谷歌发布Gemini 3.8 Live语音模型，主打近乎实时的推理

谷歌试图解决语音AI智能体长期存在的延迟问题，正式推出Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款模型。谷歌称这是其迄今最先进的语音处理模型，具备近乎实时的推理能力，可以同时处理说话与思考，并能在后台执行第三方软件工具调用。

谷歌在博客中解释，新模型的设计目标是：在保持与人自然对话节奏的同时，调用工具与应用程序接口。这意味着AI智能体可以在继续与用户交谈的过程中，处理刚刚被交代的任务，用户不必反复面对打断，也不会有智能体跑去做别的事而对话卡住的体验。

基准成绩方面，Gemini 3.8 Live Extended Thinking在Artificial Analysis的Speech to Speech Quality Index上取得82.6分的新高，超过GPT-Live-1-Astra与Grok Voice Think Fast 2.0。Gemini 3.8 Live在Speech Agent Arena上排名第二，并在ServiceNow的EVA-Bench上排名第一；Extended Thinking在T-Voice上的得分为68.6%。

功能上，两款模型都支持自动语言检测，并能在对话中途切换语言，可以理解并生成97种语言的语音，支持近乎实时的视觉定位，还能使用让我查一下这类早期口头提示，更自然地回应用户的提问。

可用性方面，Gemini 3.8 Live现已通过Gemini API和Google AI Studio提供，并在Gemini Enterprise和Search Live中作为企业私有预览开放。Gemini 3.8 Live Extended Thinking的渠道相同，此外还通过Google Workspace的Docs、Gmail与Keep面向订阅用户提供，并可在Gemini Live应用中使用。

开发者也可以通过谷歌的合作平台把这两款模型集成进自己的应用，包括Vercel、Agora、LiveKit、Pipecat、Fishjam和Vision Agents。谷歌表示，生成的音频会带有不可见的SynthID水印，可用于识别虚假信息。

价格上，标准版Gemini 3.8 Live的音频输入为每分钟0.005美元，输出为每分钟0.018美元；Extended Thinking版本还会对推理token计费，并对视频、文档等额外输入单独收费。

语音交互长期受制于延迟与打断感，谷歌此次把重点放在并行推理与后台工具调用上，试图让语音智能体更接近真人通话体验。接下来值得关注的是真实业务场景下的延迟与成本表现，以及第三方开发者接入这两款模型的速度。