Gemini 3.8 Live 面向生产级语音代理发布

Google 于 2026 年 9 月 15 日发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，把它们定位为面向生产级语音代理的原生语音到语音模型。两者的分工很清楚。Gemini 3.8 Live 面向规模化和成本效率，适合需要大量实时对话、并且希望成本可预测的企业。Gemini 3.8 Live Extended Thinking 面向复杂任务和多步骤推理，适合代理在回答、调用工具或改变处理路径之前需要先完成更深分析的场景。两个模型都通过 Gemini Live API 和 Google AI Studio 提供。它们是托管模型，不是 open weights，因此客户不能自行托管。

面向实时语音的两个托管模型

这次发布的重要性在于，语音代理的失败方式不同于文本聊天机器人。文本界面里，系统检索数据时出现停顿，用户通常还能理解。电话或会议中的语音代理则必须处理沉默、打断、轮流发言和工具返回结果，同时不能让对话显得中断。Google 强调异步函数调用，正是为了缓解这个问题。模型可以在后台启动工具和 API，同时继续与用户交谈，而不是每次外部动作都让用户等待。对于客服、预约、内部服务台和需要连接实时系统的语音流程，这一点直接影响能否进入生产环境。

• Gemini 3.8 Live 面向生产级语音代理的规模化和成本效率。
• Gemini 3.8 Live Extended Thinking 面向复杂任务和多步骤推理。
• 两个模型都是原生语音到语音模型，并于 2026 年 9 月 15 日通过 Gemini Live API 和 Google AI Studio 提供。
• Google 表示，异步函数调用可以在对话继续时于后台运行工具和 API。
• 这些模型是托管服务，不是 open weights，因此不能自行托管。

Google 强调的实时能力

Google 还把这些模型描述为实时多模态系统，而不只是语音引擎。它们可以近实时处理视觉输入，这对需要一边说话一边查看屏幕、产品、文件或工作场景的代理有意义。Google 称模型能够在 97 种语言之间自动检测和切换，目标是处理用户并不始终使用同一种语言的多语通话。公司还强调了对代码和字母数字数据的更高准确率。在生产场景中，订单号、账户标识、预订参考号或短验证码听错一个字符，就可能让一次看似顺畅的演示变成高成本的人工转接。

基准分数是公布结果

Google 公布了 Gemini 3.8 Live Extended Thinking 的多项成绩：Speech to Speech Quality Index 为 82.6，tau-Voice 为 68.6%，Sierra tau-Voice-banking 为 35.1%，Big Bench Audio 为 97.7%。Google 还称 Gemini 3.8 Live 在 Speech Agent Arena 中排名第二。这些数字可以作为 Google 所声称改进方向的信号，但它们仍是公布结果，不是对所有生产环境的广泛独立验证。语音代理的质量还取决于端到端延迟、声学条件、电话线路、打断处理、工具可靠性和人工监督。

MarkTechPost 报道的价格为音频输入每分钟 0.005 美元，音频输出每分钟 0.018 美元。该媒体称，这一估算基于输入每百万 token 3 美元、输出每百万 token 12 美元。对采购方来说，分钟价格只是起点。生产代理还会消耗问候语、重复确认、失败轮次、转接、放弃会话和监控流量。Gemini 3.8 Live 所强调的成本效率，必须用每个已解决任务的真实成本来衡量，而不能只看理想对话中的费率。

基础设施伙伴和部署路径

Google 提到的实时基础设施伙伴包括 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents。部署路径分层推进。API 和 Google AI Studio 立即可用；Gemini Enterprise 将提供私有预览；Search Live、Gemini Live 以及部分 Workspace 体验中的可用性，则取决于相应产品方案。Google 还表示，其 AI 产品生成的所有声音都带有不可感知的 SynthID 水印。这个机制不能替代披露和审计日志，但可以成为企业治理清单中的一个控制项。

在投入生产之前，采购方应测试端到端延迟、打断、错误恢复、真实成本、工具调用可追溯性和人工监督。这是分析，不是 Google 公布的事实。对中文企业和中文服务团队来说，变化在于可以把一条托管的原生语音 Gemini 产品线作为生产基础设施来评估。有效试点不应只是流畅脚本，而应包括噪声、口音、普通话与其他语言切换、字母数字编号、API 失败、升级规则以及何时转人工的明确边界。