Google 发布 Gemini 3.8 Live：支持 97 语言实时切换的语音 Agent 模型

Google 发布了 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，这是迄今为止最先进的实时对话模型。二者均为原生语音到语音模型，专为实时语音代理构建。它们隶属于 Google 上月扩展的 Gemini Audio 系列。此次发布瞄准了一个明确缺口：能够进行推理并执行工具、同时不打断对话流畅性的语音代理。

是否可部署？可以，面向 API 生产级使用

两款模型均已在 Gemini Live API 和 Google AI Studio 中上线。它们是托管模型（非开源权重），因此不支持自托管。

此次发布涵盖两款定位各异的模型

Gemini 3.8 Live 侧重规模化与成本效益。它将对话智能与流畅对话和视觉锚定能力相结合。Gemini 3.8 Live Extended Thinking 则面向高复杂度任务。它在对话过程中增加了更强的智能与多步推理能力。Google 将二者定位为级联语音流水线的精简替代方案——以往方案需要串联 ASR、LLM 和 TTS 三个独立环节。

Gemini 3.8 Live Extended Thinking 在 Artificial Analysis 的语音到语音质量指数中以 82.6 分拿下总榜第一。在代理任务完成方面，它在 τ-Voice 上达到 68.6%，在 Sierra 的 τ-Voice-banking 基准上达到 35.1%。在 Big Bench Audio（音频模型的推理基准）上也取得了 97.7% 的成绩。Gemini 3.8 Live 在 Speech Agent Arena（人类偏好评估）中位列第二。在 ServiceNow 的 EVA-Bench 上，Google 报告称这些模型将复杂工作流的帕累托前沿向前推进——它们在 Live API on Gemini Enterprise Agent Platform 上平衡了任务准确率与对话质量。

面向开发者的能力

Live API 在新模型中暴露了 5 项核心能力：

异步函数调用：模型在后台执行 API 和工具调用。当任务完成时，音频响应持续向用户推送。

视觉上下文：模型近乎实时地处理视觉输入，使代理能够理解用户所言与所见。

字母数字精度：它能准确解析确认码、理赔编号和技术数据——这是语音系统的常见失败点。

多语言支持：模型可在对话中途自动检测并在 97 种支持的语言间切换，并保持口音一致性。

增量内容更新：它将实时音频与结构化数据融合，返回上下文感知的响应。

Extended Thinking 为后台多步推理添加了可配置的思考能力。它在思考的同时进行对话，通过"让我查一下"这类早期语言提示来确认收到了指令，然后边执行耗时任务边逐步叙述进展。Google 的演示展示了模型将草图加语音反馈转换为可工作的 React 组件，并协调多步预订流程。

定价与生态系统

两款模型的音频输入定价均为 $0.005/分钟，音频输出为 $0.018/分钟。Google 表示该估算基于 $3/百万输入 token 和 $12/百万输出 token。开发者还可通过 Live API 集成合作伙伴来构建，这些合作伙伴负责处理实时媒体流基础设施，包括：Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents。Google 还与 Salesforce、Genspark 和 Lumeris 建立了合作，这几家公司均提及了模型的低延迟、流畅性和工具调用能力。示例应用已在 GitHub 上提供。

Gemini 3.8 Live Extended Thinking 在 Artificial Analysis 的语音到语音质量指数中排名第一，得分 82.6。

它在 τ-Voice 上得分 68.6%，在 Sierra 的 τ-Voice-banking 上得分 35.1%，在 Big Bench Audio 上得分 97.7%。

Gemini 3.8 Live 在继续对话的同时后台运行工具和 API 调用。

通过 Live API 定价为音频输入 $0.005/分钟，音频输出 $0.018/分钟。

所有生成的音频均携带 Google DeepMind 不可察觉的 SynthID 水印。