Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音智能体模型

MarkTechPost(RSS)·2026-09-16 04:53·1小时前·Asif Razzaq
AI 导读

Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款原生语音到语音对话模型,已在 Gemini Live API 和 Google AI Studio 上线,托管形式不提供开放权重。

MarkTechPost(RSS)
同事件
76AI 编辑部评分,满分 100

Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音智能体模型

2026-09-16 04:53· 1小时前· Asif Razzaq
AI 导读

Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款原生语音到语音对话模型,已在 Gemini Live API 和 Google AI Studio 上线,托管形式不提供开放权重。

正文 · AI 翻译

Google 已推出Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking,这是其迄今为止最先进的实时对话模型。两者都是为实时语音智能体打造的原生语音到语音模型。它们扩展了 Google 的 Gemini Audio 系列,该系列于上个月通过以下模型得到扩展Gemini 3.5 Transcribe。此次发布针对一个特定的空白:能够进行推理并执行工具、同时不打断对话流程的语音智能体。

它可以部署吗?可以,适用于基于 API 的生产环境使用。这两款模型目前均已在 Gemini Live APIGoogle AI Studio 中上线。它们是托管模型,而非开放权重,因此没有自托管选项。

Google 发布了什么

此次发布包含两款角色定位不同的模型。Gemini 3.8 Live 专为规模化与成本效率打造。它将对话智能与流畅对话及视觉接地能力相结合。Gemini 3.8 Live Extended Thinking 专为高复杂度任务打造。它在说话的同时增强了智能水平与多步推理能力。Google 将两者定位为对级联语音流水线(串联 ASR、LLM 和 TTS)的精简替代方案。

基准测试结果

Gemini 3.8 Live Extended Thinking 以 82.6 分在 Artificial Analysis 的语音到语音质量指数中拿下总榜第一。它在智能体任务完成度上领先,在 τ-Voice 上达到 68.6%,在 Sierra 的 τ-Voice-banking 基准上达到 35.1%。它还在 Big Bench Audio 这一音频模型推理基准上取得 97.7% 的成绩。Gemini 3.8 Live 在人类偏好评估 Speech Agent Arena 中位列第二。在 ServiceNow 的 EVA-Bench 上,Google 报告称这些模型推动了复杂工作流的帕累托前沿。它们在 Gemini Enterprise Agent Platform 上通过 Live API 测量,在任务准确性与对话质量之间取得平衡。

面向开发者的能力

Live API 在新模型中暴露了 5 项核心能力:

  • 异步函数调用:模型在后台执行 API 和工具调用。音频响应持续向用户流式输出,同时任务在后台完成。
  • 视觉上下文:模型近乎实时地处理实时视觉输入,因此智能体能够理解用户所说和所看到的内容。
  • 字母数字精度:它能准确解析确认码、理赔编号和技术数据,这是语音系统中常见的失败点。
  • 多语言支持: 它能在对话过程中自动检测并在 97 种受支持语言之间切换,同时保持口音一致性。
  • 增量内容更新: 它将实时音频与结构化数据融合,从而返回具备上下文感知能力的响应。

扩展思考(Extended Thinking)为后台多步推理增加了可配置的思考。它能一边推理一边说话,使用诸如“让我查一下”这样的早期口头提示来确认收到提示词。随后,在长时间运行的任务执行过程中,它会逐步叙述进展。Google 的演示展示了该模型将草图加上语音反馈转换为可运行的 React 组件,并协调多步预订流程。

定价与生态

两款模型的定价均为音频输入 $0.005/min、音频输出 $0.018/min。Google 表示,这一估算基于 $3/1M 输入 tokens 和 $12/1M 输出 tokens。开发者还可以通过负责实时媒体流基础设施的 Live API 集成合作伙伴进行构建。这些合作伙伴包括 AgoraFishjamLangChainLiveKitPipecatVercelVision Agents。Google 还在与 Salesforce、Genspark 和 Lumeris 合作,这些公司对模型的延迟、流畅性和工具调用能力给予了肯定。示例应用可在 GitHub 上获取。

核心要点

  • Gemini 3.8 Live Extended Thinking 以 82.6 分在 Artificial Analysis 的语音到语音质量指数(Speech to Speech Quality Index)上排名第 1。
  • 它在 τ-Voice 上得分 68.6%,在 Sierra 的 τ-Voice-banking 上得分 35.1%,在 Big Bench Audio 上得分 97.7%。
  • Gemini 3.8 Live 在继续对话的同时,在后台运行工具和 API 调用。
  • 通过 Live API,音频输入定价为 $0.005/min,音频输出定价为 $0.018/min。
  • 所有生成的音频都带有 Google DeepMind 不可感知的 SynthID 水印。