谷歌发布面向实时对话应用的新语音AI模型

谷歌本周通过Gemini Live API发布了两款新模型：Gemini 3.8 Live与Gemini 3.5 Transcribe，目标是帮助开发者构建低延迟、多语言的对话式语音agent，并提供多语言支持与视觉上下文理解等能力。

其中，Gemini 3.8 Live负责快速的语音对话。它可以在流式输出语音、不打断对话的同时在后台运行API与工具调用，并以最高每秒1帧的速率分析实时图像和视频，把用户说的话与他们看到的东西联系起来。

该模型支持97种语言，谷歌称其口音接近真实，并能在对话中途自动切换语言。会话时长方面，纯音频最长15分钟，音视频混合最长2分钟。价格从音频输入每分钟0.005美元、音频输出每分钟0.018美元起。

Gemini 3.5 Transcribe则是专用的语音转文本模型，提供两个API端点：Live API用于实时流式转写，可实现亚秒级延迟的字幕；Interactions API面向最长1小时的预录音频文件，支持说话人分离（把转写结果切分并归属到具体说话人）和词级时间戳。

在语言与准确度上，Gemini 3.5 Transcribe支持85种语言，具备自动检测与地区口音处理能力。谷歌表示，其流式场景的词错误率约为4%，非流式场景约为2.6%。

开发者可以通过Google AI Studio和Gemini API调用这两个模型。Gemini Live系列模型生成的所有音频都带有SynthID水印，用于帮助识别AI生成内容、抑制错误信息传播。

从产品方向看，这次发布把语音从“输入方式”变成了可编程的一等接口：模型在说话的同时还能看图、调工具、保持多轮上下文，这意味着客服、实时翻译、无障碍辅助、现场作业指导等需要“边说边做”的场景，可以更直接地搭建在API之上。而按分钟计费的定价，也让成本模型更接近传统的通信与转写服务。

接下来值得关注的是这些模型在实际网络条件下的延迟与稳定性、长会话场景的上下文保持能力，以及开发者会用多低的成本把语音agent真正推进生产环境。