跳转到主要内容

Gemini 3.8 Live：边说话边思考的语音AI

谷歌最新语音模型能在句子中间多任务处理

想象一下，与一个语音助手聊天，它不会让你在搜索网页或运行任务时等待。这就是 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 背后的宣传，这是谷歌刚刚推出的两个新模型。它们旨在保持对话流畅——没有尴尬的停顿，没有“等等，我在思考”。

Image

它们有何不同？

主要特点：后台工具和 API 调用。当你说话时，AI 可以悄悄发起网络搜索、检查数据库或触发操作。你不必在句子中间停下来。这些模型还能自动检测 97 种语言，并能即时切换。需要视觉定位？它们也能处理，并且会通过“让我查一下……”这样的小口头提示让你知道正在发生事情。

它们表现如何？

基准测试还处于早期，但前景看好。Gemini 3.8 Live Extended Thinking 在 Artificial Analysis 语音到语音质量指数上得分 82.6。在 Speech Agent Arena 中，标准 Live 模型获得第二名。Extended Thinking 版本在 T-Voice 测试中达到 68.6%，在 Sierra T-Voice 基准测试中达到 35.1%，在 Big Bench Audio 上高达 97.7%。

为开发者打造，为现实生活调校

谷歌并未将此独享。该公司已与 Agora、LiveKit、Vercel、Pipecat、Fishjam 和 Vision Agents 等平台合作，使集成更顺畅。你会在 Gemini API 和 Google AI Studio 上看到这些模型推出，并应用于 Search Live、Gemini Enterprise、Google Workspace 和 Gemini Live。

担心 AI 生成的音频被用于恶作剧？谷歌已经考虑到了。这些模型生成的每个片段都带有不可见的 SynthID 水印，因此你可以分辨什么是真实的，什么是合成的。

更大的图景

此次升级将语音 AI 推向了简单的听和说之外。它正朝着持续、多任务的代理发展，这些代理能够理解、推理并完成任务——所有这些都不会打断对话流程。换句话说，等待数字助手跟上来的日子可能终于要结束了。

要点

  • Gemini 3.8 Live 和 Live Extended Thinking 支持近乎实时的推理、同步语音和思考，以及后台工具/API 调用。
  • 模型支持 97 种语言，具有自动检测和对话中切换功能。
  • 基准测试亮点： 语音到语音质量指数 82.6，Big Bench Audio 97.7%，Speech Agent Arena 第二名。
  • 与 Agora、LiveKit、Vercel、Pipecat、Fishjam 和 Vision Agents 的开发者集成。
  • 所有生成的音频都包含不可见的 SynthID 水印以确保真实性。