谷歌把旗下Gemini模型的战场从文字和代码推进到了实时语音。
当地时间9月15日，谷歌宣布推出Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking两款实时音频模型，并称这是其目前最先进的实时对话模型。两款模型不仅可以进行更加自然、流畅的语音交流，还能在对话不中断的情况下调用工具、处理视觉信息和执行复杂任务。
其中，Gemini 3.8 Live主打大规模、低成本的自然语音应用，支持实时视觉理解和多语言对话；Gemini 3.8 Live Extended Thinking则进一步加入深度推理能力，可以一边“思考”一边说话，在用户继续交流的同时于后台完成多步骤任务。谷歌表示，后者在Artificial Analysis的Speech to Speech Quality Index中排名第一，得分82.6。
这意味着，谷歌正在尝试让实时语音AI从此前的“语音版聊天机器人”，进一步变成能够听懂、思考、调用工具并把事情做完的语音智能体（Agent）。
从“语音聊天”到“边聊边办事”，实时音频能力大升级Gemini 3.8 Live的核心变化，是让语音交互不再只是“你说一句、AI回答一句”。
谷歌表示，新模型可以在保持连续对话的同时，在后台异步执行工具和API调用。用户无需等待任务完成后再继续说话，模型可以一边继续交流，一边让相关任务在后台运行。
例如，在多步骤任务中，模型可以先回应用户，再在后台调用相关工具；任务完成后，再将结果融入当前对话。
这种能力尤其适合语音智能体。传统语音应用往往需要把语音识别、语言模型和语音合成多个环节串联起来，任何一个环节的延迟都会影响用户体验。谷歌此次则强调，Gemini 3.8 Live属于原生的speech-to-speech模型，可以直接围绕实时语音交互完成推理和任务执行。谷歌开发者博客称，这种架构能够减少传统“级联式”语音系统的复杂性。
与此同时，新模型支持实时视觉上下文。用户不仅可以通过声音提问，还可以让模型理解正在看到的内容，从而实现更具上下文的语音交互。谷歌展示的场景包括实时员工培训、故障排查以及让AI通过视觉信息参与棋局等。
97种语言无缝切换，瞄准全球化语音应用多语言能力也是Gemini 3.8 Live的一大卖点。
谷歌表示，3.8 Live支持97种语言，并能够在对话过程中自动识别并切换语言，同时保持一致的语音表现。
谷歌AI Studio软件主管Logan Kilpatrick也表示，新模型支持97种语言，并加入异步工具调用等能力。
对于企业而言，这意味着开发者可以用一套模型构建覆盖不同市场的语音智能体，而无需针对不同语言分别设计复杂的语音处理系统。
谷歌开发者博客还特别强调了新模型对字母数字信息的处理能力，包括确认码、索赔编号和技术数据等。这类信息对于客服、金融、医疗和企业服务等语音场景尤其重要，因为传统语音系统往往容易在数字、字母和专业术语识别上出现错误。
价格方面，谷歌将Gemini 3.8 Live和3.8 Live Extended Thinking定位为具有竞争力的前沿模型。开发者通过Live API调用时，音频输入价格为每分钟0.005美元，音频输出为每分钟0.018美元。
Extended Thinking让AI“边说边想”，复杂任务也不必打断对话如果说3.8 Live解决的是“如何让AI更自然地说话”，那么3.8 Live Extended Thinking解决的则是“如何让AI在说话的同时完成复杂工作”。
谷歌称，Extended Thinking可以在保持实时对话的情况下进行更深层次的推理。模型甚至可以通过“让我查一下……”之类的语音提示，让用户知道它已经开始处理任务，而不是陷入长时间的无声等待。
更重要的是，模型能够在后台执行多步骤任务，同时维持前台对话。
谷歌展示的案例包括：通过异步函数调用完成多步骤预订、根据用户的语音和草图实时生成React组件，以及直接通过自然语言完成商业计划和营销工具包的制作。
这实际上进一步强化了谷歌此前不断强调的Agentic路线——AI的价值不再只是给出答案，而是能够在理解用户意图之后，调用工具、处理信息并最终完成任务。
独立评测排名第一，3.8 Live瞄准生产级语音智能体谷歌此次也拿出了第三方评测成绩为新模型背书。
根据谷歌披露的数据，Gemini 3.8 Live Extended Thinking在Artificial Analysis的Speech to Speech Quality Index中排名第一，得分82.6；在τ-Voice智能体任务测试中，完成率达到68.6%，在Sierra的τ-Voice-banking测试中达到35.1%；在Big Bench Audio测试中得分97.7%。
普通版Gemini 3.8 Live则在Speech Agent Arena中排名第二，同时强调成本效率和规模化部署能力。谷歌表示，这款模型尤其适合开发者和企业构建生产级语音智能体。
谷歌并没有将两款模型简单定位为消费者聊天产品，而是同时瞄准开发者和企业市场。
目前，两款模型均已经通过Gemini API和谷歌AI Studio向开发者开放；企业用户可以在Gemini Enterprise中参与私有预览。普通用户则可以通过Search Live和Gemini Live使用相关能力。
与此同时，Gemini 3.8 Live Extended Thinking还被引入Google Workspace，可用于Docs、Gmail和Keep等产品。
AI语音全面落地，但谷歌也强调“可检测”随着生成式AI开始越来越多地进入语音通话、客服、搜索和办公场景，AI生成声音的透明度也成为谷歌此次发布中特别强调的一环。
谷歌表示，其所有AI产品生成的音频均会加入SynthID不可见水印。这一水印直接嵌入音频输出，帮助识别AI生成内容，并降低生成式AI被用于传播虚假信息的风险。
这也意味着，谷歌在推动语音AI进入更广泛生产环境的同时，试图同步解决“用户是否知道自己正在与AI交互、这段声音是否由AI生成”等问题。
从搜索到Workspace，再到开发者API和企业智能体平台，Gemini 3.8 Live的覆盖范围已经明显超越单纯的语音助手。
对于谷歌而言，这一轮升级的意义或许并不只是推出两款新的音频模型，而是进一步完善Gemini从文本、图像、视频、代码到实时语音的多模态能力，并将语音直接连接到工具调用和智能体执行。
换句话说，谷歌正在押注的下一阶段AI交互方式，可能不再是“打开一个聊天窗口提问”，而是像与真人同事交流一样说话，同时让AI在后台把事情做完。
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。盛多网提示：文章来自网络，不代表本站观点。
沪深京行情 实时轮播
热点资讯
