跳到主内容

Google 发布 Gemini 3.8 Live 与 Extended Thinking：实时语音 Agent 进入「边想边说」时代

2026-09-17 · Google DeepMind / Google AI Studio / Artificial Analysis / DataNorth

要点

  • 2026-09-15 Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款原生 语音到语音（speech-to-speech） 模型，同日通过 Gemini API 与 Google AI Studio 开放。
  • Extended Thinking 在 Artificial Analysis Speech to Speech Quality Index 得 82.6 分，为目前该榜最高分，领先 OpenAI GPT-Live-1 的 81.5 分。
  • 成本差距远大于分数差距：Artificial Analysis 按固定任务集实测，Extended Thinking 每小时输入音频 3.50 美元，标准版 0.84 美元；GPT-Live-1 为 5.83 美元、Grok Voice Think Fast 2.0 High 为 4.80 美元。
  • 定价（两款同价）：音频输入 3.00 美元 / 百万 token（0.005 美元/分钟），音频输出 12.00 美元 / 百万 token（0.018 美元/分钟），文本输入 0.75、文本输出 4.50、图像视频输入 1.00 美元 / 百万 token。
  • Extended Thinking 可以「边推理边说话」：遇到多步任务时先给出「让我查一下」之类的自然回应，再在后台推进工具调用并实时汇报进度；仅支持异步非阻塞函数调用，同步阻塞模式不可用。
  • 两款模型均为 128K 上下文 / 64K 输出，支持 97 种语言在单次对话内自动检测并中途切换，输出音频全部带 SynthID 水印；模型卡标注基于 Gemini 3 Pro 构建、知识截止 2025 年 1 月。

背景与分析

一、语音 Agent 的瓶颈从来不是「聪不聪明」，是「中间那段空白」

传统语音 Agent 是三级瀑布管线：语音转文本 → LLM 处理 → 文本转语音。每一次交接都加延迟，业界常用的现实估计是 450~1000 毫秒 的额外处理时间；更关键的是，转写这一步会丢掉语调、重音、迟疑这些韵律信息——而模型恰恰需要这些信息才能判断用户到底想说什么。

Gemini 3.8 Live 是端到端单模型：音频进、音频出，中间没有独立的转写与合成环节。Google 给出的目标是端到端 200 毫秒以内，并且保留完整声学上下文。

Extended Thinking 补上了另一半。语音 Agent 最破坏体验的时刻，是问完问题到听到回答之间的停顿，而且问题越难、停顿越长。Extended Thinking 的做法是把推理和说话并行：模型一边说「我帮你查一下」，一边在后台跑工具调用，跑完再继续汇报。

这不是用 UX 话术掩盖等待，而是把等待改造成了进度播报。

二、分数接近，价格拉开——2026 年的竞争形态写在这两个数字里

指标Gemini 3.8 Live Extended ThinkingGPT-Live-1（Astra, medium）
Speech to Speech Index（综合质量）82.681.5
Big Bench Audio（语音推理）98%90%
τ-Voice（客服类任务完成率）68.6%67.9%
τ³-Banking（银行场景）35.1%32.0%
Full Duplex Bench（打断与停顿）91.9%94.9%
首次出声延迟1.35 秒1.34 秒
每小时输入音频成本3.50 美元5.83 美元

数据来自 Artificial Analysis，Google 在发布帖中引用了同样的 τ-Voice 与 Big Bench Audio 数值。需要说明两点：一是 GPT-Live-1 那一栏只跑了一次（多数模型跑三次），噪声更大；二是 Full Duplex Bench 上 GPT-Live-1 仍然领先。

真正值得记住的是这个组合：综合质量只差 1.1 分，成本差 40%。 前沿模型之间的能力差距已经小到可以用钱换算——这和 DeepSeek V4.1-Flash 在 Agent Arena 上「每任务中位成本 0.07 美元、比第二名低 68% 而成绩只差 0.09 个百分点」是同一件事。

三、看起来同价，账单能差四倍

两款模型在 Google 的价目表上共用一行，标价完全相同。但 Extended Thinking 会生成推理 token，而推理 token 按输出费率计费。Artificial Analysis 在同一套固定任务上实测的结果是：Extended Thinking 3.50 美元/小时，标准 Live 0.84 美元/小时——同一张价目表，账单差约四倍。

按这个成本结构换算，一个月处理 1 万小时音频的客服机器人：用 GPT-Live-1 约 5.83 万美元，用 Extended Thinking 约 3.5 万美元，用标准 Live 约 8400 美元。呼叫中心与消费级语音产品的经济性拐点，是被这条曲线推出来的，不是被跑分推出来的。

四、能力边界：别被 82.6 分带偏

  • 标准版在盲测语音竞技场反而略低：Gemini 3.8 Live 得 1083 Elo，低于 Gemini 3.1 Flash Live 的 1096；Extended Thinking（High）990 Elo、任务成功率 89.1%，标准版 93.2%，Grok Voice Think Fast 2.0 High 以 94.6% 领先该项。
  • 会话有硬时钟：Live API 限制纯音频会话 15 分钟、音频加视频会话 2 分钟。长对话必须自己设计续接逻辑。
  • turnComplete: true 语义变了：Extended Thinking 在后台推理时也会返回该标志，把它当「活干完了」的老代码要重写。
  • Proactive audio 常开：模型可以主动判断「这句话不是说给我听的」从而不回应，适合常监听场景，但无法关闭。
  • 模型卡自陈短板：幻觉、越狱防护仍在持续、偶发变慢或超时，以及 2025 年 1 月的知识截止。

对开发者的影响

  • 正在用级联管线的，现在是重写的时候了。 端到端模型在延迟、韵律保留、打断处理三项上结构性占优，而且标准版价格已经低到 0.84 美元/小时，继续维护三级瀑布的性价比正在消失。
  • 别直接按标价做预算，按推理 token 做。 同一价目表下标准版与 Extended Thinking 的实测账单差四倍，先用 --runs 1 或小样本把 reasoning 开销测出来再决定档位。
  • 检查你的 turnComplete 逻辑。 从 Extended Thinking 迁移过来时，这个标志不再代表模型空闲，误判会导致任务被提前判定完成。
  • 长会话必须自建续接机制。 15 分钟 / 2 分钟的会话上限是硬的，客服、陪练、教学这类场景一开始就要设计 session resumption。
  • 语音 Agent 的选型权重该改了。 过去是「质量优先、成本次之」，现在质量差 1.1 分、成本差 40%，成本应该进第一梯队指标。参见 上下文工程 与 MCP。
  • 国内团队注意合规与可达性。 Gemini API 在国内直连不稳定，出海业务可用，国内业务需评估网络与数据出境要求。

AI 之家 观点

  1. Google 这次真正的杀招不是 82.6 分，是把语音 Agent 的单位成本打到 1 美元/小时以内。 82.6 与 81.5 的差距用户听不出来，0.84 与 5.83 的差距 CFO 看得见。语音 Agent 从「能做」到「值得做」的门槛，是被标准版的定价跨过去的。
  2. 「同一价目表、四倍账单」是这一代推理模型最容易被低估的坑。 标价已经不能用来估算成本，推理 token 才是真实计费单元。这与 AI 编程周报 2026-09-16 里「订阅制涨价、开源档降价本质是毛利防御」是同一个逻辑的两面：厂商在为推理成本找人买单。
  3. 端到端语音会重塑一批中间件的价值。 当转写环节被模型吞掉，专门做 STT/TTS 中间层的护城河在变薄；真正的壁垒移到会话状态管理、工具编排、可观测性。LangChain、LiveKit、Pipecat、Agora、Vercel 在发布当天就有原生集成，说明生态已经提前站位。
  4. Full Duplex Bench 的落后值得留意。 打断点这个指标上 GPT-Live-1 仍然领先 3 个百分点——真实客服场景里，能不能被自然打断，体感权重可能高于跑分。选型时别只看综合指数。
  5. 对国内开发者的现实意义有限但方向明确。 Gemini API 直连不稳定是现实约束，但「端到端 + 推理与说话并行」这条架构路线值得跟踪——国内厂商做语音大模型时大概率会走同一条路，届时迁移成本会很低。

相关阅读

来源

待核实：τ-Voice、Big Bench Audio、Speech to Speech Index 均为 Artificial Analysis 第三方评测，其中 GPT-Live-1 一栏仅单次试验；每小时成本为该机构按固定任务集实测值，非 Google 官方口径。Gemini Enterprise 版本处于私测阶段。本资讯由 AI 之家 编辑部整理，非厂商付费内容。

相关对比

Aider vs Claude Code：终端 AI 编程双雄怎么选

Aider vs Claude Code 2026 选型对比：开源 BYOK 多模型 vs Anthropic 订阅长任务 Agent，从编程能力、多模型支持、价格、Git 集成、国内可用性和适合人群判断，帮你选对终端 AI 编程工具。

Claude Code vs Cline：CLI AI Agent 怎么选？2026 对比

Claude Code vs Cline 2026 选型对比：Anthropic 官方闭源 CLI Agent vs Apache-2.0 开源 VS Code 插件。从模型绑定、工作流、MCP 支持、价格、隐私和适合人群 6 个维度帮你选对 CLI AI 编程工具。

Claude Code vs Codex CLI：终端 AI Agent 双雄对比

Claude Code vs Codex CLI 2026 选型对比：Anthropic 与 OpenAI 两大官方终端 Agent 的模型、长任务、MCP 生态、Windows 支持、订阅打包价格和国内可用性全方位对比，帮你判断该用哪个终端 AI Agent，以及能不能两个一起用。

Claude Code vs Crush：Anthropic 官方 vs 多模型 TUI（2026 实测选型）

Claude Code vs Crush 2026 选型对比：Anthropic 官方 CLI Agent（Claude only + 长任务最稳 + MCP 一等公民）vs Charmbracelet 开源 TUI Agent（多模型 mid-session 切换 + LSP + FSL-1.1-MIT）。从模型、长任务、生态、价格、国内可用性帮你选对终端 AI 编程工具。

Claude Code vs Gemini CLI：终端 AI Agent 怎么选？（2026 选型指南）

Claude Code 和 Gemini CLI 都是终端原生的 AI 编码 Agent。一句话结论 + 决策树 + 价格 + 国内可用性对比：长任务与 CLAUDE.md 生态选前者，免费额度与接入门槛选后者。

Cursor vs Claude Code：什么时候用哪个？（2026 实测选型）

Cursor 和 Claude Code 到底怎么选？一句话结论 + 决策树 + 价格实测 + 国内可用性对比。GUI 派选 Cursor，终端长任务派选 Claude Code，最优解其实是共存。

相关评测

AI 编程工具选型决策树：30 个场景告诉你该用哪个

整合 AI 之家 编辑部 11 篇深度评测的结论：按角色、预算、规模、网络环境四维度的 AI 编程工具决策树。Cursor / Claude Code / Aider / Trae / v0 / Lovable 等主流工具一图看完该选哪个，附 30 个真实场景对应表。

2026 年 AI 编程工具全景图：18 款实测排行

2026 年 AI 编程工具全景图：18 款工具按 IDE / CLI / 插件 / Agent / Builder / 本地 6 桶分类，综合 Top 10 排行，按国内/海外/JetBrains/终端/学生党场景推荐，5 维评分方法论，以及 2026 趋势（Agent 化、MCP、本地化、私有部署）。

Aider 深度评测：把 AI 编程当 git 工作流的极客派最爱

Aider 深度评测：git-native 心智的真实代价、Architect 双模型经济学、与 Claude Code 的决策边界、何时不该选 Aider。AI 之家 编辑部基于官方文档与社区公开反馈整合，非厂商付费内容。