9月16日，Google 在官方博客发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，面向语音助手、智能体与近乎实时的复杂推理场景。两款模型均支持在对话进行中融合视觉信息、自动跨 97 种语言切换，并已在 Gemini API、Google AI Studio、Search Live 与 Gemini 应用中陆续推送。
事件背景
近一年来，前沿实验室普遍把「低延迟语音」当作与文本生成平行的一条独立能力赛道来竞争，比拼的指标不再是传统文本或图像榜单，而是轮替流畅度、对话中推理、以及不冷场的前提下调用工具。Gemini 3.8 Live 系列正是这一趋势的典型产物。
核心内容
Gemini 3.8 Live 定位为低成本、可规模化的实时交互模型；Gemini 3.8 Live Extended Thinking 则面向需要多步推理的复杂任务，能够在维持对话流畅的同时「边说边想」，并在后台发起工具或 API 调用而不打断交流。Google 称，Extended Thinking 在第三方机构 Artificial Analysis 的「语音到语音质量指数」（Speech-to-Speech Quality Index）上排名第一，得分 82.6，并在 tau-Voice 智能体基准上取得 68.6% 的成绩；基础版则在另一语音智能体榜单中位列第二。
面向开发者，Google 联合 Agora、LiveKit、LangChain、Pipecat、Vercel 等平台，简化实时媒体流与语音界面搭建；Salesforce、Genspark、Lumeris 等企业也已表态将接入该能力。所有 AI 生成音频均嵌入 SynthID 水印，以辅助识别深度伪造与虚假信息。
影响与解读
语音正成为 AI 智能体的一等交互界面，这将显著降低使用门槛——不擅长打字或阅读的用户也能借助自然语言完成任务，对无障碍与低识字率人群是实质性跃迁。对开发者而言，「对话中不冷场地调用工具」打开了客服、陪伴、现场协作等新形态应用的想象空间。
相关动态 / 展望
随着语音模型与 Workspace（Docs Live、Gmail Live、Keep Live）深度整合，办公套件的交互方式可能从「打字」转向「说话」。下一阶段竞争焦点将落在延迟、工具调用可靠性与多语言口音覆盖上。
信息来源：Google 官方博客
评论(0)