性，并在第三方语音质量指数上略胜一筹，语音模型市场的双头格局加速形成。

来源

• Google DeepMind 官方博客
• DataNorth AI：《Google launches Gemini 3.8 Live and Extended Thinking》
• AI/TLDR：《Gemini 3.8 Live — Google's Real-Time Audio Model》