Gemini 3.8 Live 谷歌推出的原生实时语音对话模型

灵犀编辑部 2026-09-16 0 阅读

Gemini 3.8 Live是什么

Gemini 3.8 Live 是谷歌推出的实时语音对话模型系列，包括Gemini 3.8 Live 面向规模化部署，兼顾对话智能、视觉理解与成本效益；Gemini 3.8 Live Extended Thinking 强化多步推理，可边推理边语音播报进度。模型全系采用原生语音对语音架构，支持 97 种语言自动切换与后台异步工具调用，登顶 Artificial Analysis 语音质量指数，生成音频带 SynthID 水印，已面向开发者、企业和普通用户推送。

Gemini 3.8 Live的主要功能

实时语音对话：以原生语音对语音方式对话，响应接近实时，在 Speech Agent Arena 用户偏好度排名第二。
异步工具调用：在后台执行 API 和工具调用，同时持续向用户播报语音回复，不打断对话。
视觉理解：近实时处理摄像头画面，为对话提供视觉上下文。
多语言切换：支持 97 种语言，对话中自动检测并无缝切换语种。
字母数字高精度：准确解析确认码、理赔号等技术性字符串数据。
增量内容更新：将实时音频与结构化数据无缝融合，返回上下文感知的响应。

Gemini 3.8 Live的技术原理

端到端语音对语音架构：模型摒弃了语音识别→文本大模型→语音合成的传统级联管道，直接用音频到音频的方式处理输入输出，显著降低延迟并保留语调、语速等声学细节，是此前 Gemini 3.1 Flash Live 架构路线的延续升级。
并行推理与边想边说：Extended Thinking 变体采用异步推理机制，在后台进行多步思考的同时继续流式输出语音，通过让我确认一下…这类早期口头提示先确认请求，再实时播报任务进度，实现推理与发言并行而不冻结对话。
可配置思考预算：Extended Thinking 支持开发者按需配置思考强度档位，在复杂任务上投入更多后台推理算力，在简单对话中压低延迟与成本，官方定价为音频输入 0.005 美元/分钟、输出 0.018 美元/分钟。
全链路内容水印：所有生成音频嵌入 SynthID 隐形水印，直接织入音频信号本身，即使经过剪辑或压缩仍可被检测，用于防范语音伪造与虚假信息传播。

如何使用Gemini 3.8 Live

Gemini 3.8 Live：

开发者：可在 Gemini API 和 Google AI Studio 中使用。
企业用户：Gemini Enterprise 私有预览中开放。
所有用户：可在 Search Live 中体验。

Gemini 3.8 Live Extended Thinking：

开发者：可在 Gemini API 和 Google AI Studio 中使用。
企业用户：Gemini Enterprise 私有预览中开放，即将登陆 Gemini Enterprise for Customer Experience 及 Google Workspace 企业客户。
所有用户：可在 Gemini Live 中体验；Google AI Pro 和 Ultra 订阅者可在 Workspace 的 Docs 中使用，所有 Google AI 订阅者可在 Gmail 和 Keep 中体验。

Gemini 3.8 Live的核心优势

端到端语音架构：原生语音对语音处理，相比级联方案延迟更低、更保留语调等声学细节。
成本效益突出：音频输入 0.005 美元/分钟、输出 0.018 美元/分钟，适合大规模部署。
异步工具调用：后台执行 API 和函数调用，同时持续语音回复，多步任务不打断对话。
视觉实时理解：可近实时处理摄像头画面，实现能听会看的语音智能体。
97 种语言自动切换：对话中自动检测并无缝切换语种，覆盖全球用户。
并行推理能力：Extended Thinking 变体边推理边说，以让我确认一下…等口头提示保持对话流畅。
基准领先：Extended Thinking 登顶 Artificial Analysis 语音质量指数（82.6），Big Bench Audio 得分 97.7%。

Gemini 3.8 Live的同类竞品对比

对比项 | Gemini 3.8 Live | OpenAI gpt-realtime-2.1

对比项	Gemini 3.8 Live	OpenAI gpt-realtime-2.1
模型架构	原生语音对语音，级联方案的精简替代	原生语音对语音，GPT-5 级推理内置音频循环
定价模式	按分钟计费	按 token 计费
音频输入成本	0.005 美元/分钟	32 美元/百万 token（约 0.019 美元/分钟）
音频输出成本	0.018 美元/分钟	64 美元/百万 token（约 0.077 美元/分钟）
典型会话成本	约 0.005–0.018 美元/分钟	实际约 0.06–0.11 美元/分钟，长对话无缓存可达 0.18–0.46 美元/分钟
语言支持	97 种语言，对话中自动检测切换	实时语音翻译需单独模型，支持 70+ 输入语言至 13 种输出语言
视觉理解	支持，近实时处理摄像头画面（最高约 1 帧/秒）	未提供同等的实时视觉语音对话能力
深度推理	Extended Thinking 变体边推理边发言，支持思考档位配置	内置推理循环，但无”边想边说”进度播报机制
基准成绩	AA 语音质量指数第一（82.6），Big Bench Audio 97.7%	Big Bench Audio 较前代提升 15.2%
内容安全	全量生成音频嵌入 SynthID 隐形水印	无等效音频水印机制

Gemini 3.8 Live的应用场景

员工入职指导：通过摄像头实时视觉理解，新员工可边操作边语音提问，AI 即时解答流程问题。
智能客服与银行业务：结合异步函数调用完成多步骤业务办理，在后台处理时实时播报进度，对应 τ-Voice-banking 基准测试场景。
出行与预订助手：用户语音提出多条件需求后，AI 在后台异步调用订票、酒店 API，边查询边保持自然对话不中断。
编程与设计协作：开发者对着草图语音描述需求，Extended Thinking 边推理边生成可用的 React 组件代码。
实时故障排查：用户在 Search Live 中语音描述问题，AI 结合视觉画面逐步语音指导排查与修复。