谷歌发布Gemini 3.8 Live系列语音智能体模型

面向实时语音代理的原生S2S模型

谷歌发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking，为其迄今最先进、专为实时语音代理设计的原生语音到语音（Speech-to-Speech）模型。二者属于Gemini Audio模型家族新成员，延续上月发布的Gemini 3.5 Transcribe路线，旨在填补关键空白：让语音代理在保持自然对话流的同时，具备推理能力与工具执行能力。模型即日起面向开发者开放API调用，已集成至Gemini Live API与Google AI Studio平台。需注意，这是托管式服务模型，不提供开源权重或本地部署选项。

双模型差异化定位

Gemini 3.8 Live侧重规模化与成本效率，融合对话理解、流畅语音交互与视觉锚定能力；Gemini 3.8 Live Extended Thinking则面向高复杂度任务，强化多步推理能力，并支持边思考边说话。谷歌强调，二者共同构成对传统级联式语音流水线（ASR→LLM→TTS）的精简替代方案。

权威基准测试表现亮眼

Gemini 3.8 Live Extended Thinking在Artificial Analysis发布的Speech-to-Speech Quality Index中以82.6分位列总榜第一；在τ-Voice代理任务完成率测试中达68.6%，在Sierra的τ-Voice-banking金融场景测试中达35.1%；在Big Bench Audio音频推理基准中取得97.7%准确率。Gemini 3.8 Live在人类偏好评估平台Speech Agent Arena中排名第二。在ServiceNow EVA-Bench复杂工作流评测中，两模型共同推动帕累托前沿——即在任务准确率与对话质量之间实现更优平衡，该结果基于Gemini Enterprise Agent Platform的Live API实测数据。

开发者可直接调用的五大能力

新模型通过Live API提供五项核心能力：异步函数调用（后台执行API/工具调用，语音响应持续流式输出）；视觉上下文理解（近实时处理动态视觉输入，实现“所见即所说”的协同）；字母数字精准解析（可靠识别验证码、保单号等结构化技术数据）；97语种自动检测与会话中无缝切换（保持口音一致性）；增量内容更新（融合实时音频流与结构化数据生成上下文感知响应）。Extended Thinking额外支持可配置后台多步推理，模型可在说话过程中同步推理，通过“我来查一下”等早期语音提示即时响应，并逐步播报执行进展——演示案例包括结合手绘草图与语音反馈生成可运行React组件、协调多步骤预约流程等。

定价与生态合作

音频输入定价为0.005美元/分钟，音频输出为0.018美元/分钟（对应约3美元/百万输入token、12美元/百万输出token）。开发者可通过集成Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel及Vision Agents等实时媒体流基础设施伙伴快速构建应用。谷歌亦宣布与Salesforce、Genspark、Lumeris达成合作，三方均认可模型在低延迟、对话流畅性及工具调用可靠性方面的优势。示例应用代码已开源至GitHub。所有生成语音均嵌入Google DeepMind不可感知的SynthID水印。

编者观点

该发布标志着大厂正加速将语音智能体从‘能听会说’推向‘能思善行’，其端到端架构与实时多模态协同能力，为中国语音AI厂商在金融、政务、医疗等高要求场景的Agent产品化路径提供了明确参照。