谷歌发布 Gemini 3.8 Live：首个能边推理边说话的实时语音模型

语音助手等了十年的那次"开口过渡"

谷歌在官方博客宣布推出两款实时语音对话模型：Gemini 3.8 Live 主打规模化与成本效率，Gemini 3.8 Live Extended Thinking 主攻高复杂度任务。两款模型被定位为目前最出色的对话式人工智能模型，已上线 Gemini API 与 AI Studio，并进入 Search Live 以及 Workspace 的 Docs、Gmail、Keep 等入口。

产品层面最大的变化是交互范式。Extended Thinking 可以做到"边推理边说话"——先用"让我查一下……"这类早期口头提示自然承接请求，再以实时进度旁白带用户走完多步后台任务。工具调用与 API 请求在后台执行，对话全程不中断。它还能在对话中途自动切换 97 种语言。

语音助手做了十年，一直在等"敢开口过渡"的能力。边推理边说话看似只是不冷场，实际是把"等待回复"的尴尬从产品里整个删掉了——交互的进步常常不在跑分里，而在你不再想说"喂，还在吗"。

成绩单：三项基准同时登顶

Extended Thinking 在 Artificial Analysis 语音到语音质量指数上以 82.6 分拿下总榜第一，代理任务完成基准 τ-Voice 得分 68.6%，Big Bench Audio 得分 97.7%。这意味着语音模型第一次同时在听感自然度、任务完成度、复杂音频理解三个维度上站到第一梯队。

对开发者而言，更值得关注的是成本结构。Gemini 3.8 Live 的定价被明显压低，与 OpenAI 的 GPT-Live-1 形成对照：谷歌选择用价格换规模，在音频自然度上接受一定差异。实时语音与智能体第一次在单位小时成本上变得经济可行，呼叫中心、客服机器人和消费级陪伴产品的账第一次算得过来。

水印与合规：生成音频全量标记

谷歌在发布中明确，所有生成音频都带 SynthID 水印。这是一个容易被忽略但影响深远的决定：当语音成为智能体的主入口，音频内容的溯源能力就会像今天的网页签名一样变成基础设施。对企业采购者来说，这既是合规抓手，也意味着未来跨平台音频内容的互认标准之争已经开场。