语音交互的临界点：Gemini 3.8 Live 双模型如何重新定义实时对话式 AI

从「能说话」到「会思考着说话」

语音助手诞生多年，但真正让用户感到「像在和人对话」的产品并不多。大多数语音 AI 的瓶颈不在于识别准确率，而在于对话的连续性——一旦任务变复杂、需要调用工具或进行多步推理，对话就会中断、卡顿，甚至要求用户重新开始。

Google DeepMind 近期推出的 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款模型，正是针对这一痛点的系统性回应。它们的核心思路并非单纯提升语音识别或合成质量，而是让「推理」与「对话」在时间轴上并行发生。

两款模型的分工逻辑

这次发布采用了明确的双轨策略，而非用单一模型覆盖所有场景：

Gemini 3.8 Live 面向规模化与成本效率。它把对话智能、流畅交互和视觉理解整合在一起，适合需要大量并发、对延迟敏感的语音代理场景。

Gemini 3.8 Live Extended Thinking 则面向高复杂度任务。它允许模型在「说话」的同时进行多步推理，用「让我查一下……」这类早期语言线索自然地确认请求，并通过实时进度叙述引导用户完成多步骤后台任务。

这种分工意味着开发者不必在「快」和「聪明」之间二选一，而是可以根据业务场景选择合适的模型。

性能数据说明了什么

从公开的评测结果看，Extended Thinking 版本在多个维度上表现突出：在 Artificial Analysis 的 Speech to Speech Quality Index 上以 82.6 分位列第一；在 τ-Voice 基准上达到 68.6%，在 Sierra 的 τ-Voice-banking 基准上为 35.1%，这两项主要衡量代理式任务完成能力；在 Big Bench Audio 上则取得 97.7% 的推理成绩。

Gemini 3.8 Live 在 Speech Agent Arena 中排名第二，用户偏好度较高，同时保持了较强的成本优势。在 ServiceNow 的 EVA-Bench 评测中，两款模型在准确率与对话质量之间取得了较好的平衡。

需要说明的是，这些数据来自厂商公布的评测环境，实际表现会因部署方式、网络条件和任务类型而异。

真正值得关注的三项能力

抛开跑分，这次更新中最具实用价值的能力集中在三个方面：

视觉上下文的近实时处理。 Gemini 3.8 Live 能够处理视觉输入，让对话不再局限于纯语音。例如在员工入职引导场景中，模型可以结合画面内容回答即时问题；在演示中，它甚至能通过视觉信息实时对弈国际象棋。

对话中途的语言切换。 模型支持 97 种语言，并能在对话过程中自动检测和切换，这对跨国团队和 multilingual 客服场景意义明显。

后台任务与对话并行。 工具调用和 API 请求在后台执行时，模型仍能确认请求并继续聊天。Extended Thinking 版本更进一步，可以协调多步骤预订和异步函数调用，而不打断自然对话。

落地场景：从 Workspace 到 Search

这些能力已经进入具体产品。在 Google Workspace 中，Docs Live、Gmail Live 和 Keep Live 可以调用 Extended Thinking 版本；Search Live 提供基于 Gemini 3.8 Live 的实时排障帮助；Gemini 应用则支持 Daily Brief、语音处理收件箱和任务交接等功能。

对开发者而言，这些模型可通过 Gemini API 接入，为构建生产级语音代理提供了基础组件。

国内视角：语音 AI 的路线差异

把视线拉回国内，语音交互同样是各家大模型厂商的重点方向，但路线选择存在差异。

字节跳动的豆包在语音对话的流畅度和情感表达上投入较多，强调拟人化的交互体验；阿里巴巴的通义千问依托阿里云生态，在企业级语音客服和智能外呼场景中积累了大量落地案例；科大讯飞的星火模型则延续其在语音识别与合成领域的技术积累，在方言支持和嘈杂环境下的识别稳定性上有自身优势。DeepSeek 以开源和推理能力见长，但在实时语音交互的产品化程度上相对克制。

一个值得注意的差异是：Google DeepMind 这次把「边推理边说话」作为核心卖点，试图解决复杂任务中的对话中断问题；而国内多数产品目前仍以「快速响应、准确识别」为主要优化目标，在长链条任务与语音的并行处理上，公开的技术细节和评测数据相对有限。这既是差距，也意味着国内厂商在代理式语音交互方向仍有明确的追赶空间。

语音 AI 的下一站

Gemini 3.8 Live 系列传递出的信号很清晰：语音交互的竞争重心，正在从「识别得准不准」转向「能不能在对话中完成复杂任务」。当模型学会在说话的同时思考、在后台执行任务的同时保持对话，语音才真正从输入方式变成协作界面。

对开发者和企业来说，现在需要思考的问题不再是「要不要做语音」，而是「哪些任务适合交给语音代理」。

常见问题

Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 有什么区别？

Gemini 3.8 Live 侧重规模化与成本效率，适合高并发、低延迟的语音对话场景；Extended Thinking 版本侧重高复杂度任务，支持边推理边说话和多步后台任务处理。

这两款模型支持哪些语言？

Gemini 3.8 Live 支持 97 种语言，并能在对话过程中自动检测和切换语言。

开发者如何接入这些模型？

可通过 Gemini API 接入，同时这些能力已集成到 Google Workspace、Search 和 Gemini 应用中。

评测数据是否代表真实使用效果？

文中引用的成绩来自 Artificial Analysis、τ-Voice、Big Bench Audio、EVA-Bench 等公开评测，实际表现会因部署环境、网络条件和任务类型而有所不同。

国内有类似的语音 AI 产品吗？

有。豆包、通义千问、讯飞星火等都在语音交互方向持续投入，但在「边推理边说话」的代理式语音能力上，公开的技术细节和评测数据相对有限。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。