谷歌Gemini 3.8 Live发布：边聊边执行任务，强化复杂推理

实时交互再进化：Gemini 3.8 Live 发布

谷歌近日推出新一代实时音频模型 Gemini 3.8 Live，官方将其定位为目前最先进的实时音频交互模型。该模型的核心突破在于改变了传统语音助手“一问一答”的交互方式：用户无需等待当前任务执行完毕，即可继续与模型对话，被托付的任务会在后台持续运行。这意味着在查询天气、设定提醒或处理多步骤请求时，对话流不会中断，交互体验更接近人与人之间的自然交流。

与早期实时音频模型相比，Gemini 3.8 Live 在语言覆盖面上也显著扩展，支持多达 97 种语言。这一特性使其能够服务于更广泛的全球用户群体，尤其有利于多语言环境下的实时翻译、跨语言客服以及教育场景。谷歌方面表示，该模型在语音识别、语义理解和响应生成等环节均进行了优化，以降低对话延迟并提升多轮交流的连贯性。

边聊边办事：任务后台运行与实时视觉上下文

Gemini 3.8 Live 的另一项重要能力是支持实时视觉上下文。用户可以通过声音提问，同时让模型理解当前摄像头或屏幕中的画面内容。例如，在视频通话、在线学习或远程协作过程中，用户可以直接就画面中的对象、文字或场景发问，模型会结合视觉信息给出回应。这种多模态交互方式减少了手动输入的需求，使语音成为更高效的操控入口。

此外，该模型允许任务在后台异步执行。用户可以在对话中随时插入新问题，而不必等待前一个任务完成。这种“边聊边办事”的模式，对于需要调用外部工具、查询数据或执行多步操作的场景尤为实用。谷歌强调，模型在后台运行任务时仍能保持对话的上下文关联，避免因任务切换导致信息丢失。

• 多语言支持：覆盖 97 种语言，适应全球化应用需求。
• 后台任务：对话不中断，任务在后台持续运行。
• 实时视觉：结合声音与画面内容进行多模态交互。
• 扩展思考：Extended Thinking 模式针对复杂推理任务。

Extended Thinking 与复杂推理场景

谷歌同时为 Gemini 3.8 Live 引入了 Extended Thinking 模式，主打复杂推理能力。该模式允许模型在回答前进行更深入的思考步骤，适用于数学求解、逻辑分析、代码调试等需要多步推导的任务。与常规实时对话不同，Extended Thinking 会在后台消耗更多计算资源，以换取更高的答案准确性和推理深度。用户可以根据任务类型在实时交互与深度推理之间切换，兼顾效率与质量。

从行业角度看，实时音频模型正成为各大科技公司竞逐的焦点。谷歌、微软、亚马逊 AWS 等厂商均在推动语音助手向更自然、更智能的方向演进。Gemini 3.8 Live 的发布，进一步模糊了语音助手与智能代理之间的界限：它不再只是被动应答，而是能够主动执行任务、理解视觉环境并处理复杂推理。对于开发者和企业而言，这类模型有望在客服、教育、无障碍辅助、远程协作等领域催生新的应用形态。

目前，谷歌尚未公布 Gemini 3.8 Live 的具体开放时间与接入方式，但可以预见，随着实时音频与多模态能力的持续融合，人机交互将朝着更少等待、更多并行的方向演进。后续值得关注的是该模型在真实网络环境下的延迟表现、多语言识别的准确率，以及 Extended Thinking 模式对计算成本的影响。