谷歌发布两款实时对话模型
昨晚，谷歌发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，并表示这是其迄今为止最先进的实时对话模型。两款模型在智能和并行推理方面进行了重大升级，让用户能够更直观地使用语音进行协作并执行复杂任务。
两款模型虽然都面向语音 Agent，但分工不同：Gemini 3.8 Live 侧重低延迟和规模化部署，Extended Thinking 则为需要多步骤推理、调用多个工具的复杂任务增加了后台思考能力。
据介绍，这两款模型已通过 Gemini API 和 Google AI Studio 向开发者开放。
那么，谷歌新发的这两款语音模型，要解决什么问题？
据谷歌方面称，此次更新要解决一个语音 Agent 常见的问题：用户要求助手查数据、调用系统或完成预约时，对话往往会停下来，等待工具返回结果。文字界面可以显示“正在处理”，但语音通话中的几秒沉默会让人难以判断它究竟在思考、执行任务，还是已经失去响应。
谷歌在 Live API 技术文档中解释，Gemini 3.8 Live Extended Thinking 可以在后台规划任务并异步调用工具，同时先给出“我来查一下”之类的语音回应。任务继续执行时，模型还能口头报告进度，最后再说出结果。例如，用户要求比较航班与酒店，Agent 可以分别查询相关服务，查询过程中维持对话，而不是等所有接口返回后才第一次开口。
这也改变了开发者判断“一轮对话结束”的方式。
普通实时语音模型说完一段话，通常就意味着该轮响应结束；Extended Thinking 可能已经说完一句进度提示，却仍在后台推理或等待工具结果。因此，开发者需要根据 Live API 返回的 IN_PROGRESS 和 IDLE 状态判断任务是否真正完成。
技术文档还规定，Extended Thinking 的工具调用必须采用非阻塞方式，并允许开发者将思考深度设为低、中、高三个等级。
Gemini 3.8 Live 也支持异步工具调用，但谷歌将它定位为多数低延迟语音应用的默认选择。
Extended Thinking 面向跨多个接口检索信息、分析日志排障、验证公式或辅导代码等任务。两款模型的区别并非简单的“普通版与加强版”：在真实应用中，响应速度、任务复杂度，以及客户端能否正确处理后台执行状态，都会影响选择。
此外，这两款模型的特别之处还在于，它们不只是听语音，还要理解眼前的画面。
这也是谷歌此次强调的另一项能力——视觉输入。Gemini 3.8 Live 可以在近乎实时的对话中处理用户展示的画面，再结合语音问题作答。
Gemini 3.8 Live 实时指导员工入职，利用可视化上下文回答实时问题。
官方还演示了该模型一边观察棋盘、一边与用户交流棋局的能力。模型支持在对话中识别并切换 97 种语言。
观看 Gemini 3.8 Live 近乎实时地使用视觉上下文、推理和自然对话流程进行国际象棋对弈。
开发者博客还列出几项面向业务应用的能力：识别确认码、保险理赔编号等字母数字混合信息；将实时音频与结构化数据结合，以更新回答所依据的上下文；以及在持续输出语音时执行 API 调用。对于电话客服、现场支持等场景，模型既要听懂用户的问题，也要准确读取编号、理解现场画面，并与企业系统交互，这些环节都会影响任务能否完成。
不过，实时视觉输入也意味着开发者需要管理输入量。谷歌提示，视频帧默认会发送给模型，应按需要提供画面，以控制上下文占用和费用。两款模型均支持文字、图像、音频和视频输入，模型页面列出的输入上限为 131072 Token。它们支持函数调用，但模型文档并未将代码执行、文件搜索或结构化输出列为支持能力。
跑分第一，具体赢在哪？
根据评测机构 Artificial Analysis 的语音到语音榜单，Gemini 3.8 Live Extended Thinking 的 High 配置取得 82.6 分综合指数。这一指数汇总了语音推理、Agent 任务表现、用户偏好和任务成功率；82.6 是指数分数，并非“82.6 百分位”。
在具体项目上，该模型于 τ-Voice Agent 任务测试中取得 68.6%，在 Big Bench Audio 语音推理测试中取得 97.7%。
谷歌披露，它在 Sierra 的 τ-Voice-banking 银行业务任务测试中取得 35.1%。基础版 Gemini 3.8 Live 则在 Artificial Analysis 的 Speech Agent Arena 用户偏好榜中排名第二。
这些数据说明语音模型的竞争已不只是“说得自然”。Big Bench Audio 检验模型能否理解并回答以音频提出的推理问题；τ-Voice 关注语音 Agent 执行任务的能力；用户偏好测试则衡量实际交谈后的体验。
它们从不同角度评价模型，但值得注意的是，单项成绩不能直接推算企业部署后的完成率。开发者仍需结合自己的工具、数据和真实对话流程进行测试。
成本也是语音 Agent 落地时必须计算的一笔账。谷歌将两款 3.8 Live 模型列在同一标准价格项下：付费档音频输入标价约 0.005 美元 / 分钟，音频输出约 0.018 美元 / 分钟；文字以及图像、视频输入另有计费项目。持续收听、生成语音和处理画面的实际用量，都会影响最终费用。
这次发布呈现出谷歌对语音 Agent 的判断：自然对话是入口，真正困难的是在对话不断线的情况下理解现场、调用外部系统并完成任务。Extended Thinking 将推理和执行过程搬到后台，让用户听到进度；它的实际价值，还要看开发者能否把这种能力接入可靠的业务流程。
谷歌究竟是“落后了”，还是走了另一条路？
谷歌强调两款新模型能够边对话边推理、在后台调用工具，模型发布后在多个社交平台引发热议。
在 x 上，网友 Mike Kipruto 表示，自己准备实际测试，最想知道的是模型“能否在后台运行任务的同时进行推理、使用工具，并让对话继续进行”。他的关注点落在这次发布的核心能力上：语音 Agent 开始执行任务后，是否真的还能自然地与人交流。
也有用户认为，持续推出新模型尚未回答他们对模型质量的期待。
KUMAR 留言，希望谷歌在未来的 Gemini 4 或 4 Pro 中减少设计内容里的“AI 味”以及模型幻觉。Francesca A 的批评更尖锐：在她看来，用户需要的是一款能够与 Claude、OpenAI 模型乃至 Kimi 3 相比的 Pro 或前沿模型；她认为谷歌上一次推出有突破性的前沿模型还是 Gemini 2.5 Pro。
模型可用性同样引发讨论。Pear 表示称，自己使用的 Gemini 3.8 Flash High 在过去两天“无法正常工作”。另一名用户 TLM13 抱怨，最近三次使用 Google Studio 时，系统反复尝试修复问题，直到用完使用额度仍未解决。
在 Reddit 平台，更多的讨论集中在一个更大的问题上：谷歌接连推出 Flash、Live 等模型，为什么没有发布网友期待的新版 Pro 模型？
用户 technopixel12345 将猜测说得很直接：“他们要么藏着一个强大的 Pro 模型，要么就是远远落后了。”另一名用户追问谷歌：“什么都发布，就是不发布另一个 Pro 模型，是吗？”
但也有人认为，只盯着前沿模型榜单，会误读谷歌的产品策略。
用户 bysse 判断，谷歌最终可能“胜出”，理由是它拥有全球基础设施，而 Gemini 本身具备多模态能力、价格较低，用途也不限于编码。
willitexplode 的观点更具体：谷歌面向普通用户需要的是“快速、准确的智能”，未必需要把最强的模型都作为公开产品提供。
还有网友把讨论拉回新模型的演示效果。Hans-Wermhatt 对员工入职指导演示中，语音助手主动描述用户当前页面的行为感到不满：“我知道自己在哪一页。除非我提问，或者我有视觉障碍，否则你不用告诉我正在看什么。”他认为，模型在其他演示中也倾向于重复描述眼前画面。这个批评指出了实时视觉助手的一个体验问题：模型能够看见画面，只是能力的起点；它还需要判断何时该说、何时该保持安静。
Reddit 上的分歧因此没有停留在“谷歌是不是榜单第一”。一部分网友催促更强的 Pro 模型，另一部分认为低成本、多模态和产品覆盖同样重要。对于此次发布的语音 Agent，用户最终要检验的仍是它能否在实际任务中准确理解现场、恰当地开口，并把后台工作做完。
参考链接：
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/
https://artificialanalysis.ai/speech-to-speech
文章来自于微信公众号 “InfoQ”，作者 “InfoQ”