谷歌发布两款实时对话模型，97种语言自动切换与推理能力成焦点

当地时间9月15日，谷歌对外发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话模型。按照谷歌的描述，这是其当前技术序列中最先进的实时对话产品，核心升级集中在智能水平与并行推理能力两个维度，目标是让AI对话交互更接近自然直觉。

双产品线定位：规模效率与深度推理各司其职

两款模型在功能划分上呈现出清晰的差异化策略。Gemini 3.8 Live面向规模化部署与成本效率场景，在对话智能、交流流畅度以及视觉理解之间寻求平衡，适合对响应速度和单位成本敏感的大规模应用。Gemini 3.8 Live Extended Thinking则瞄准高复杂度任务，重点强化多步推理能力，以更强的智能水平应对需要深度思考的工作流。

从基准测试结果来看，Gemini 3.8 Live Extended Thinking在多个维度取得领先：

• Artificial Analysis语音对语音质量指数总排名第一，得分82.6%；
• τ-Voice智能体任务完成率达68.6%；
• Sierra的τ-Voice-banking基准测试达35.1%；
• Big Bench Audio推理能力得分97.7%。

在保持上述成绩的同时，该模型仍维持了有竞争力的定价策略。Gemini 3.8 Live则在Speech Agent Arena排名第二，用户认可度较高，成本效益表现突出，适合大规模部署。两款模型在ServiceNow EVA-Bench语音智能体基准测试中，均实现了准确性与对话质量之间的平衡，将复杂工作流的帕累托前沿进一步推高。

语言切换与后台任务处理能力升级

Gemini 3.8 Live在交互层面引入了多项实用能力。该模型可近实时处理视觉输入，在对话过程中自动检测并切换97种支持的语言，无需用户手动干预。同时，它能够在后台执行工具与API调用，而对话本身保持流畅不中断，这一特性对需要边聊边查、边聊边办的业务场景具有实际价值。

针对深度推理需求，Gemini 3.8 Live Extended Thinking实现了推理与发言同步进行。模型在复杂工作流中提升智能水平的同时，不会破坏对话的连贯性。它可以通过“让我确认一下…”这类早期语言提示自然回应用户，并实时讲解多步后台任务的处理进度，让原本不可见的推理过程变得可感知。

开发者生态与推送渠道同步铺开

开发者可通过Gemini Live API，在声网、Fishjam、LiveKit、Pipecat、Vercel、Vision Agents等平台构建和部署高性能语音驱动界面。谷歌同时与Salesforce、Genspark、Lumeris等企业展开合作，推进生态建设。

在内容安全方面，谷歌所有AI生成音频均添加了SynthID隐形水印，直接嵌入音频输出，可用于检测AI生成内容，帮助防止虚假信息传播。

推送安排上，Gemini 3.8 Live已开始面向多类用户开放：开发者可在Gemini API和Google AI Studio使用；企业用户可在Gemini Enterprise抢先体验，即将登陆Gemini Enterprise for Customer Experience；全用户可在Search Live体验。Gemini 3.8 Live Extended Thinking同样开启推送：开发者可在Gemini API和Google AI Studio使用；企业用户可在Gemini Enterprise抢先体验，即将登陆Gemini Enterprise for Customer Experience以及Google Workspace企业客户；普通用户可在Gemini Live体验，Google AI Pro和Ultra订阅者可在Google Workspace的Docs使用，所有Google AI订阅者可在Gmail和Keep体验。

行业影响观察

实时对话模型的竞争焦点正在从单一的语言理解能力，转向语言切换、视觉输入、后台工具调用与推理过程可见性的综合体验。谷歌此次以双产品线覆盖不同复杂度场景，并同步推进API生态与终端入口，显示出将实时语音交互嵌入企业工作流和消费级产品的意图。随着多步推理与对话流畅度之间的平衡逐步改善，语音智能体在客服、金融、协作工具等领域的落地节奏可能进一步加快，而音频水印等安全机制的标配化，也将成为行业合规讨论的重要参照。