Gemini 3.8 Live 瞄準生產級語音代理

Google 於 2026 年 9 月 15 日推出 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking，定位為面向生產級語音代理的原生語音到語音模型。兩者分工偏向營運需求。Gemini 3.8 Live 主打規模與經濟效率，適合需要大量即時對話、並要求成本可預測的企業。Gemini 3.8 Live Extended Thinking 則主打複雜任務與多步驟推理，適合代理在回應、呼叫工具或改變流程前需要先思考的情境。兩個模型都透過 Gemini Live API 與 Google AI Studio 提供。它們是託管模型，不是 open weights，因此不能自行託管。

為即時語音設計的兩個託管模型

這項發布之所以重要，是因為語音代理的失敗型態不同於文字聊天機器人。文字介面中，系統查資料時停一下，使用者通常還能接受。電話或會議裡，系統必須處理沉默、插話、輪流發言與工具回傳結果，同時不能讓對話像是斷線。Google 強調非同步函式呼叫，就是要處理其中一部分問題。模型可以在背景啟動工具和 API，同時繼續與使用者交談，而不是每次外部動作都讓對方等待。對客服、預約、內部服務台與連接即時系統的語音流程來說，這是能否上線的關鍵。

• Gemini 3.8 Live 著重生產級語音代理的規模與成本效率。
• Gemini 3.8 Live Extended Thinking 著重複雜任務與多步驟推理。
• 兩個模型都是原生語音到語音模型，並於 2026 年 9 月 15 日透過 Gemini Live API 與 Google AI Studio 提供。
• Google 表示，非同步函式呼叫可在對話持續時於背景執行工具與 API。
• 這些模型是託管服務，不是 open weights，因此不能自行託管。

Google 強調的即時能力

Google 也把這些模型描述為即時多模態系統，而不只是語音引擎。它們可以近乎即時處理視覺輸入，對於需要一邊說話、一邊查看螢幕、產品、文件或工作環境的代理很重要。Google 稱模型能在 97 種語言之間自動偵測並切換，目標是處理使用者不固定使用單一語言的多語通話。公司也表示，模型對代碼與字母數字資料有更高準確度。在生產中，訂單號、帳戶識別碼、訂位參考或短驗證碼只要聽錯一個字元，就可能把順暢示範變成昂貴的人工介入。

基準分數仍是公布結果

Google 公布 Gemini 3.8 Live Extended Thinking 的多項成績：Speech to Speech Quality Index 為 82.6，tau-Voice 為 68.6%，Sierra tau-Voice-banking 為 35.1%，Big Bench Audio 為 97.7%。Google 也表示 Gemini 3.8 Live 在 Speech Agent Arena 排名第二。這些數字可作為 Google 主張改進方向的訊號，但仍是公布結果，不代表對所有生產場景的廣泛獨立驗證。語音代理品質還取決於端到端延遲、聲學條件、電話系統、插話處理、工具穩定性與人工監督。

MarkTechPost 報導的價格為音訊輸入每分鐘 0.005 美元、音訊輸出每分鐘 0.018 美元。該報導稱，估算基於輸入每百萬 token 3 美元、輸出每百萬 token 12 美元。對採購方而言，每分鐘價格只是起點。生產代理還會產生問候、重複確認、失敗回合、轉接、放棄會話與監控流量等成本。Gemini 3.8 Live 所主張的經濟效率，必須用每個已解決任務的實際成本衡量。

基礎設施夥伴與部署路徑

Google 提到的即時基礎設施夥伴包括 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 與 Vision Agents。部署路徑分層進行。API 與 Google AI Studio 立即可用；Gemini Enterprise 將有私人預覽；Search Live、Gemini Live 與部分 Workspace 體驗中的可用性，則依相關方案而定。Google 也表示，其 AI 產品生成的所有聲音都帶有不可感知的 SynthID 浮水印。這不能取代告知與稽核紀錄，但可以加入治理檢查表。

投入生產前，採購方應測試端到端延遲、插話、錯誤復原、真實成本、工具呼叫可追溯性與人工監督。這是分析，不是 Google 宣布的事實。對繁體中文市場的企業而言，改變在於可將託管、原生語音的 Gemini 產品線作為生產基礎設施評估。好的試點應包含噪音、口音、中文與其他語言切換、字母數字編碼、API 失敗、升級規則，以及何時交由真人接手。