2026年9月，Google DeepMind 在实时语音交互上密集出手，把“边思考边说话”与数字人形象带到 Gemini 家族。
事件背景
语音被视为下一代入口层。如何让 AI 在实时对话中既保持流畅又不丢失深度推理，是各大实验室竞逐的焦点。
核心内容
9月15日，Google DeepMind 推出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，支持实时语音对话中后台推理、视觉理解与工具调用而不打断对话。Extended Thinking 变体可多步推理并边工作边播报进度（如“让我查一下…”）。据官方数据，Extended Thinking 在 Artificial Analysis 语音对语音质量指数（Speech to Speech Quality Index）以 82.6 居首。
9月23日，DeepMind 宣布用户可通过 Gemini 旗下文本转语音模型创建并部署定制音频；9月24日，又发布 Gemini 3.8 Live with Live Avatar，加入实时数字人形象能力。所有生成音频默认以 SynthID 水印，便于溯源检测。
影响与解读
语音与推理的解耦，使语音助手从“问答”走向“协作者”。企业可借此减少多家供应商拼接（语音克隆、托管、延迟管理），以单一 API 钥匙解锁文本、视觉与音频生成。不过早期开发者反馈，在专有名词、数字与长段落韵律上仍有待打磨。
相关动态与展望
两款模型已在 Gemini API 与 Google AI Studio 上线，企业版处于私有预览。分析认为，谁掌控默认音频管线，谁就掌握大量下游产品决策。
信息来源：StartupHub.ai、Emergent、AIGC.NEWS、813 Morning Brief
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
评论(0)