谷歌推出Gemini 3.8 Live实时音频模型：语音智能体进入边聊边办事时代

当地时间9月15日，谷歌宣布推出Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话模型，定位为其迄今最先进的实时语音交互产品。其中标准版面向规模化与成本优化场景，Extended Thinking版本则面向高复杂度任务，强化多步推理能力。

基准成绩上，Extended Thinking版本以82.6分登顶Artificial Analysis语音对语音质量指数总榜第一，在tau-Voice智能体任务测试中完成率达68.6%，在Sierra的tau-Voice-banking金融场景基准中达35.1%；标准版在Big Bench Audio取得97.7%的成绩，并在用户偏好型榜单Speech Agent Arena中排名第二。定价方面，两款模型音频输入为每分钟0.005美元、输出每分钟0.018美元，已通过Gemini API与AI Studio向开发者开放。

产品特性上，模型可在对话中自动检测并切换97种支持的语言，近实时处理视觉输入，并支持在后台执行工具与API调用而不中断对话；所有生成音频均嵌入SynthID不可见水印。声网、LiveKit、Vercel等语音基础设施平台已同步完成接入。

【AICOR 点评】语音是下一个Agent入口，这条新闻把时间点又提前了。真正的看点是"异步工具调用不打断对话"——它意味着语音Agent从"问答玩具"跨入了"经办人"行列，客服、销售、政务热线这类重度语音场景的岗位设计将被重新评估。68.6%的任务完成率距离生产级仍有距离，企业引入时应当先在低风险流程试点、配套人工兜底，而不是直接替换整条客服线。