Google 发布 Gemini 3.8 Live 与 Extended Thinking 语音模型
来源Google DeepMind查看原文
速览
- Google 推出两款实时语音模型，分别主打规模化低成本与高复杂度推理
- Extended Thinking 在语音质量指数上排名第一，τ-Voice 系列基准表现领先
- 模型支持 97 种语言对话中切换，可近实时处理视觉输入
- 后台工具调用与 API 执行不打断对话，Extended Thinking 可边推理边说话
- 即日起通过 Gemini API、Search Live、Gemini app 等渠道逐步开放
- 企业版在 Gemini Enterprise 私有预览，Workspace 商业版即将支持
- 所有生成音频嵌入 SynthID 水印以助检测 AI 内容
- 多家开发者平台与 Salesforce 等企业参与语音生态合作
Google DeepMind 于 9 月 15 日发布两款实时语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本场景和高复杂度推理任务。Extended Thinking 在 Artificial Analysis 的 Speech to Speech Quality Index 上以 82.6 分排名第一，在 τ-Voice 上取得 68.6%、在 Sierra 的 τ-Voice-banking 上取得 35.1%，Big Bench Audio 得分 97.7%。Gemini 3.8 Live 在 Speech Agent Arena 中排名第二。两款模型支持 97 种语言的对话中自动切换、近实时视觉输入处理，并能在对话进行的同时在后台执行工具调用和 API 请求。模型即日起通过 Gemini API、Google AI Studio、Search Live 和 Gemini app 等渠道逐步开放，企业版在 Gemini Enterprise 中进入私有预览。
关键事实
- Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 于 2026 年 9 月 15 日发布，页面更新日期为 9 月 17 日
- Gemini 3.8 Live Extended Thinking 在 Artificial Analysis 的 Speech to Speech Quality Index 上得分 82.6，排名第一
- Extended Thinking 在 τ-Voice 上得分 68.6%，在 Sierra 的 τ-Voice-banking 上得分 35.1%，Big Bench Audio 得分 97.7%
- Gemini 3.8 Live 在 Speech Agent Arena 中排名第二
- Gemini 3.8 Live 支持 97 种语言，可在对话中途自动检测并切换语言
- 两款模型可在对话进行的同时在后台执行工具和 API 调用，Extended Thinking 支持边推理边说话
本站视角
这次发布对国内做语音 Agent 的团队影响最直接。Gemini 3.8 Live 把「实时语音 + 后台工具调用 + 多语言切换」打包进一个 API，并且明确强调成本效率，等于把语音代理的基线能力又抬高了一档。此前国内团队在语音交互上常要自己拼接 ASR、LLM、TTS 和工具调度，延迟和打断处理是主要痛点；Google 这次把「边说话边执行任务、不打断对话」作为核心卖点，并给出 τ-Voice 68.6% 这类代理任务完成度指标，说明竞争焦点已经从「能不能听懂」转向「能不能在对话中把事办完」。我们认为，真正值得跟进的是 Extended Thinking 的「边推理边说话」机制——用「Let me check that…」这类早期语音提示来掩盖推理延迟，这是工程上很实用的一招，国内做语音助手和客服机器人的团队可以直接借鉴其交互设计思路。需要观察的是，Google 公布的基准多为自家或合作方参与设定的场景（τ-Voice、EVA-Bench、Speech Agent Arena），且部分成绩来自 Gemini Enterprise Agent Platform 上的 Live API 运行环境，实际生产环境下的延迟、并发成本和工具调用可靠性仍需第三方验证。另外，97 种语言的支持对出海产品是利好，但中文场景下的实际表现原文并未单独给出数据，不宜直接外推。对使用 API 的中小企业和独立开发者来说，如果定价确实如原文所称「有竞争力」，这会是一个值得测试的替代选项；但企业版目前仅私有预览，国内访问与合规仍是现实约束。
背景与影响
Gemini 3.8 Live 系列是 Google 在实时语音对话方向上的新一代模型，接续此前的 Gemini Live 产品线。此次发布的核心变化在于把「实时对话」和「复杂推理」拆成两个定位：3.8 Live 强调成本效率和规模化部署，适合需要大量并发语音交互的场景；3.8 Live Extended Thinking 则把多步推理、后台任务执行和语音输出并行起来，面向企业级任务完成。从基准成绩看，Google 试图在语音质量、代理任务完成和推理能力三个维度同时建立优势，并以「有竞争力的价格」作为卖点之一。对开发者而言，Gemini Live API 已接入 Agora、LiveKit、Pipecat、Vercel 等一批实时媒体与编排平台，意味着构建语音代理的基础设施门槛在降低。企业侧则通过 Gemini Enterprise 私有预览和 Workspace 集成（Docs Live、Gmail Live、Keep Live）向办公场景渗透。SynthID 水印的默认加入，也延续了 Google 在 AI 内容溯源上的既有做法。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
