作者 | 周雅
来源 | 科技行者
日常与 AI 语音交互时，常遇两极分化：要么响应极速但处理复杂任务“犯傻”，要么深度思考导致对话卡顿，节奏尴尬。
这是实时对话模型面临的核心矛盾：“深度思考”与“流畅对话”难以兼得。模型越需深思，实时性越差，导致人机对话不同频。
美国当地时间 9 月 15 日，Google 发布两款实时对话模型Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking，旨在解决此矛盾。此次升级聚焦于能一边对话、一边推理和调用工具的语音 Agent。
两款模型定位清晰：
Gemini 3.8 Live主打轻量、低延迟、低成本，面向实时对话场景。除语音外，支持近实时视觉理解（图片/视频）、工具调用及 Google Search Grounding，适用于客服、日常助手、车载交互等对速度与成本敏感的场景。
Gemini 3.8 Live Extended Thinking为“深度思考”版，专注复杂推理和多步骤任务。它可后台持续思考、调用 API 并等待结果，前台则保持对话流畅。更适合行程规划、复杂客服、销售助手等需边聊边办的场景。
01. 对话质量如何？
Speech to Speech Index由第三方机构 Artificial Analysis 维护，综合评估语音 Agent 在语音推理、智能体任务表现、用户偏好、任务成功率四维度的表现，是行业权威指数。
Gemini 3.8 Live Extended Thinking (High) 以82.6 分登顶，超越GPT-Live-1 (Astra, Medium)的81.5 分及Grok Voice Think Fast 2.0 High的81.3 分。Gemini 3.8 Live 以76.0 分位列第五。
图：Artificial Analysis Speech to Speech Quality Index 位次对比（来源：Artificial Analysis）
值得注意的是，Google 上一代 3.1 系列模型得分均在 72 分以下，落后 3.8 系列超 10 分，证实此次为实质性的能力跃迁。
前三名分差仅在 1.5 分内，表明主流模型在通用对话质量上已趋近，未来竞争分野将集中在具体任务执行力和成本维度。
02. 完成 Agentic 任务如何？
Gemini 3.8 Live Extended Thinking (High)在τ-Voice 测试中以68.6%的通过率居首，微幅领先GPT-Live-1 (Astra, medium)的67.9%；OpenAI 的GPT-Live-1 (Sol, low)以59.3%排第三。
τ-Voice 涵盖航空、零售、电信三大子域，任务特征各异：航空涉及改签退款，零售涉及订单争议，电信涉及套餐账单。
分行业看，Gemini 3.8 Live Extended Thinking在电信场景以84%胜率第一（领先 Astra 的 80%）；航空场景以72%并列第一；但在零售场景以50%略逊于 Astra 的 52%。
另一关键基准是 Sierra 的τ³-Banking，专测语音 Agent 在银行业务中的端到端能力，涵盖账户查询、转账验证、争议处理、身份认证等高合规、多步流程。
Gemini 3.8 Live Extended Thinking (High) 以35.1%通过率夺魁，GPT-Live-1 Astra (Medium) 为32.0%，xAI-Realtime 仅16.5%，其余模型均低于 12%。
对比发现，Gemini 在通用τ-Voice 仅领先 Astra 0.7 个百分点，但在高难度的银行业务测试中，优势扩大至 3.1 个百分点。这表明：在需知识检索、规则理解及多步执行的复杂任务中，Gemini 3.8 Live Extended Thinking 的领先优势显著。
然而，35.1% 的绝对通过率也揭示现状：即便最优模型，在处理复杂业务流程时仍有很大提升空间。落地生产环境仍需严格的权限控制、流程约束及人工兜底。
03. 语音推理如何？
Big Bench Audio评估模型音频推理能力，含语音理解、逻辑判断和内容推断。Gemini 3.8 Live Extended Thinking 得分为97.7%。
榜单前三均由中国团队占据：StepFun的StepAudio 3 Realtime以99.7%居首，阿里云的Qwen Audio 3.0 Realtime Plus以99.2%次之，Qwen3.5 Omni Plus Realtime以98.7%排第三。Gemini 位列第四。
此结果极具参考价值。语音推理是 Agent 的底层核心能力，数据表明中国团队在该领域已跻身全球第一梯队。
04. 成本如何？
若说性能是“窄幅领先”，成本则是 Google 的“杀手锏”。
以“每小时输入音频成本”计，Gemini 3.8 Live 仅0.84 美元/小时，居所有前沿模型最低。Gemini 系列（含 2.5 Flash Native Audio Dialog、3.1 Flash Live）包揽前四，成本均在1.75 美元/小时以下。
3.8 Live Extended Thinking (High) 成本为3.50 美元/小时，属中档，仍低于 GPT-Realtime-2 (High) 的 4.14 美元、GPT-Live-1 (Astra) 的 5.83 美元及 Grok 的 4.80 美元。最贵的 GPT-Realtime-2.1 High 高达 10.75 美元/小时，是其三倍多。
图：每小时输入音频成本对比（Big Bench Audio 子集，数据来源：Artificial Analysis）
Google 直接公开成本对比图，争夺企业市场的意图明确。
若将τ-Voice 通过率与成本结合，Gemini 3.8 Live Extended Thinking 位于“最具吸引力象限”（高通过率 + 相对低成本）。同象限虽有其他模型，但 Gemini 在性价比上优势明显。
图：τ-Voice 通过率 vs 每小时输入音频成本，绿色区域为"最具吸引力象限"
05. 从人工偏好到帕累托前沿
除各项 SOTA 指标外，Google 还引用了 ServiceNow 的EVA-Bench测试作为佐证。
测试显示，3.8 Live 两款模型推动了复杂工作流中“任务准确率”与“对话质量”的帕累托前沿（Pareto Frontier）。
帕累托前沿指两项互斥指标的最佳平衡点。Google 意在表明，Gemini 3.8 Live 系列在保持对话自然流畅的同时，显著提升了任务执行准确率。
该测试基于 Gemini Enterprise Agent Platform 的 Live API，比单纯模型测试更贴近企业实际应用环境（注：仍属标准化基准，非真实生产数据）。
06. 响应时间如何？
3.8 Live Extended Thinking 虽增强推理，但在速度上有所妥协。Time to First Audio（首字响应时间）数据显示：Extended Thinking 版为1.35 秒，Gemini 3.8 Live 为1.18 秒；而 Grok Voice Think Fast 2.0 High 为 0.70 秒，Google 2.5 Flash Native Audio Dialog 仅需 0.63 秒。
用户偏好方面，Speech Agent Arena通过人工双盲投票评估听感与自然度。
在 Preference Elo 榜单上，Gemini 模型包揽前三。3.8 Live 以1083 分居第二，3.8 Live Extended Thinking 以990 分居第三，榜首为 Gemini 3.1 Flash Live Minimal（1096 分）。
07. 底层能力
Gemini 3.8 Live 系列在产品的设计上有三项关键升级：
一是“边想边说”（reason and speak simultaneously）。传统模式在复杂推理时会陷入静默，新模型会先用口语化提示（如"Let me check that..."）接住对话，后台同步推理并通过实时进度叙述让用户知晓进展，消除了“系统卡顿”的错觉。
二是支持97 种语言自动切换，可在对话中途识别并适应用户的语言变化，极大利好跨境业务。
三是异步函数调用，模型可在不打断对话的情况下后台执行工具与 API 调用，无需用户等待返回结果，这对多步业务流程至关重要。
部署方面，Google 通过 Live API 向 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agents 等开发者平台开放，降低接入门槛。
企业侧，Salesforce、Genspark、ServiceNow 等多家公司已启动测试或部署。内部产品线上，Extended Thinking 版已接入 Google Workspace（Docs/Gmail/Keep Live），标准版接入 Search Live。企业客户可通过 Gemini Enterprise 私有预览使用。
安全层面，所有音频输出均嵌入 SynthID 不可感知水印，确保 AI 生成内容可检测。
随着三大前沿模型能力趋同，竞争重心正从“模型能力”转向“场景应用”与“实际成本”。此次发布为企业采购与开发者提供了清晰的参考坐标。
科技行者团队出品
