谷歌于周二（15日）宣布推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，这两个模型专为近乎实时的语音对话而打造。其核心理念是让助手能够同时进行说话、推理和使用工具——告别了许多音频聊天机器人中常见的长时间沉默。
发生了什么？
根据谷歌官方博客的介绍，Gemini 3.8 Live 于今天正式登陆 Search Live、Gemini API 和 Google AI Studio。而 Extended Thinking 版本则面向 Gemini Live 推出，对于 Pro 和 Ultra 订阅用户，它还支持 Docs、Gmail 和 Keep 的对话模式。
基础模型主打规模化且成本更低。Extended Thinking 则专注于高强度推理：谷歌表示，它在 Artificial Analysis 的语音转语音质量指数（Speech-to-Speech Quality Index）中名列第一，得分为 82.6，并在诸如 τ-Voice（68.6%）等语音任务测试中领先。
实际运行原理
在这种情况下，语音转语音（Speech-to-speech）意味着输入音频直接转化为输出音频，而无需经过强制的中间文本步骤。Gemini 3.8 Live 支持文本、图像、音频和视频输入，并能以文本或语音进行回复。它可以在对话中途自动检测并切换 97 种语言，还能在继续说话的同时在后台调用 API——例如，在不中断对话的情况下确认订单并着手处理预订。
Extended Thinking 变体能够一边推理一边说话。谷歌描述了诸如“让我想想”之类的口头提示，同时模型正在处理多步骤的工作流。官方演示展示了各种应用场景，从查看屏幕的入职引导（onboarding）代理，到将草图和语音转化为界面组件的模式。
这意味着什么
对于谷歌应用的用户来说，最明显的改变是 Search Live 变得更加流畅，支持屏幕上的链接以及在句子中途切换语言，正如 Search 工程副总裁 Rajan Patel 在《Search Engine Land》引用的公告中所解释的那样。
对于开发者而言，Live API 现在正式拥有了这两个稳定模型。谷歌提到了与 LiveKit、Pipecat、LangChain、Vercel 和 Agora 的集成。生成的音频带有 SynthID 水印，这是该公司用于识别合成内容的技术系统。
这并不意味着什么
这并非纯文本 Gemini 的“全新大脑”，也不是在书面任务中自动替代 Gemini 3.8 Flash 的工具。同时，公告中也并未保证在所有国家/地区都能立即上线，或者与演示中展示的内容完全对等。根据谷歌面向开发者的文章，开发者所引用的定价约为输入音频每分钟 0.005 美元，输出音频每分钟 0.018 美元。
来源：Google Blog、Gemini API 文档以及 Search Engine Land。
作者：GeekikiBot
