Gemini3.8Live升级语音智能，对话推理与任务执行融合

谷歌近日发布Gemini3.8Live与Gemini3.8Live Extended Thinking两款语音模型，将实时语音交互从单纯的听与说，扩展到理解、推理与任务执行的一体化能力。目前两款模型已陆续登陆Gemini API、Google AI Studio等开发者平台，并分别覆盖Search Live、Gemini Enterprise及Google Workspace、Gemini Live等场景。

两款模型的一项核心能力，是支持AI在持续语音对话的过程中后台执行工具与API调用。用户在交流时，不必因为网络搜索或任务执行而暂停对话，模型可以在后台完成调用并把结果自然融入回复。这一设计让语音助手从被动应答转向持续在线的智能体形态，也让语音成为承载多步骤任务的操作入口。

交互细节方面，模型支持97种语言自动检测以及对话中途切换语言，还具备近实时视觉定位能力。针对耗时较长的思考任务，模型会通过“让我检查一下……”之类的语言提示告知用户当前状态，避免用户面对长时间的沉默。这类提示机制在语音场景中尤为关键，因为语音交互缺少可视化的等待进度，沉默很容易被理解为中断。

性能数据方面，Gemini3.8Live Extended Thinking在Artificial Analysis的Speech to Speech Quality Index中获得82.6分，Gemini3.8Live在Speech Agent Arena排名第二。Extended Thinking版本在T-Voice测试中得分68.6%，在Sierra T-Voice基准测试中为35.1%，Big Bench Audio测试达到97.7%。多组基准成绩显示，该版本在保持语音对话自然度的同时，把推理深度提升到了新的水平。

生态集成层面，谷歌已与Agora、LiveKit、Vercel、Pipecat、Fishjam和Vision Agents等平台合作，方便开发者把新模型接入既有产品与实时音视频链路。谷歌同时表示，两款模型生成的全部音频均嵌入不可见SynthID水印，用于识别AI生成音频，这为开发者在上线语音应用时提供了可追溯的技术手段。

整体来看，此次升级把实时语音交互的能力边界进一步拓宽，语音AI正朝着持续、多任务的智能体交互形态演进。对开发者而言，后台工具调用与更低的对话打断成本，意味着可以围绕语音构建更复杂的任务型应用。