谷歌 DeepMind 在 9 月 15 日发布了两款端到端语音模型——Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，把"边想边说"的实时对话能力带到了生产级语音智能体的舞台中央。
Gemini 3.8 Live 是一款主打规模与成本效率的语音模型：它能处理语音、摄像头画面、图像与文本输入，并以语音或文本回复，支持实时对话轮转、打断处理，还能在对话进行的同时于后台调用函数或查询 API——相当于一边聊天一边干活。更亮眼的是它的多语言能力：可识别并即时切换 97 种语言，甚至能在对话中途无缝换语种。对于高并发、成本敏感的场景，它是谷歌给出的默认选择。
而 Gemini 3.8 Live Extended Thinking 则是"深度推理版"：它在保持流畅对话的同时，会通过言语线索（比如"让我查一下"）同步叙述自己的推理过程，适合复杂的多步任务。在 Artificial Analysis 的语音质量指数（Speech to Speech Quality Index）上，Extended Thinking 以 82.6 分登顶；在智能体语音基准 Tau3 上，也以 68.6% 的成绩领先，并在 Sierra 的 Tau3-banking 评测中取得 35.1% 的分数，稳居企业级梯队。
两款模型都通过 WebSocket 连接运行于 Gemini Live API，支持音频、视频、图像、文本的多模态输入。定价方面，音频输入每分钟 0.005 美元，音频输出每分钟 0.018 美元——粗略算下来，一小时连续对话的成本约 1.38 美元，相当有竞争力。访问渠道覆盖 Gemini 应用、Search Live、Google Workspace 以及面向开发者的 Live API 和 AI Studio。
值得注意的是，这款模型的发布时机，恰逢全球 AI 巨头就"是否减速"争论白热化。OpenAI 此前刚把 GPT-Live-1 开放进 API，Anthropic CEO 则在呼吁为前沿研发"踩刹车"——谷歌选择在这个节点推出更强的语音模型，姿态不言自明。当"能一边想一边说"成为标配，语音 AI 的竞争已经从"听懂"升级到"会思考"，而成本的下探，正让实时语音智能体从小众演示走向大规模商用。