谷歌 Gemini 3.8 Live 实时语音模型登场：边说边思考，语音智能体进入生产级

过去一年，语音 AI 的竞争从"能不能听懂"转向了"能不能边说边干"。9 月 15 日，Google 正式放出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款语音模型，把"听—想—说"压进同一个端到端架构，不再拆成"识别→推理→合成"三步。到了 10 月底，配套的 Gemini 3.8 Live with Live Avatar 又在 Gemini Enterprise 中正式可用，给语音智能体加上了实时视频形象。一条清晰的生产级语音 Agent 链路，正在被谷歌拼完整。

不是 Flash，是同代另一条产品线

很多人看到"Gemini 3.8"就以为是 Flash 的升级版，其实不是。Gemini 3.8 Flash（9 月 2 日 GA）主打文字、图片、视频的非实时处理；而 Gemini 3.8 Live 系列是纯语音实时对话模型，基于 Gemini 3 Pro 训练，而不是 Flash。谷歌的模型卡明确写着：两款 Live 模型是"原生语音到语音（speech-to-speech）"，音频进去、音频出来，中间没有独立的转写和配音步骤。

砍掉中间环节带来的最直接好处，是打断处理。传统流水线里，用户中途插话得等识别完成，延迟高还容易丢上下文；audio-to-to-audio 架构能即时响应，首包音频延迟压到 1.18 秒（标准版）和 1.35 秒（Extended Thinking 高推理档），而一年前的 Gemini 3.1 Flash Live 还要 2.99 秒。这个差距，已经接近真人对话的节奏。

两档分工：快而省，与边说边想

Gemini 3.8 Live 把工作拆成两档。标准版面向高并发、低成本的呼叫量场景；Extended Thinking 版则在说话的同时做多步推理——它会用"让我查一下……"的口吻实时播报进度，后台并行跑工具调用，任务跑完再一次性念出结果。

举个例子：用户说"帮我订明天去上海的高铁，再查下天气"，模型一边播报一边并行拉取车次和气象接口，最后一次性念出答案。谷歌强调，Extended Thinking 在并行推理时会额外消耗推理 token、延迟略高，所以只在任务确实需要多步推理时才启用。

评测结果也支撑这个分工。在 Artificial Analysis 的 Speech-to-Speech 指数上，Extended Thinking 拿到 82.6 分，排在全部被测语音模型第一，微弱领先 OpenAI 的 GPT-Live-1（Astra，中等档，81.5）和 xAI 的 Grok Voice Think Fast 2.0 High（81.3）。更关键的代理任务指标上，Tau-Voice（客服类任务完成率）从标准版的 30.1% 跳到 68.6%，Big Bench Audio 达到 97.7%（谷歌口径）。Full Duplex Bench（打断与停顿处理）为 91.9%，略低于 GPT-Live-1 的 94.9%。

价格：同价卡，账单差四倍

定价上，两款 Live 模型共用同一张价目表：音频输入每分钟 0.005 美元、输出每分钟 0.018 美元；文本输入每百万 token 0.75 美元、输出 4.50 美元；图文视频输入每百万 token 1.00 美元。谷歌 AI Studio 还提供免费层。

但同价卡不等于同账单。Extended Thinking 会生成推理 token，按输出价计费。在固定任务集上，Artificial Analysis 实测 Extended Thinking 每小时输入音频 3.50 美元，而标准版只要 0.84 美元——同样的价卡，账单差出约四倍。横向比，OpenAI 的 GPT-Live-1 每小时输入音频约 5.83 美元，谷歌在语音这条线上把价格压得更低。

不止听和说：近实时视觉与多语言

Gemini 3.8 Live 还能读取图像与视频流，近乎实时理解画面，结合语音完成看图对弈、把白板草图转成可运行组件等任务。现场维修时，工程师拍下设备铭牌，模型即时读出型号并口述拆装步骤；零售巡检中拍货架即可判断陈列问题。

语言方面，模型理解和说 97 种语言，且能在对话中自动检测并切换。所有音频输出都带 SynthID 水印，保证 AI 生成内容可溯源、可验证。上下文窗口为 12.8 万 token 输入、6.4 万 token 输出，足够撑起长程语音任务。

Live Avatar：给语音智能体一张脸

10 月底，谷歌在 Gemini Enterprise 中把 Gemini 3.8 Live with Live Avatar 推到正式可用（GA）。这项最早在 Google Cloud Next 2026 预览的技术，现在面向企业生产。Live Avatar 提供带口型同步的视频形象，覆盖 Web、移动端和互动一体机；客户可以从谷歌策展的预置形象库里挑选，自定义形象则要走严格的企业白名单与核验流程。

对客服和助手场景，这意味着"听得懂、说得出"之外，还能"被看见"。官方给了三个落地样例：一是交互式自定义形象，上传一张参考照片和一段音频样本即可生成；二是保险定损的语音优先 intake，用户边说边用摄像头展示损伤，理赔笔记实时自动填充，后台 ADK 智能体团队同步核对保单、套用规则、生成定损包；三是用 Google ADK 搭配 Gemini Live API 搭建实时语音智能体，不需要传统语音识别流水线就能直接流式传音频。

已经有企业在用。Cox Automotive 为 Autotrader 做了购车助手，用实时屏幕高亮和工具调用来引导用户选车、比价、办金融；Equal AI 的语音 AI 每天处理超过 100 万通电话、覆盖 9 种印度语言，借 Live 模型改善了打断处理、多语对话和工具调用可靠性；Salesforce 则把 Agentforce 与 Gemini 3.8 Live 结合，探索从首次接触到问题解决的全流程智能服务。Agora、LangChain、LiveKit、Pipecat、Vercel 等也已支持新模型。

对开发者的意义

对做语音智能体的人来说，Gemini 3.8 Live 把语音 Agent 从"演示可用"推向"生产可用"：原生语音到语音降低了流水线复杂度，后台工具调用让"边说边干"成为可能，企业级数据治理与 SynthID 水印解决了合规与溯源。代价是 Extended Thinking 的成本需要精打细算——简单任务用标准版，多步推理才上 Extended Thinking。

语音 AI 的竞争，正在从"谁说得快"变成"谁能边说边把事办成"。谷歌这一步，把模型、头像、工具调用和企业合规打包到了一起，给同行立了一个不小的标杆。