2026年9月15日，谷歌正式发布了两款全新的实时语音对话模型——Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking。📖 这并非一次寻常的版本迭代，而是一次关于“AI 如何用声音与人协作”的表达方式重构。换言之，谷歌想要回答的核心问题只有一个：如何让机器在开口说话的同时，依然保持思考。

📝 首先，我们不妨理清这两款模型的分工。Gemini 3.8 Live 面向规模化与成本效率，主打流畅对话、视觉理解与实时响应；Gemini 3.8 Live Extended Thinking 则面向高复杂度任务，强调多步推理与更高的智能上限。换句话说，前者适合客服应答、陪练对话、实时翻译等高频场景，后者适合需要边思考边执行的专业工作。谷歌将这两款模型定位为“构建可靠、可上生产的语音智能体”的基础组件，而非单纯的演示品。

🔍 其次，从谷歌披露的硬指标来看，这组数据值得留意。据官方说明，Extended Thinking 在 Artificial Analysis 的“语音到语音质量指数”上取得 82.6 分，位列榜首；在智能体任务完成度上，它在 τ-Voice 基准拿到 68.6%，在 Sierra 的 τ-Voice-banking 基准拿到 35.1%，并在 Big Bench Audio 上取得 97.7% 的成绩。至于 Gemini 3.8 Live，则在 Speech Agent Arena 中排名第二，官方强调其成本效益突出，适合大规模铺开。在 ServiceNow 的 EVA-Bench 上，谷歌称这组模型成功平衡了准确率与对话质量，把复杂工作流的帕累托前沿向前推进了一步。

⭐ 然后，我们再来看看最值得关注的交互设计。Gemini 3.8 Live 能够近实时地处理视觉输入，并在对话中途自动检测与切换 97 种受支持语言；它还能在对话继续推进的同时，于后台执行工具调用与 API 请求——先给出回应，再完成实际任务。对于需要深度推理的任务，Extended Thinking 则实现了“边推理边说话”，用早期的口头提示自然确认用户诉求，并用实时进度播报引导用户走完多步流程，而不打断交流节奏。官方演示中，它能把粗略草图与近乎实时的语音反馈，直接转化为可运行的 React 组件，也能在不中断对话的前提下，用异步函数调用协调多步餐厅预订。

📌 值得注意的是，这类“边聊边做”的能力，其实与站点此前讨论过的两个方向遥相呼应。一是DeepSeek 新模型把智能体缓存成本压到新低，让长链条任务的经济性变得可行；二是Anthropic 公开模型越狱事件复盘、重建三层安全防线，提示我们：语音智能体越是深入业务，安全与可控就越不能缺席。

再者，从落地路径看，谷歌的铺开节奏相当清晰。开发者可通过 Gemini API 与 Google AI Studio 使用；企业侧在 Gemini Enterprise 中处于私有预览；普通用户则能在 Search Live、Gemini Live，以及 Workspace 的 Docs、Gmail、Keep 中逐步体验。官方还提到，Agoda、Fishjam、LiveKit、Pipecat、Vercel、Vision Agents 等平台已基于 Gemini Live API 构建语音驱动界面；同时，所有由谷歌 AI 产品生成的音频都嵌入了 SynthID 不可感知水印，以便内容可被检测，帮助抑制误导信息。

综上所述，Gemini 3.8 系列真正想表达的，不只是“语音更自然”，而是“语音成为智能体执行任务的入口”。当模型能够一边倾听、一边推理、一边调用工具，语音交互便从演示走向生产。对我们而言，理解这一层逻辑，比记住几个分数更重要——因为技术的意义，最终要落在它如何改变人与工具协作的方式上。