0:00.166–0:02.333
zh谷歌刚刚改掉了语音AI里
0:02.333–0:04.066
zh一个很不起眼的信号
0:04.166–0:06.933
zh过去系统发出turn complete
0:07.266–0:09.733
zh开发者就知道这一轮结束了
0:09.766–0:11.766
zh可以收尾释放状态
0:11.766–0:13.533
zh等用户说下一句话
0:13.600–0:16.566
zh到了Gemini3.8 live EXTENDED thinking
0:17.100–0:19.733
zh这个信号不再代表模型已经停下
0:19.800–0:21.533
zh它可能还在后台推理
0:21.600–0:23.266
zh可能正在调用工具
0:23.333–0:25.900
zh也可能过几秒又送回一段语音
0:25.933–0:27.933
zh一个看似普通的协议变化
0:27.966–0:29.466
zh留下了真正的问题
0:30.166–0:32.366
zh如果AI已经能一边和人说话
0:32.466–0:34.200
zh一边在后台继续工作
0:34.366–0:35.866
zh它还是语音助手
0:35.900–0:36.900
zh还是一个藏在
0:36.900–0:38.900
zh对话框背后的执行系统
0:39.066–0:41.100
zh2025年9月15日
0:41.300–0:43.733
zh谷歌正式发布Gemini3.8live
0:43.733–0:46.300
zh和Gemini3.8live EXTENDED THINKING
0:47.333–0:48.466
zh名字很接近
0:48.533–0:50.333
zh定位却被刻意拆开
0:50.400–0:53.400
zh基础版主打规模成本和低延迟
0:53.766–0:55.600
zh适合大量实时会话
0:56.000–0:56.800
enextended thinking
0:57.133–0:59.200
zh负责复杂多步骤任务
0:59.533–1:01.133
zh允许模型在保持语音
1:01.133–1:02.866
zh交流的同时继续推理
1:03.100–1:04.600
zh谷歌没有把两者包装
1:04.600–1:06.800
zh成同一款模型的快慢档位
1:06.866–1:09.866
zh而是把实时语音市场分成了两层
1:10.000–1:13.266
zh大量便宜反应快的日常交互
1:13.366–1:15.700
zh以及需要更长思考更强
1:15.700–1:17.500
zh工具调用的复杂工作
1:17.866–1:18.866
zh过去十多年
1:19.066–1:20.500
zh手机里的语音助手
1:20.500–1:22.333
zh一直卡在一个尴尬位置
1:22.533–1:25.666
zh它们能设闹钟查天气拨电话
1:25.666–1:27.766
zh也能回答结构简单的问题
1:28.100–1:29.900
zh一旦任务跨过几个步骤
1:30.200–1:31.933
zh体验就会迅速崩掉
1:32.200–1:33.400
zh用户说一句话
1:33.500–1:35.200
zh语音先被转成文字
1:35.400–1:37.066
zh文字交给语言模型
1:37.500–1:38.766
zh模型生成答案
1:38.800–1:41.466
zh再由另一个系统把文字念出来
1:41.533–1:42.600
zh每经过一层
1:42.966–1:44.300
zh延迟都会增加
1:44.400–1:47.666
zh语气停顿和现场信息也会损失
1:47.800–1:49.066
zh用户打断时
1:49.333–1:51.866
zh系统还得判断这究竟是补充要求
1:51.866–1:53.266
zh还是要求它闭嘴
1:53.466–1:56.133
zhGemini3.8live试图把这条流水线
1:56.133–1:58.166
zh压成一套原生的实时模型
1:58.500–1:59.766
zh它直接接收音频
1:59.766–2:02.866
zh也能同时接收文字图像和视频
2:03.000–2:05.166
zh再直接输出语音与文字
2:05.200–2:06.366
zh对用户来说
2:06.466–2:08.600
zh变化不止体现在声音更顺
2:08.733–2:12.100
zh更关键的是模型能够保留说话方式
2:12.200–2:15.100
zh视觉环境和任务状态之间的联系
2:15.566–2:16.900
zh摄像头对着设备
2:16.933–2:19.400
zh用户可以边移动镜头边追问
2:19.666–2:21.066
zh画面发生变化
2:21.133–2:22.733
zh回答也能跟着调整
2:22.933–2:25.933
zh语音不再只是把文字送进去的入口
2:26.066–2:28.300
zh而是整个交互过程的一部分
2:28.400–2:30.666
zh但基础版最有价值的能力
2:30.866–2:32.866
zh可能并不在对话本身
2:33.000–2:34.800
zh而在异步函数调用
2:35.366–2:38.266
zh传统语音智能体调用外部工具时
2:38.266–2:39.733
zh经常要停下来等
2:39.800–2:40.866
zh它查订单
2:40.900–2:42.700
zh就等订单系统回传
2:43.166–2:44.200
zh它安排日程
2:44.333–2:46.100
zh就等日历接口完成
2:46.666–2:47.800
zh他修改账户
2:47.800–2:49.666
zh就等权限验证结束
2:49.866–2:51.133
zh几秒钟的停顿
2:51.300–2:53.133
zh放在网页里不算什么
2:53.300–2:54.866
zh放在电话里却足以
2:54.866–2:56.666
zh让人怀疑线路断了
2:56.733–2:58.166
enGemini3.8live
2:58.300–3:00.266
zh可以让工具在后台运行
3:00.266–3:01.600
zh前台对话继续
3:02.066–3:03.700
zh模型能先确认请求
3:03.700–3:05.400
zh也能补问必要信息
3:05.533–3:08.600
zh甚至在任务执行期间解释当前进度
3:08.733–3:11.700
zh查航班和确认酒店可以同时进行
3:11.800–3:13.333
zh用户临时改变日期
3:13.600–3:15.800
zh系统再调整尚未提交的步骤
3:16.366–3:18.200
zh这里出现的是一套开始具备
3:18.200–3:20.366
zh并行工作能力的语音执行层
3:20.733–3:22.733
zh聊天只是它的前台表现
3:23.166–3:25.933
zhextended thinking把这条路线推得更远
3:26.133–3:27.600
zh复杂任务到来时
3:27.766–3:30.066
zh它可以先说一句正在检查
3:30.200–3:32.366
zh随后继续做多步骤推理
3:32.700–3:34.400
zh模型的后台状态不会
3:34.400–3:36.600
zh因为一句回答结束而清空
3:36.733–3:39.366
zh开发者必须持续监听服务器信息
3:39.766–3:41.733
zh通过interaction status判断
3:41.733–3:43.933
zh他仍在思考等待工具
3:43.966–3:45.500
zh还是已经真正空闲
3:45.666–3:46.566
zh也就是说
3:46.766–3:48.900
zh应用不能再把一次对话当成
3:48.900–3:51.533
zh问一句答一句的回合制游戏
3:51.766–3:54.000
zh它需要管理一个持续存在
3:54.400–3:57.000
zh随时可能返回新动作的代理状态
3:57.166–3:59.100
zh这个变化听起来很技术
3:59.300–4:01.066
zh商业影响却很直接
4:01.200–4:03.166
zh客服系统过去按照通话
4:03.166–4:05.133
zh时长和单轮处理设计
4:05.566–4:07.666
zh新的语音代理可能在一通电话
4:07.666–4:10.500
zh里同时访问知识库核对身份
4:10.666–4:13.466
zh修改后台记录并生成后续邮件
4:13.666–4:16.333
zh办公软件过去等用户点击菜单
4:16.600–4:18.266
zh新系统则允许用户用
4:18.266–4:19.966
zh连续语音描述目标
4:20.100–4:22.366
zh让模型跨越邮件文档
4:22.366–4:24.266
zh和待办事项处理工作
4:24.466–4:26.466
zh产品界面也会随之变化
4:26.566–4:28.400
zh屏幕上的按钮不会消失
4:28.533–4:31.466
zh但越来越多操作会从用户自己点完
4:31.466–4:33.100
zh变成用户交代目标
4:33.266–4:34.566
zh系统汇报过程
4:34.866–4:37.500
zh谷歌给出的演示很能说明方向
4:37.900–4:39.733
zh模型可以根据实时画面
4:39.733–4:41.766
zh指导员工完成入职流程
4:41.933–4:44.800
zh可以观察棋盘并保持自然对话
4:44.866–4:47.400
zh也可以把手绘草图和语音修改
4:47.400–4:50.200
zh要求变成可运行的react组件
4:50.333–4:52.700
zh另一个场景是多步骤预定
4:53.166–4:55.733
zh模型同时协调不同函数调用
4:55.733–4:57.133
zh又不让谈话中断
4:57.400–4:59.066
zh这些例子看起来分散
4:59.200–5:00.966
zh底层依赖同一种能力
5:01.300–5:03.400
zh让视觉与语音交互连
5:03.400–5:05.500
zh到推理和工具调用中
5:05.500–5:07.400
zh并维持一个持续会话
5:07.600–5:10.300
zh语言覆盖也被扩大到97种
5:10.600–5:11.966
zh系统可以在谈话中
5:11.966–5:13.766
zh自动发现语言变化
5:13.866–5:16.566
zh不要求用户先进入设置切换
5:16.733–5:18.966
zh对于跨国客服与旅游服务
5:19.066–5:21.466
zh以及医疗预约和远程协作
5:21.500–5:24.166
zh这比单纯增加语言数量更实用
5:24.366–5:27.333
zh真实交流经常混入公司名和产品名
5:27.800–5:30.400
zh也常夹着数字与英文缩写
5:30.700–5:33.700
zh一段话里切换两种语言并不少见
5:33.800–5:36.200
zh谷歌还特别强调字母数字精度
5:36.266–5:38.333
zh因为验证码和理赔编号
5:38.400–5:40.266
zh以及地址与技术参数
5:40.333–5:41.933
zh正是语音系统最容易
5:41.933–5:44.266
zh听错又最不能听错的内容
5:44.533–5:47.200
zh不过模型支持97种语言
5:47.200–5:50.266
zh不等于97种语言都达到同样水平
5:50.500–5:52.733
zh训练数据口音覆盖和
5:52.733–5:54.900
zh地区用词都会影响表现
5:54.933–5:57.366
zh一个模型在英语测试里领先
5:57.366–6:00.766
zh不能自动证明它能处理粤语加英文
6:00.800–6:03.733
zh印度英语或嘈杂门店里的专业术语
6:04.100–6:06.266
zh谷歌公布的是能力边界
6:06.600–6:09.133
zh企业真正部署前仍要用自己
6:09.133–6:12.600
zh的用户设备和环境重新测试
6:12.800–6:15.666
zh官方模型卡给出了更清楚的规格
6:15.866–6:19.100
zh两款模型都建立在Gemini3Pro之上
6:19.133–6:21.066
zh可以接收文字与图片
6:21.133–6:23.133
zh也能处理视频和音频
6:23.500–6:27.000
zh上下文上限为131,072个TOKEN
6:27.333–6:30.733
zh输出上限为65,536个TOKEN
6:31.300–6:33.266
zhEXTENDED thinking支持搜索
6:33.266–6:35.200
zh接地和异步函数调用
6:35.200–6:37.866
zh却不支持代码执行与文件搜索
6:38.266–6:41.100
zh也没有结构化输出和网址上下文
6:41.200–6:43.933
zh功能表里的一排不支持很重要
6:44.100–6:45.500
zh它提醒开发者
6:45.500–6:47.866
zh这是一款为实时语音和
6:47.866–6:49.766
zh工具协作优化的模型
6:50.066–6:51.566
zh并没有把所有Gemini
6:51.566–6:53.466
zh能力都塞进电话线路
6:53.566–6:56.466
zh谷歌把边说边想放在发布重点里
6:56.600–6:58.600
zh评测自然也集中在语音
6:58.666–7:00.700
zh质量推理和任务完成
7:01.000–7:03.100
enGemini 3.8 live
7:03.333–7:04.133
enEXTENDED thinking
7:04.166–7:05.733
enAI Artificial Analysis
7:05.800–7:07.700
enspeech to speech quality index
7:07.700–7:09.500
zh模型獲得82.6分
7:09.666–7:13.000
zh这个指数把语音推理对话动态
7:13.100–7:15.800
zh和代理任务表现合在一起计算
7:16.200–7:20.566
zh在BigBench Audio中達到97.7%
7:20.733–7:22.966
zh在测试智能体任务完成
7:22.966–7:26.933
zh在測試智能體任務完成能力的Tall Voice里達到68.6%
7:27.166–7:29.533
zh这些数字解释了谷歌为什么敢把
7:29.533–7:31.966
zh它称为最先进的实时对话模型
7:32.133–7:34.800
zh可真正值得盯住的数字是
7:34.800–7:37.966
zh银行业务基准里的35.1%
7:37.966–7:39.866
zh这个测试要求语音代理
7:39.866–7:41.933
zh处理多步骤银行流程
7:42.200–7:43.733
zh成功率越过三成
7:44.166–7:47.566
zh却仍有接近2/3的任务没有完整完成
7:47.666–7:51.966
zh82.6分很适合放在发布会大屏幕上
7:52.166–7:53.700
en35.1%
7:54.066–7:57.066
zh更接近企业部署时必须面对的现实
7:57.366–7:59.133
zh模型已经能处理过去
7:59.133–8:00.733
zh做不到的复杂流程
8:01.133–8:03.300
zh但离可以把高风险业务放心
8:03.300–8:05.933
zh交出去仍然隔着很长一段路
8:05.933–8:09.100
zh这也说明语音AI的竞争正在换指标
8:09.466–8:12.200
zh早期产品比较谁的声音更像真人
8:12.366–8:14.700
zh随后比较首个音节要等多久
8:14.766–8:16.966
zh现在声音自然只是门票
8:17.166–8:18.933
zh真正决定价值的是
8:18.933–8:20.866
zh一通对话结束以后
8:21.200–8:22.666
zh事情有没有办成
8:22.900–8:24.366
zh记录有没有写对
8:24.566–8:25.933
zh权限有没有越界
8:26.200–8:27.866
zh用户临时改口以后
8:27.866–8:29.733
zh系统有没有撤回旧操作
8:29.900–8:31.466
zh一个声音很自然
8:31.700–8:33.300
zh任务却做错的代理
8:33.300–8:35.300
zh只会让错误更有迷惑性
8:35.500–8:38.000
zh排行榜本身也需要谨慎解读
8:38.466–8:39.600
zh官方发布时
8:39.800–8:42.333
zh基础版Gemini 3.8live在
8:42.333–8:44.300
zh盲测偏好中排名靠前
8:44.866–8:47.533
zhextended thinking在综合质量指数领先
8:47.600–8:49.933
zh可不同榜单测量的东西不同
8:50.500–8:52.533
zh模型设置和思考强度
8:52.566–8:54.466
zh再加上延迟与价格
8:54.500–8:55.933
zh都会改变结果
8:56.400–8:59.466
zh盲测更看重人是否喜欢这段对话
8:59.733–9:02.700
zh任务基准更看重流程是否完成
9:02.866–9:05.300
zh企业不能只选总分最高的模型
9:05.466–9:06.800
zh还得确认自己的
9:06.800–9:08.800
zh任务更怕延迟与费用
9:09.200–9:11.933
zh还是听错数字或错误调用工具
9:12.133–9:15.166
zh价格正是谷歌这次进攻的另一部分
9:15.733–9:17.800
zh官方开发者资料给出的音频
9:17.800–9:21.100
zh输入价格约为每分钟0.005美元
9:21.366–9:24.666
zh音频输出约为每分钟0.018美元
9:25.100–9:27.766
zh连续输入一小时大约0.3美元
9:28.100–9:30.766
zh连续输出一小时约1.08美元
9:30.933–9:33.666
zh真实通话不会始终由同一方说话
9:34.066–9:36.566
zh实际账单还取决于沉默处理
9:36.700–9:40.366
zh上下文长度工具调用和会话管理
9:40.566–9:43.533
zh但这个价格已经足以让大规模客服
9:43.766–9:46.766
zh陪练和企业助手认真计算替代方案
9:46.966–9:49.800
zh谷歌选在这个时间点推出两款模型
9:50.266–9:52.166
zh也暴露了他对市场的判断
9:52.500–9:55.100
zh实时语音不会只有一个冠军通吃
9:55.266–9:56.600
zh高频简单
9:56.700–9:59.366
zh成本敏感的业务需要基础版
9:59.933–10:02.700
zh少量复杂价值更高的流程
10:02.700–10:04.766
zh才值得开启extended thinking
10:05.066–10:06.466
zh要是每次查天气都
10:06.466–10:08.100
zh让模型长时间推理
10:08.366–10:09.666
zh用户会觉得慢
10:09.900–10:12.500
zh企业也会为没有必要的计算付钱
10:12.700–10:14.766
zh双模型结构等于把什么时候
10:14.766–10:17.700
zh值得思考变成产品设计的一部分
10:18.100–10:20.600
zh开发者还要承担新的工程成本
10:20.866–10:23.933
zh要求函数调用全部采用异步方式
10:24.200–10:27.266
zh客户端不能在出现后立即关闭连接
10:27.666–10:28.866
zh后台推理可能继续
10:28.866–10:30.966
zh返回工具请求和音频帧
10:31.466–10:33.966
zh应用必须能取消和处理超时
10:34.166–10:37.000
zh还要防止重复提交并恢复状态
10:37.166–10:39.100
zh用户说算了不要定
10:39.466–10:42.200
zh系统能否及时终止已经启动的步骤
10:42.400–10:44.166
zh网路短暂中断以后
10:44.300–10:47.266
zh模型会不会把同一笔操作执行两次
10:47.533–10:48.966
zh这些问题不会出现在
10:48.966–10:50.700
zh漂亮的语音演示里
10:50.700–10:52.900
zh却会决定产品能不能上线
10:53.066–10:55.266
zh权限设计也比过去更难
10:55.333–10:58.066
zh一个只能回答问题的模型说错话
10:58.133–10:59.600
zh主要风险是误导
10:59.766–11:01.966
zh一个可以访问邮箱与日历
11:02.133–11:03.900
zh还能接触客户资料和
11:03.900–11:05.900
zh付款接口的模型说错话
11:06.200–11:08.133
zh风险会变成真实动作
11:08.266–11:10.100
zh企业需要把能听懂请求
11:10.100–11:12.166
zh和有权执行请求拆开
11:12.366–11:14.200
zh查询信息可以自动完成
11:14.666–11:17.900
zh修改账户发送敏感邮件或提交交易
11:17.900–11:19.600
zh应当触发再次确认
11:19.800–11:20.900
zh语音越自然
11:20.900–11:23.500
zh越不能让用户误以为系统拥有
11:23.500–11:26.100
zh和人类员工相同的判断能力
11:26.300–11:29.000
zh银行场景能把这套矛盾看得最清楚
11:29.366–11:31.466
zh客户打电话修改通讯地址
11:31.666–11:33.200
zh表面只是几句话
11:33.300–11:35.000
zh后台先要验证身份
11:35.200–11:37.166
zh查询账户和提示风险
11:37.333–11:40.200
zh随后还要变更资料并留下审计记录
11:40.366–11:41.600
zh任何一步做错
11:41.600–11:44.666
zh后面的动作都会建立在错误状态上
11:45.366–11:47.466
zh实时模型的优势是不用把
11:47.466–11:49.933
zh客户反复转接给不同菜单
11:50.266–11:52.733
zh风险则是它可能用非常自然的
11:52.733–11:56.133
zh语气把一条错误路径执行到底
11:56.333–11:58.100
zh因此企业需要给每个
11:58.100–11:59.700
zh工具设置独立权限
12:00.000–12:02.366
zh不能因为模型通过了身份验证
12:02.366–12:03.900
zh就默认它获得整场
12:03.900–12:05.666
zh会话的全部操作权
12:06.100–12:07.600
zh医疗预约也一样
12:07.766–12:09.566
zh模型可以查看时间表
12:09.666–12:10.700
zh询问症状
12:10.733–12:11.666
zh匹配科室
12:11.700–12:12.800
zh再发送提醒
12:12.933–12:15.000
zh这些工作很适合自动化
12:15.100–12:17.600
zh可它不能因为听见几个关键词
12:17.600–12:19.200
zh就替医生做诊断
12:20.066–12:21.500
zh系统必须把行政
12:21.500–12:23.533
zh流程和医疗判断分开
12:23.600–12:25.400
zh哪句话只是收集信息
12:25.566–12:27.366
zh哪句话属于健康建议
12:27.500–12:29.333
zh什么情况必须转给真人
12:29.333–12:31.966
zh都应在模型之外写成明确规则
12:32.333–12:34.066
zh模型越能自由交流
12:34.166–12:35.933
zh外部规则越要清楚
12:36.166–12:39.133
zh企业培训可能成为更早成熟的市场
12:39.500–12:42.466
zh谈判训练销售陪练和客服模拟
12:42.466–12:45.000
zh不需要模型真的修改客户账户
12:45.133–12:48.600
zh却非常依赖语气打断和连续追问
12:48.766–12:51.333
zhGemini 3.8live可以扮演
12:51.333–12:53.066
zh不同类型的对话对象
12:53.300–12:55.866
zh根据学员表现及时改变难度
12:55.866–12:58.366
zh再把交流记录交给评估系统
12:58.600–13:00.300
zh这里即使出现错误
13:00.300–13:02.600
zh也容易在训练结束后纠正
13:03.000–13:05.166
zh部署风险低于金融交易
13:05.200–13:07.966
zh却能充分利用实时语音的优势
13:08.266–13:10.733
zh无障碍交互同样值得注意
13:10.933–13:13.300
zh用户可以把摄像头对准设备
13:13.300–13:15.866
zh让模型用语音描述按钮位置
13:15.866–13:18.100
zh或者边操作边询问下一步
13:18.466–13:19.533
zh视力受限者
13:19.733–13:21.333
zh手部操作不便者
13:21.333–13:23.566
zh以及不熟悉复杂软件的人
13:23.666–13:25.966
zh都可能因此减少学习成本
13:26.066–13:28.066
zh不过视觉帧率
13:28.500–13:31.166
zh环境光线和网络延迟会影响判断
13:31.533–13:33.300
zh模型看漏一个指示灯
13:33.366–13:35.600
zh后面的指导就可能失去依据
13:35.700–13:37.300
zh无障碍工具更需要
13:37.300–13:38.933
zh明确表达不确定性
13:38.966–13:41.466
zh不能为了流畅而假装看清了
13:41.466–13:44.100
zh这些场景共同指向一个工程原则
13:44.533–13:46.400
zh实时语音代理不应只按
13:46.933–13:48.800
zh回答是否好听验收
13:49.066–13:50.800
zh还要拆成多个指标
13:50.900–13:52.400
zh听写是否准确
13:53.100–13:55.733
zh身份信息有没有串到下一名用户
13:56.300–13:57.933
zh工具参数是否正确
13:58.166–14:00.333
zh取消指令能否及时生效
14:00.600–14:03.000
zh长会话以后状态会不会漂移
14:03.266–14:05.733
zh网路恢复后是否重复执行
14:05.800–14:07.133
zh都要单独测试
14:07.400–14:09.766
zh传统聊天机器人的离线
14:09.766–14:11.966
zh问答集覆盖不了这些问题
14:12.133–14:14.400
zh官方评测也暴露了这一点
14:14.800–14:17.300
zhartificial analysis的综合指数把
14:17.300–14:19.500
zh多项能力合并成一个分数
14:19.666–14:21.066
zh便于横向比较
14:21.133–14:23.000
zh却无法替代业务测试
14:23.333–14:25.333
zhtop voice测量代理在完整
14:25.333–14:27.200
zh语音任务中的完成情况
14:27.333–14:30.000
zh已经比单轮问答接近真实使用
14:30.366–14:31.933
zh银行基准进一步加入
14:31.933–14:33.666
zh规则和多步骤流程
14:33.800–14:35.866
zh所以成功率明显下降
14:36.166–14:37.800
zh任务越接近现实
14:37.900–14:39.566
zh票量分数越难维持
14:39.766–14:42.700
zh35.1%直接标出了企业
14:42.700–14:44.166
zh自动化的真实边界
14:44.466–14:46.533
zh不能简单算作发布失败
14:46.666–14:49.266
zh还有一个容易忽略的成本是上下文
14:49.666–14:51.733
zh实时会话不断积累音频
14:51.933–14:54.800
zh视觉帧工具结果和系统状态
14:55.066–14:57.300
zh即使每分钟音频价格很低
14:57.500–14:59.100
zh长时间保留全部内容
14:59.100–15:00.866
zh也会增加推理负担
15:01.000–15:02.400
zh产品需要决定哪些
15:02.400–15:04.766
zh信息继续留在上下文里
15:04.900–15:06.500
zh哪些压缩成摘要
15:06.666–15:09.266
zh哪些在任务结束后立即删除
15:09.600–15:10.600
zh压缩太早
15:10.766–15:13.566
zh模型可能忘记用户刚刚修改的条件
15:13.900–15:15.066
zh什么都保留
15:15.166–15:18.666
zh费用延迟和隐私风险都会上升
15:18.733–15:21.700
zh这会催生一层新的会话基础设施
15:22.200–15:24.900
zh他要检测语音活动和处理打断
15:25.100–15:27.766
zh也要压缩状态管理工具队列
15:27.966–15:30.866
zh并负责用户确认与错误恢复
15:31.133–15:33.133
zh基础模型给出能力上限
15:33.466–15:34.966
zh这层基础设施决定
15:34.966–15:36.733
zh能力能否稳定落地
15:36.933–15:40.666
zh谷歌同時與Livekit、Agora、Pipecat
15:41.200–15:43.866
zhLang chain和Versatile等平台合作
15:44.000–15:45.133
zh原因就在这里
15:45.133–15:46.800
zh多数开发团队不愿从头
15:46.800–15:48.566
zh处理实时音视频传输
15:48.733–15:51.100
zh他们更希望直接设计业务流程
15:51.266–15:53.533
zh产品经理面对的问题也变了
15:53.566–15:55.400
zh过去设计语音助手
15:55.500–15:57.966
zh需要为每个意图写固定路线
15:58.333–16:00.500
zh现在模型能理解开放表达
16:00.666–16:02.866
zh团队不用穷举所有说法
16:02.866–16:04.600
zh却必须规定哪些目标
16:04.600–16:06.500
zh允许模型自行拆解
16:06.566–16:07.766
zh自由度越高
16:07.900–16:09.333
zh测试空间越大
16:09.333–16:11.200
zh一个用户可能先订酒店
16:11.300–16:13.200
zh再突然要求取消航班
16:13.366–16:15.266
zh随后补充同行者信息
16:15.766–16:18.266
zh系统得知道哪些动作仍在草稿
16:18.366–16:19.733
zh哪些已经提交
16:19.866–16:21.166
zh哪些需要退款
16:21.300–16:23.333
zh自然语言只是入口
16:23.566–16:25.733
zh真正困难的是交易状态
16:25.966–16:28.966
zh谷歌把可配置思考加入EXTENDED thinking
16:29.300–16:32.066
zh也是在处理成本与可靠性的冲突
16:32.533–16:34.933
zh简单问题不需要长时间推理
16:35.566–16:38.166
zh复杂流程才值得付出更多计算
16:38.333–16:39.666
zh企业可以根据任务
16:39.666–16:41.533
zh风险调整思考强度
16:41.666–16:44.766
zh高价值操作用更严格的推理和验证
16:45.100–16:47.333
zh普通查询则优先保证速度
16:47.400–16:49.200
zh但思考时间更长并不
16:49.200–16:50.900
zh自动等于结果正确
16:51.133–16:54.300
zh模型可能用更多步骤巩固错误假设
16:54.900–16:56.366
zh因此仍要依靠外部
16:56.366–16:58.366
zh数据和工具回传纠正
16:58.866–17:01.200
zh实时进度播报也需要节制
17:01.533–17:03.900
zh模型如果每走一步都解释
17:04.000–17:06.966
zh会拉长通话并增加输出费用
17:07.400–17:08.400
zh完全沉默
17:08.500–17:10.900
zh用户又不知道任务是否卡住
17:10.933–17:13.400
zh合理做法是只在状态发生变化
17:13.533–17:15.333
zh需要用户补充信息或
17:15.333–17:17.266
zh等待明显变长时播报
17:17.566–17:19.533
zh这个细节会决定AI听起来像
17:19.533–17:21.266
zh一个有效率的服务人员
17:21.333–17:24.000
zh还是一个不停描述自己动作的系统
17:24.266–17:26.733
zh视觉输入又打开了另一条供给面
17:27.066–17:29.300
zh讓它能看見屏幕和摄像头
17:29.333–17:30.866
zh也可能读到画面里
17:30.866–17:33.000
zh专门写给AI的恶意指令
17:33.100–17:33.966
zh一个网页
17:33.966–17:35.000
zh一张海报
17:35.166–17:37.666
zh甚至远程会议中的共享画面
17:37.733–17:40.566
zh都可能试图诱导代理忽略原任务
17:40.900–17:43.966
zh语音里同样可以夹带间接提示注入
17:44.133–17:45.500
zh实时系统必须知道
17:45.500–17:47.066
zh哪些内容来自用户
17:47.100–17:48.333
zh哪些来自环境
17:48.400–17:50.333
zh哪些只应该被当做资料
17:50.766–17:53.533
zh不能让所有输入拥有同等指挥权
17:53.766–17:55.133
zh隐私问题也不会因为
17:55.133–17:57.500
zh模型更流畅而自动消失
17:57.900–18:00.700
zh实时语音往往包含背景谈话
18:00.700–18:03.966
zh家庭环境办公室画面和身份信息
18:04.300–18:05.966
zh模型为了保持连续性
18:05.966–18:08.500
zh还需要维护更长的会话状态
18:08.800–18:11.533
zh企业必须明确音频是否保存
18:11.800–18:12.800
zh保存多久
18:12.966–18:14.066
zh谁能访问
18:14.300–18:15.566
zh是否用于训练
18:16.100–18:17.733
zh以及用户怎样删除
18:17.966–18:19.300
zh很多人愿意把一条
18:19.300–18:21.133
zh文字问题交给云端
18:21.333–18:23.600
zh不代表他们愿意把整场会议
18:23.600–18:26.166
zh和摄像头画面持续送出去
18:26.300–18:29.066
zh谷歌为生成音频加入SINC ID水印
18:29.766–18:32.133
zh所有自家AI产品产生的音频
18:32.133–18:34.100
zh都嵌入不可感知的标记
18:34.566–18:36.733
zh这有助于识别合成内容
18:37.200–18:38.933
zh却解决不了全部问题
18:39.166–18:42.200
zh水印主要说明一段音频由AI生成
18:42.266–18:43.900
zh不能证明内容真实
18:44.000–18:46.533
zh也不能阻止有人截取混剪
18:46.566–18:48.800
zh或通过其他系统重新编码
18:48.966–18:51.666
zh更何况实时语音代理最大的
18:51.666–18:54.300
zh风险未必是伪造一段录音
18:54.666–18:56.066
zh而是他在真实账户
18:56.066–18:57.866
zh里执行了错误操作
18:58.066–18:59.666
zh模型卡还列出几个容易
18:59.666–19:01.733
zh被发布热度盖住的限制
19:02.133–19:04.500
zh两款模型仍会产生幻觉
19:04.666–19:07.166
zh也可能遇到响应变慢和超时
19:07.666–19:10.700
zh知识截止时间是2025年1月
19:11.000–19:12.266
zh他们在前沿安全和
19:12.266–19:14.133
zh越狱抵抗上经过加强
19:14.133–19:16.300
zh却没有被宣布为不可绕过
19:16.366–19:17.900
zh用于新闻与金融
19:18.066–19:20.100
zh或者医疗和法律场景时
19:20.133–19:23.100
zh实时说出答案不等于答案已经核验
19:23.266–19:24.266
zh速度越快
19:24.366–19:26.600
zh产品越需要把引用权限
19:26.600–19:28.600
zh和人工复核放到界面里
19:28.866–19:31.766
zhGemini3.8live已经进入Gemini API
19:32.000–19:34.100
zhGoogle AI Studio和Search Live
19:34.466–19:35.900
zh企业端通过Gemini
19:35.900–19:37.566
zhenterprise提供私有预览
19:38.100–19:39.700
zhEXTENDED thinking也开始进入
19:39.700–19:42.566
zhGemini应用以及Gmail keep和Docs
19:43.133–19:45.300
zh这个发布范围说明谷歌没有
19:45.300–19:47.466
zh把它当成孤立的模型展示
19:47.600–19:50.400
zh搜索办公套件云平台和
19:50.400–19:53.066
zh消费者助手都在争夺同一件事
19:53.600–19:55.300
zh成为用户交代任务时
19:55.300–19:57.133
zh最先接到指令的入口
19:57.200–20:00.266
zh这才是此次发布最值得关注的竞争
20:00.500–20:04.100
zh过去搜索框掌握的是问题入口
20:04.800–20:07.133
zh操作系统掌握的是应用入口
20:07.600–20:10.100
zh办公软件掌握的是工作入口
20:10.300–20:13.066
zh实时语音代理试图把三者压到一起
20:13.133–20:15.466
zh用户不再先决定打开哪个应用
20:15.600–20:17.133
zh而是先说出目标
20:17.533–20:19.200
zh再由代理选择搜索
20:19.333–20:21.366
zh调用工具或修改文档
20:21.466–20:23.066
zh谁控制这个调度层
20:23.200–20:26.133
zh谁就有机会决定后面的流量去哪里
20:26.300–20:27.666
zh调用哪项服务
20:27.766–20:30.333
zh以及哪些产品逐渐退到后台
20:30.666–20:32.100
zh谷歌的优势很明显
20:32.300–20:34.933
zh它有搜索地图邮件
20:35.100–20:37.966
zh文档日历安卓和云服务
20:38.300–20:40.100
zh模型能调用的真实工具
20:40.133–20:42.266
zh比许多竞争对手更完整
20:42.300–20:43.733
zh可这也是它的压力
20:43.933–20:45.533
zh跨产品权限越多
20:45.533–20:47.100
zh出错的影响越大
20:47.133–20:48.166
zh接入越深
20:48.366–20:50.500
zh监管者越会追问平台是否
20:50.500–20:52.666
zh利用入口偏袒自家服务
20:52.900–20:55.200
zh语音代理若替用户完成选择
20:55.466–20:58.133
zh传统的搜索排序广告展示和
20:58.133–21:00.333
zh应用分发规则都会受到冲击
21:00.600–21:02.766
zh安卓会成为另一个关键弱点
21:02.900–21:04.866
zh手机有麦克风与摄像头
21:05.100–21:08.266
zh也掌握位置通知和大量应用入口
21:08.333–21:10.500
zh最适合承载持续语音代理
21:10.600–21:12.800
zh问题在于Gemini3.8live
21:12.933–21:14.600
zh主要依赖云端服务
21:14.800–21:16.133
zh网路质量和数据
21:16.133–21:18.333
zh上传会直接影响体验
21:18.566–21:20.333
zh真正稳定的手机代理
21:20.333–21:22.200
zh很可能采用混合架构
21:22.600–21:24.466
zh本地模型处理唤醒
21:24.700–21:27.366
zh隐私敏感识别和简单动作
21:27.600–21:31.533
zh云端模型承担长推理与跨服务协调
21:31.700–21:33.400
zh哪些内容留在设备
21:33.566–21:35.100
zh哪些送入云端
21:35.133–21:37.200
zh会成为新的产品卖点
21:37.300–21:39.566
zh搜索业务也可能被重新定义
21:40.000–21:42.000
zh用户过去输入关键词
21:42.200–21:43.933
zh自己浏览多个页面
21:44.066–21:45.600
zh再完成后续操作
21:45.866–21:48.566
zhSearch Live可以邊聽問題邊看鏡頭
21:48.866–21:50.200
zh给出步骤式帮助
21:50.200–21:51.700
zh要是它进一步接入
21:51.700–21:53.866
zh预订购物和本地服务
21:54.100–21:55.800
zh搜索结果就会从链接
21:55.800–21:57.366
zh列表变成代理行动
21:57.533–22:00.866
zh广告和内容网站依靠点击获得流量
22:01.000–22:03.733
zh代理替用户读完并执行以后
22:03.800–22:06.966
zh价值怎样分配会变成更尖锐的问题
22:07.333–22:09.300
zh办公套件的变化更直接
22:09.500–22:12.066
zhGmail Docs和keep掌握了
22:12.066–22:13.800
zh用户工作上下文
22:14.133–22:16.933
zhExtended Thinking可以從郵件提取任務
22:16.933–22:18.700
zh在文档中生成材料
22:18.700–22:20.466
zh再把结果写进待办
22:20.800–22:22.366
zh单项功能并不惊人
22:22.533–22:24.800
zh跨应用连续完成才是护城河
22:25.066–22:26.500
zh竞争对手可以训练出
22:26.500–22:28.066
zh同样会说话的模型
22:28.133–22:29.800
zh却未必拥有同样深的
22:29.800–22:31.600
zh服务接口和用户授权
22:31.666–22:33.333
zh这也解释了谷歌为什么
22:33.333–22:35.800
zh同时强调开发者与自家产品
22:36.400–22:37.933
zhAPI负责扩大生态
22:37.933–22:40.866
zh让外部公司替它寻找高价值场景
22:41.366–22:44.300
zhWorkspace、Search和Gemini應用
22:44.300–22:46.066
zh负责建立默认入口
22:46.166–22:48.000
zh外部场景产生需求
22:48.133–22:50.066
zh自家产品提供分发
22:50.333–22:52.066
zh两条路线互相加强
22:52.266–22:54.700
zhGemini3.8live是一款模型
22:54.866–22:58.000
zh也是一场争夺交互入口的部署行动
22:58.266–23:00.400
zh普通用户最先感受到的变化
23:00.533–23:02.666
zh可能不会是某个惊人的新按钮
23:02.800–23:04.766
zh而是等待方式被改写
23:05.266–23:06.666
zh过去AI沉默时
23:06.666–23:09.100
zh没人知道它是在工作卡住
23:09.100–23:10.566
zh还是已经忘了任务
23:11.066–23:13.733
zhextended thinking会用简短语音确认
23:13.733–23:15.500
zh并在后台继续处理
23:15.700–23:18.766
zh这种进度叙述能降低等待焦虑
23:18.866–23:21.000
zh也可能制造另一种错觉
23:21.166–23:22.866
zh只要系统一直在说
23:22.966–23:25.100
zh它就一定知道自己在做什么
23:25.366–23:26.866
zh流畅表达和可靠
23:26.866–23:28.766
zh执行必须被分开评估
23:29.000–23:31.800
zh企业端也会重新计算人机分工
23:31.966–23:34.266
zh语音代理适合处理信息明确
23:34.266–23:35.500
zh工具边界清楚
23:35.933–23:37.733
zh结果容易验证的流程
23:37.933–23:39.966
zh例如预约资料查询
23:40.066–23:42.500
zh标准化故障排查和内部事务
23:42.700–23:44.700
zh涉及价值判断异常
23:44.700–23:46.700
zh授权或不可逆操作时
23:46.800–23:48.900
zh人类仍应保留最后一步
23:49.133–23:50.966
zh最合理的部署方式不会是
23:50.966–23:53.133
zh一夜之间替换整支团队
23:53.200–23:56.333
zh而是先让模型承担等待检索
23:56.800–23:58.666
zh记录和低风险操作
23:58.766–24:00.900
zh再观察错误集中在哪里
24:01.000–24:03.366
zh岗位变化也会先落在流程上
24:03.466–24:06.466
zh客服人员过去需要边听边搜索资料
24:06.533–24:09.133
zh还要把通话内容重新录入系统
24:09.400–24:12.066
zh实时代理可以先接管检索和记录
24:12.133–24:14.366
zh让人类集中处理例外情况
24:14.500–24:16.966
zh企业如果只把它当成裁员工具
24:17.133–24:19.966
zh可能会把最熟悉业务的人一起清走
24:20.366–24:22.300
zh随后才发现模型犯错时
24:22.300–24:23.800
zh没人知道怎样纠正
24:24.100–24:26.900
zh比较稳妥的路线是保留领域人员
24:26.966–24:28.766
zh让他们定义工具权限
24:28.900–24:30.266
zh检查失败案例
24:30.300–24:32.300
zh并把新规则写回系统
24:32.466–24:34.366
zh责任链必须同步调整
24:34.966–24:37.300
zh模型提供商负责基础能力
24:37.533–24:39.733
zh集成平台负责实时传输
24:39.966–24:42.466
zh企业负责工具和业务规则
24:42.766–24:45.533
zh最终操作又可能落在第三方系统
24:45.733–24:47.100
zh事故发生以后
24:47.133–24:50.133
zh任何一方都不能只说模型生成的
24:50.133–24:52.200
zh日志需要记录用户说了什么
24:52.566–24:53.900
zh模型怎样理解
24:54.133–24:55.400
zh调用了哪个工具
24:55.566–24:57.566
zh谁批准了不可逆动作
24:57.733–24:59.133
zh没有这条证据链
24:59.500–25:01.133
zh实时代理越能办事
25:01.200–25:02.966
zh出问题时越难追责
25:03.100–25:04.466
zh从技术路线看
25:04.500–25:05.866
enGemini3.8live
25:06.000–25:07.766
zh代表语音模型正在离开
25:07.766–25:09.900
zh会说话的聊天机器人阶段
25:10.066–25:11.900
zh它开始拥有持续状态
25:12.366–25:13.533
zh能够看到环境
25:13.600–25:15.366
zh能在后台调用工具
25:15.500–25:18.100
zh还能把复杂任务拆成多个步骤
25:18.166–25:21.400
zh可从35.1%的银行任务成功率看
25:21.400–25:22.800
zh它也远没有成为可以
25:22.800–25:24.900
zh独立承担责任的数字员工
25:25.466–25:27.166
zh能力跨过了产品门槛
25:27.200–25:29.600
zh可靠性还没有跨过制度门槛
25:29.800–25:31.933
zh还有一项体验会决定用户
25:31.933–25:34.066
zh是否真的愿意长期使用
25:34.266–25:35.333
zh那就是打断
25:35.933–25:37.466
zh人与人交谈时
25:37.466–25:38.966
zh对方说错一个日期
25:39.166–25:41.133
zh听者会立刻插话纠正
25:41.200–25:43.000
zh不会等整段话结束
25:43.266–25:44.733
zh实时模型必须在播放
25:44.733–25:46.666
zh语音的同时继续监听
25:46.800–25:48.333
zh判断用户是在附和
25:48.500–25:50.533
zh补充还是要求停止
25:50.966–25:52.000
zh判断太敏感
25:52.100–25:54.333
zh背景声音会频繁打断回答
25:54.400–25:55.500
zh判断太迟钝
25:55.733–25:57.333
zh系统又会恢复成过去
25:57.333–25:59.500
zh那种必须等它说完的机器
25:59.566–26:01.733
zh发布页强调流畅对话
26:01.766–26:03.466
zh真正的产品考验却在
26:03.466–26:05.133
zh这些毫秒级决定里
26:05.166–26:07.533
zh打断以后还要处理任务状态
26:08.000–26:09.600
zh用户说不要周五
26:09.600–26:10.800
zh改成周六
26:11.133–26:14.166
zh模型需要撤销尚未提交的查询条件
26:14.500–26:17.200
zh同时保留人数地点和预算
26:17.666–26:19.933
zh要是后台工具已经返回周五
26:20.066–26:23.000
zh结果系统不能把旧数据混入新方案
26:23.266–26:26.100
zh语音体验看起来只是一段声音
26:26.333–26:28.900
zh底下却需要严密的事务管理
26:29.533–26:32.866
zhGemini3.8live把模型能力推到新的位置
26:32.966–26:34.666
zh也把传统软件工程的
26:34.666–26:36.766
zh问题重新带回AI产品
26:36.900–26:40.000
zh所以开头那个协议细节才重要
26:40.666–26:43.300
zhturn complete不再意味着任务结束
26:43.566–26:45.600
zh代表AI的工作第一次
26:45.600–26:47.733
zh可以延伸到一句话之后
26:47.866–26:50.133
zh用户听见的回答只是前台
26:50.133–26:52.200
zh后台还在推理和行动
26:52.300–26:53.766
zh下一场竞争不会只
26:53.766–26:55.366
zh比谁回答得更聪明
26:55.366–26:56.700
zh而会比谁能把这个
26:56.700–26:58.300
zh看不见的后台管住
27:19.066–27:21.100
zh他接下来必须证明的是
27:21.100–27:22.466
zh模型做错时
27:22.500–27:25.000
zh整个系统也知道怎样停下来
27:25.100–27:26.533
zh那个问题还没有关闭
27:26.800–27:28.733
zh而它会决定实时智能体
27:28.733–27:30.800
zh究竟成为下一代操作界面
27:30.866–27:33.000
zh还是下一批企业事故的来源
0:00.166–0:02.333
谷歌刚刚改掉了语音AI里
0:02.333–0:04.066
一个很不起眼的信号
0:04.166–0:06.933
过去系统发出turn complete
0:07.266–0:09.733
开发者就知道这一轮结束了
0:09.766–0:11.766
可以收尾释放状态
0:11.766–0:13.533
等用户说下一句话
0:13.600–0:16.566
到了Gemini3.8 live EXTENDED thinking
0:17.100–0:19.733
这个信号不再代表模型已经停下
0:19.800–0:21.533
它可能还在后台推理
0:21.600–0:23.266
可能正在调用工具
0:23.333–0:25.900
也可能过几秒又送回一段语音
0:25.933–0:27.933
一个看似普通的协议变化
0:27.966–0:29.466
留下了真正的问题
0:30.166–0:32.366
如果AI已经能一边和人说话
0:32.466–0:34.200
一边在后台继续工作
0:34.366–0:35.866
它还是语音助手
0:35.900–0:36.900
还是一个藏在
0:36.900–0:38.900
对话框背后的执行系统
0:39.066–0:41.100
2025年9月15日
0:41.300–0:43.733
谷歌正式发布Gemini3.8live
0:43.733–0:46.300
和Gemini3.8live EXTENDED THINKING
0:47.333–0:48.466
名字很接近
0:48.533–0:50.333
定位却被刻意拆开
0:50.400–0:53.400
基础版主打规模成本和低延迟
0:53.766–0:55.600
适合大量实时会话
0:56.000–0:56.800
extended thinking
0:57.133–0:59.200
负责复杂多步骤任务
0:59.533–1:01.133
允许模型在保持语音
1:01.133–1:02.866
交流的同时继续推理
1:03.100–1:04.600
谷歌没有把两者包装
1:04.600–1:06.800
成同一款模型的快慢档位
1:06.866–1:09.866
而是把实时语音市场分成了两层
1:10.000–1:13.266
大量便宜反应快的日常交互
1:13.366–1:15.700
以及需要更长思考更强
1:15.700–1:17.500
工具调用的复杂工作
1:17.866–1:18.866
过去十多年
1:19.066–1:20.500
手机里的语音助手
1:20.500–1:22.333
一直卡在一个尴尬位置
1:22.533–1:25.666
它们能设闹钟查天气拨电话
1:25.666–1:27.766
也能回答结构简单的问题
1:28.100–1:29.900
一旦任务跨过几个步骤
1:30.200–1:31.933
体验就会迅速崩掉
1:32.200–1:33.400
用户说一句话
1:33.500–1:35.200
语音先被转成文字
1:35.400–1:37.066
文字交给语言模型
1:37.500–1:38.766
模型生成答案
1:38.800–1:41.466
再由另一个系统把文字念出来
1:41.533–1:42.600
每经过一层
1:42.966–1:44.300
延迟都会增加
1:44.400–1:47.666
语气停顿和现场信息也会损失
1:47.800–1:49.066
用户打断时
1:49.333–1:51.866
系统还得判断这究竟是补充要求
1:51.866–1:53.266
还是要求它闭嘴
1:53.466–1:56.133
Gemini3.8live试图把这条流水线
1:56.133–1:58.166
压成一套原生的实时模型
1:58.500–1:59.766
它直接接收音频
1:59.766–2:02.866
也能同时接收文字图像和视频
2:03.000–2:05.166
再直接输出语音与文字
2:05.200–2:06.366
对用户来说
2:06.466–2:08.600
变化不止体现在声音更顺
2:08.733–2:12.100
更关键的是模型能够保留说话方式
2:12.200–2:15.100
视觉环境和任务状态之间的联系
2:15.566–2:16.900
摄像头对着设备
2:16.933–2:19.400
用户可以边移动镜头边追问
2:19.666–2:21.066
画面发生变化
2:21.133–2:22.733
回答也能跟着调整
2:22.933–2:25.933
语音不再只是把文字送进去的入口
2:26.066–2:28.300
而是整个交互过程的一部分
2:28.400–2:30.666
但基础版最有价值的能力
2:30.866–2:32.866
可能并不在对话本身
2:33.000–2:34.800
而在异步函数调用
2:35.366–2:38.266
传统语音智能体调用外部工具时
2:38.266–2:39.733
经常要停下来等
2:39.800–2:40.866
它查订单
2:40.900–2:42.700
就等订单系统回传
2:43.166–2:44.200
它安排日程
2:44.333–2:46.100
就等日历接口完成
2:46.666–2:47.800
他修改账户
2:47.800–2:49.666
就等权限验证结束
2:49.866–2:51.133
几秒钟的停顿
2:51.300–2:53.133
放在网页里不算什么
2:53.300–2:54.866
放在电话里却足以
2:54.866–2:56.666
让人怀疑线路断了
2:56.733–2:58.166
Gemini3.8live
2:58.300–3:00.266
可以让工具在后台运行
3:00.266–3:01.600
前台对话继续
3:02.066–3:03.700
模型能先确认请求
3:03.700–3:05.400
也能补问必要信息
3:05.533–3:08.600
甚至在任务执行期间解释当前进度
3:08.733–3:11.700
查航班和确认酒店可以同时进行
3:11.800–3:13.333
用户临时改变日期
3:13.600–3:15.800
系统再调整尚未提交的步骤
3:16.366–3:18.200
这里出现的是一套开始具备
3:18.200–3:20.366
并行工作能力的语音执行层
3:20.733–3:22.733
聊天只是它的前台表现
3:23.166–3:25.933
extended thinking把这条路线推得更远
3:26.133–3:27.600
复杂任务到来时
3:27.766–3:30.066
它可以先说一句正在检查
3:30.200–3:32.366
随后继续做多步骤推理
3:32.700–3:34.400
模型的后台状态不会
3:34.400–3:36.600
因为一句回答结束而清空
3:36.733–3:39.366
开发者必须持续监听服务器信息
3:39.766–3:41.733
通过interaction status判断
3:41.733–3:43.933
他仍在思考等待工具
3:43.966–3:45.500
还是已经真正空闲
3:45.666–3:46.566
也就是说
3:46.766–3:48.900
应用不能再把一次对话当成
3:48.900–3:51.533
问一句答一句的回合制游戏
3:51.766–3:54.000
它需要管理一个持续存在
3:54.400–3:57.000
随时可能返回新动作的代理状态
3:57.166–3:59.100
这个变化听起来很技术
3:59.300–4:01.066
商业影响却很直接
4:01.200–4:03.166
客服系统过去按照通话
4:03.166–4:05.133
时长和单轮处理设计
4:05.566–4:07.666
新的语音代理可能在一通电话
4:07.666–4:10.500
里同时访问知识库核对身份
4:10.666–4:13.466
修改后台记录并生成后续邮件
4:13.666–4:16.333
办公软件过去等用户点击菜单
4:16.600–4:18.266
新系统则允许用户用
4:18.266–4:19.966
连续语音描述目标
4:20.100–4:22.366
让模型跨越邮件文档
4:22.366–4:24.266
和待办事项处理工作
4:24.466–4:26.466
产品界面也会随之变化
4:26.566–4:28.400
屏幕上的按钮不会消失
4:28.533–4:31.466
但越来越多操作会从用户自己点完
4:31.466–4:33.100
变成用户交代目标
4:33.266–4:34.566
系统汇报过程
4:34.866–4:37.500
谷歌给出的演示很能说明方向
4:37.900–4:39.733
模型可以根据实时画面
4:39.733–4:41.766
指导员工完成入职流程
4:41.933–4:44.800
可以观察棋盘并保持自然对话
4:44.866–4:47.400
也可以把手绘草图和语音修改
4:47.400–4:50.200
要求变成可运行的react组件
4:50.333–4:52.700
另一个场景是多步骤预定
4:53.166–4:55.733
模型同时协调不同函数调用
4:55.733–4:57.133
又不让谈话中断
4:57.400–4:59.066
这些例子看起来分散
4:59.200–5:00.966
底层依赖同一种能力
5:01.300–5:03.400
让视觉与语音交互连
5:03.400–5:05.500
到推理和工具调用中
5:05.500–5:07.400
并维持一个持续会话
5:07.600–5:10.300
语言覆盖也被扩大到97种
5:10.600–5:11.966
系统可以在谈话中
5:11.966–5:13.766
自动发现语言变化
5:13.866–5:16.566
不要求用户先进入设置切换
5:16.733–5:18.966
对于跨国客服与旅游服务
5:19.066–5:21.466
以及医疗预约和远程协作
5:21.500–5:24.166
这比单纯增加语言数量更实用
5:24.366–5:27.333
真实交流经常混入公司名和产品名
5:27.800–5:30.400
也常夹着数字与英文缩写
5:30.700–5:33.700
一段话里切换两种语言并不少见
5:33.800–5:36.200
谷歌还特别强调字母数字精度
5:36.266–5:38.333
因为验证码和理赔编号
5:38.400–5:40.266
以及地址与技术参数
5:40.333–5:41.933
正是语音系统最容易
5:41.933–5:44.266
听错又最不能听错的内容
5:44.533–5:47.200
不过模型支持97种语言
5:47.200–5:50.266
不等于97种语言都达到同样水平
5:50.500–5:52.733
训练数据口音覆盖和
5:52.733–5:54.900
地区用词都会影响表现
5:54.933–5:57.366
一个模型在英语测试里领先
5:57.366–6:00.766
不能自动证明它能处理粤语加英文
6:00.800–6:03.733
印度英语或嘈杂门店里的专业术语
6:04.100–6:06.266
谷歌公布的是能力边界
6:06.600–6:09.133
企业真正部署前仍要用自己
6:09.133–6:12.600
的用户设备和环境重新测试
6:12.800–6:15.666
官方模型卡给出了更清楚的规格
6:15.866–6:19.100
两款模型都建立在Gemini3Pro之上
6:19.133–6:21.066
可以接收文字与图片
6:21.133–6:23.133
也能处理视频和音频
6:23.500–6:27.000
上下文上限为131,072个TOKEN
6:27.333–6:30.733
输出上限为65,536个TOKEN
6:31.300–6:33.266
EXTENDED thinking支持搜索
6:33.266–6:35.200
接地和异步函数调用
6:35.200–6:37.866
却不支持代码执行与文件搜索
6:38.266–6:41.100
也没有结构化输出和网址上下文
6:41.200–6:43.933
功能表里的一排不支持很重要
6:44.100–6:45.500
它提醒开发者
6:45.500–6:47.866
这是一款为实时语音和
6:47.866–6:49.766
工具协作优化的模型
6:50.066–6:51.566
并没有把所有Gemini
6:51.566–6:53.466
能力都塞进电话线路
6:53.566–6:56.466
谷歌把边说边想放在发布重点里
6:56.600–6:58.600
评测自然也集中在语音
6:58.666–7:00.700
质量推理和任务完成
7:01.000–7:03.100
Gemini 3.8 live
7:03.333–7:04.133
EXTENDED thinking
7:04.166–7:05.733
AI Artificial Analysis
7:05.800–7:07.700
speech to speech quality index
7:07.700–7:09.500
模型獲得82.6分
7:09.666–7:13.000
这个指数把语音推理对话动态
7:13.100–7:15.800
和代理任务表现合在一起计算
7:16.200–7:20.566
在BigBench Audio中達到97.7%
7:20.733–7:22.966
在测试智能体任务完成
7:22.966–7:26.933
在測試智能體任務完成能力的Tall Voice里達到68.6%
7:27.166–7:29.533
这些数字解释了谷歌为什么敢把
7:29.533–7:31.966
它称为最先进的实时对话模型
7:32.133–7:34.800
可真正值得盯住的数字是
7:34.800–7:37.966
银行业务基准里的35.1%
7:37.966–7:39.866
这个测试要求语音代理
7:39.866–7:41.933
处理多步骤银行流程
7:42.200–7:43.733
成功率越过三成
7:44.166–7:47.566
却仍有接近2/3的任务没有完整完成
7:47.666–7:51.966
82.6分很适合放在发布会大屏幕上
7:52.166–7:53.700
35.1%
7:54.066–7:57.066
更接近企业部署时必须面对的现实
7:57.366–7:59.133
模型已经能处理过去
7:59.133–8:00.733
做不到的复杂流程
8:01.133–8:03.300
但离可以把高风险业务放心
8:03.300–8:05.933
交出去仍然隔着很长一段路
8:05.933–8:09.100
这也说明语音AI的竞争正在换指标
8:09.466–8:12.200
早期产品比较谁的声音更像真人
8:12.366–8:14.700
随后比较首个音节要等多久
8:14.766–8:16.966
现在声音自然只是门票
8:17.166–8:18.933
真正决定价值的是
8:18.933–8:20.866
一通对话结束以后
8:21.200–8:22.666
事情有没有办成
8:22.900–8:24.366
记录有没有写对
8:24.566–8:25.933
权限有没有越界
8:26.200–8:27.866
用户临时改口以后
8:27.866–8:29.733
系统有没有撤回旧操作
8:29.900–8:31.466
一个声音很自然
8:31.700–8:33.300
任务却做错的代理
8:33.300–8:35.300
只会让错误更有迷惑性
8:35.500–8:38.000
排行榜本身也需要谨慎解读
8:38.466–8:39.600
官方发布时
8:39.800–8:42.333
基础版Gemini 3.8live在
8:42.333–8:44.300
盲测偏好中排名靠前
8:44.866–8:47.533
extended thinking在综合质量指数领先
8:47.600–8:49.933
可不同榜单测量的东西不同
8:50.500–8:52.533
模型设置和思考强度
8:52.566–8:54.466
再加上延迟与价格
8:54.500–8:55.933
都会改变结果
8:56.400–8:59.466
盲测更看重人是否喜欢这段对话
8:59.733–9:02.700
任务基准更看重流程是否完成
9:02.866–9:05.300
企业不能只选总分最高的模型
9:05.466–9:06.800
还得确认自己的
9:06.800–9:08.800
任务更怕延迟与费用
9:09.200–9:11.933
还是听错数字或错误调用工具
9:12.133–9:15.166
价格正是谷歌这次进攻的另一部分
9:15.733–9:17.800
官方开发者资料给出的音频
9:17.800–9:21.100
输入价格约为每分钟0.005美元
9:21.366–9:24.666
音频输出约为每分钟0.018美元
9:25.100–9:27.766
连续输入一小时大约0.3美元
9:28.100–9:30.766
连续输出一小时约1.08美元
9:30.933–9:33.666
真实通话不会始终由同一方说话
9:34.066–9:36.566
实际账单还取决于沉默处理
9:36.700–9:40.366
上下文长度工具调用和会话管理
9:40.566–9:43.533
但这个价格已经足以让大规模客服
9:43.766–9:46.766
陪练和企业助手认真计算替代方案
9:46.966–9:49.800
谷歌选在这个时间点推出两款模型
9:50.266–9:52.166
也暴露了他对市场的判断
9:52.500–9:55.100
实时语音不会只有一个冠军通吃
9:55.266–9:56.600
高频简单
9:56.700–9:59.366
成本敏感的业务需要基础版
9:59.933–10:02.700
少量复杂价值更高的流程
10:02.700–10:04.766
才值得开启extended thinking
10:05.066–10:06.466
要是每次查天气都
10:06.466–10:08.100
让模型长时间推理
10:08.366–10:09.666
用户会觉得慢
10:09.900–10:12.500
企业也会为没有必要的计算付钱
10:12.700–10:14.766
双模型结构等于把什么时候
10:14.766–10:17.700
值得思考变成产品设计的一部分
10:18.100–10:20.600
开发者还要承担新的工程成本
10:20.866–10:23.933
要求函数调用全部采用异步方式
10:24.200–10:27.266
客户端不能在出现后立即关闭连接
10:27.666–10:28.866
后台推理可能继续
10:28.866–10:30.966
返回工具请求和音频帧
10:31.466–10:33.966
应用必须能取消和处理超时
10:34.166–10:37.000
还要防止重复提交并恢复状态
10:37.166–10:39.100
用户说算了不要定
10:39.466–10:42.200
系统能否及时终止已经启动的步骤
10:42.400–10:44.166
网路短暂中断以后
10:44.300–10:47.266
模型会不会把同一笔操作执行两次
10:47.533–10:48.966
这些问题不会出现在
10:48.966–10:50.700
漂亮的语音演示里
10:50.700–10:52.900
却会决定产品能不能上线
10:53.066–10:55.266
权限设计也比过去更难
10:55.333–10:58.066
一个只能回答问题的模型说错话
10:58.133–10:59.600
主要风险是误导
10:59.766–11:01.966
一个可以访问邮箱与日历
11:02.133–11:03.900
还能接触客户资料和
11:03.900–11:05.900
付款接口的模型说错话
11:06.200–11:08.133
风险会变成真实动作
11:08.266–11:10.100
企业需要把能听懂请求
11:10.100–11:12.166
和有权执行请求拆开
11:12.366–11:14.200
查询信息可以自动完成
11:14.666–11:17.900
修改账户发送敏感邮件或提交交易
11:17.900–11:19.600
应当触发再次确认
11:19.800–11:20.900
语音越自然
11:20.900–11:23.500
越不能让用户误以为系统拥有
11:23.500–11:26.100
和人类员工相同的判断能力
11:26.300–11:29.000
银行场景能把这套矛盾看得最清楚
11:29.366–11:31.466
客户打电话修改通讯地址
11:31.666–11:33.200
表面只是几句话
11:33.300–11:35.000
后台先要验证身份
11:35.200–11:37.166
查询账户和提示风险
11:37.333–11:40.200
随后还要变更资料并留下审计记录
11:40.366–11:41.600
任何一步做错
11:41.600–11:44.666
后面的动作都会建立在错误状态上
11:45.366–11:47.466
实时模型的优势是不用把
11:47.466–11:49.933
客户反复转接给不同菜单
11:50.266–11:52.733
风险则是它可能用非常自然的
11:52.733–11:56.133
语气把一条错误路径执行到底
11:56.333–11:58.100
因此企业需要给每个
11:58.100–11:59.700
工具设置独立权限
12:00.000–12:02.366
不能因为模型通过了身份验证
12:02.366–12:03.900
就默认它获得整场
12:03.900–12:05.666
会话的全部操作权
12:06.100–12:07.600
医疗预约也一样
12:07.766–12:09.566
模型可以查看时间表
12:09.666–12:10.700
询问症状
12:10.733–12:11.666
匹配科室
12:11.700–12:12.800
再发送提醒
12:12.933–12:15.000
这些工作很适合自动化
12:15.100–12:17.600
可它不能因为听见几个关键词
12:17.600–12:19.200
就替医生做诊断
12:20.066–12:21.500
系统必须把行政
12:21.500–12:23.533
流程和医疗判断分开
12:23.600–12:25.400
哪句话只是收集信息
12:25.566–12:27.366
哪句话属于健康建议
12:27.500–12:29.333
什么情况必须转给真人
12:29.333–12:31.966
都应在模型之外写成明确规则
12:32.333–12:34.066
模型越能自由交流
12:34.166–12:35.933
外部规则越要清楚
12:36.166–12:39.133
企业培训可能成为更早成熟的市场
12:39.500–12:42.466
谈判训练销售陪练和客服模拟
12:42.466–12:45.000
不需要模型真的修改客户账户
12:45.133–12:48.600
却非常依赖语气打断和连续追问
12:48.766–12:51.333
Gemini 3.8live可以扮演
12:51.333–12:53.066
不同类型的对话对象
12:53.300–12:55.866
根据学员表现及时改变难度
12:55.866–12:58.366
再把交流记录交给评估系统
12:58.600–13:00.300
这里即使出现错误
13:00.300–13:02.600
也容易在训练结束后纠正
13:03.000–13:05.166
部署风险低于金融交易
13:05.200–13:07.966
却能充分利用实时语音的优势
13:08.266–13:10.733
无障碍交互同样值得注意
13:10.933–13:13.300
用户可以把摄像头对准设备
13:13.300–13:15.866
让模型用语音描述按钮位置
13:15.866–13:18.100
或者边操作边询问下一步
13:18.466–13:19.533
视力受限者
13:19.733–13:21.333
手部操作不便者
13:21.333–13:23.566
以及不熟悉复杂软件的人
13:23.666–13:25.966
都可能因此减少学习成本
13:26.066–13:28.066
不过视觉帧率
13:28.500–13:31.166
环境光线和网络延迟会影响判断
13:31.533–13:33.300
模型看漏一个指示灯
13:33.366–13:35.600
后面的指导就可能失去依据
13:35.700–13:37.300
无障碍工具更需要
13:37.300–13:38.933
明确表达不确定性
13:38.966–13:41.466
不能为了流畅而假装看清了
13:41.466–13:44.100
这些场景共同指向一个工程原则
13:44.533–13:46.400
实时语音代理不应只按
13:46.933–13:48.800
回答是否好听验收
13:49.066–13:50.800
还要拆成多个指标
13:50.900–13:52.400
听写是否准确
13:53.100–13:55.733
身份信息有没有串到下一名用户
13:56.300–13:57.933
工具参数是否正确
13:58.166–14:00.333
取消指令能否及时生效
14:00.600–14:03.000
长会话以后状态会不会漂移
14:03.266–14:05.733
网路恢复后是否重复执行
14:05.800–14:07.133
都要单独测试
14:07.400–14:09.766
传统聊天机器人的离线
14:09.766–14:11.966
问答集覆盖不了这些问题
14:12.133–14:14.400
官方评测也暴露了这一点
14:14.800–14:17.300
artificial analysis的综合指数把
14:17.300–14:19.500
多项能力合并成一个分数
14:19.666–14:21.066
便于横向比较
14:21.133–14:23.000
却无法替代业务测试
14:23.333–14:25.333
top voice测量代理在完整
14:25.333–14:27.200
语音任务中的完成情况
14:27.333–14:30.000
已经比单轮问答接近真实使用
14:30.366–14:31.933
银行基准进一步加入
14:31.933–14:33.666
规则和多步骤流程
14:33.800–14:35.866
所以成功率明显下降
14:36.166–14:37.800
任务越接近现实
14:37.900–14:39.566
票量分数越难维持
14:39.766–14:42.700
35.1%直接标出了企业
14:42.700–14:44.166
自动化的真实边界
14:44.466–14:46.533
不能简单算作发布失败
14:46.666–14:49.266
还有一个容易忽略的成本是上下文
14:49.666–14:51.733
实时会话不断积累音频
14:51.933–14:54.800
视觉帧工具结果和系统状态
14:55.066–14:57.300
即使每分钟音频价格很低
14:57.500–14:59.100
长时间保留全部内容
14:59.100–15:00.866
也会增加推理负担
15:01.000–15:02.400
产品需要决定哪些
15:02.400–15:04.766
信息继续留在上下文里
15:04.900–15:06.500
哪些压缩成摘要
15:06.666–15:09.266
哪些在任务结束后立即删除
15:09.600–15:10.600
压缩太早
15:10.766–15:13.566
模型可能忘记用户刚刚修改的条件
15:13.900–15:15.066
什么都保留
15:15.166–15:18.666
费用延迟和隐私风险都会上升
15:18.733–15:21.700
这会催生一层新的会话基础设施
15:22.200–15:24.900
他要检测语音活动和处理打断
15:25.100–15:27.766
也要压缩状态管理工具队列
15:27.966–15:30.866
并负责用户确认与错误恢复
15:31.133–15:33.133
基础模型给出能力上限
15:33.466–15:34.966
这层基础设施决定
15:34.966–15:36.733
能力能否稳定落地
15:36.933–15:40.666
谷歌同時與Livekit、Agora、Pipecat
15:41.200–15:43.866
Lang chain和Versatile等平台合作
15:44.000–15:45.133
原因就在这里
15:45.133–15:46.800
多数开发团队不愿从头
15:46.800–15:48.566
处理实时音视频传输
15:48.733–15:51.100
他们更希望直接设计业务流程
15:51.266–15:53.533
产品经理面对的问题也变了
15:53.566–15:55.400
过去设计语音助手
15:55.500–15:57.966
需要为每个意图写固定路线
15:58.333–16:00.500
现在模型能理解开放表达
16:00.666–16:02.866
团队不用穷举所有说法
16:02.866–16:04.600
却必须规定哪些目标
16:04.600–16:06.500
允许模型自行拆解
16:06.566–16:07.766
自由度越高
16:07.900–16:09.333
测试空间越大
16:09.333–16:11.200
一个用户可能先订酒店
16:11.300–16:13.200
再突然要求取消航班
16:13.366–16:15.266
随后补充同行者信息
16:15.766–16:18.266
系统得知道哪些动作仍在草稿
16:18.366–16:19.733
哪些已经提交
16:19.866–16:21.166
哪些需要退款
16:21.300–16:23.333
自然语言只是入口
16:23.566–16:25.733
真正困难的是交易状态
16:25.966–16:28.966
谷歌把可配置思考加入EXTENDED thinking
16:29.300–16:32.066
也是在处理成本与可靠性的冲突
16:32.533–16:34.933
简单问题不需要长时间推理
16:35.566–16:38.166
复杂流程才值得付出更多计算
16:38.333–16:39.666
企业可以根据任务
16:39.666–16:41.533
风险调整思考强度
16:41.666–16:44.766
高价值操作用更严格的推理和验证
16:45.100–16:47.333
普通查询则优先保证速度
16:47.400–16:49.200
但思考时间更长并不
16:49.200–16:50.900
自动等于结果正确
16:51.133–16:54.300
模型可能用更多步骤巩固错误假设
16:54.900–16:56.366
因此仍要依靠外部
16:56.366–16:58.366
数据和工具回传纠正
16:58.866–17:01.200
实时进度播报也需要节制
17:01.533–17:03.900
模型如果每走一步都解释
17:04.000–17:06.966
会拉长通话并增加输出费用
17:07.400–17:08.400
完全沉默
17:08.500–17:10.900
用户又不知道任务是否卡住
17:10.933–17:13.400
合理做法是只在状态发生变化
17:13.533–17:15.333
需要用户补充信息或
17:15.333–17:17.266
等待明显变长时播报
17:17.566–17:19.533
这个细节会决定AI听起来像
17:19.533–17:21.266
一个有效率的服务人员
17:21.333–17:24.000
还是一个不停描述自己动作的系统
17:24.266–17:26.733
视觉输入又打开了另一条供给面
17:27.066–17:29.300
讓它能看見屏幕和摄像头
17:29.333–17:30.866
也可能读到画面里
17:30.866–17:33.000
专门写给AI的恶意指令
17:33.100–17:33.966
一个网页
17:33.966–17:35.000
一张海报
17:35.166–17:37.666
甚至远程会议中的共享画面
17:37.733–17:40.566
都可能试图诱导代理忽略原任务
17:40.900–17:43.966
语音里同样可以夹带间接提示注入
17:44.133–17:45.500
实时系统必须知道
17:45.500–17:47.066
哪些内容来自用户
17:47.100–17:48.333
哪些来自环境
17:48.400–17:50.333
哪些只应该被当做资料
17:50.766–17:53.533
不能让所有输入拥有同等指挥权
17:53.766–17:55.133
隐私问题也不会因为
17:55.133–17:57.500
模型更流畅而自动消失
17:57.900–18:00.700
实时语音往往包含背景谈话
18:00.700–18:03.966
家庭环境办公室画面和身份信息
18:04.300–18:05.966
模型为了保持连续性
18:05.966–18:08.500
还需要维护更长的会话状态
18:08.800–18:11.533
企业必须明确音频是否保存
18:11.800–18:12.800
保存多久
18:12.966–18:14.066
谁能访问
18:14.300–18:15.566
是否用于训练
18:16.100–18:17.733
以及用户怎样删除
18:17.966–18:19.300
很多人愿意把一条
18:19.300–18:21.133
文字问题交给云端
18:21.333–18:23.600
不代表他们愿意把整场会议
18:23.600–18:26.166
和摄像头画面持续送出去
18:26.300–18:29.066
谷歌为生成音频加入SINC ID水印
18:29.766–18:32.133
所有自家AI产品产生的音频
18:32.133–18:34.100
都嵌入不可感知的标记
18:34.566–18:36.733
这有助于识别合成内容
18:37.200–18:38.933
却解决不了全部问题
18:39.166–18:42.200
水印主要说明一段音频由AI生成
18:42.266–18:43.900
不能证明内容真实
18:44.000–18:46.533
也不能阻止有人截取混剪
18:46.566–18:48.800
或通过其他系统重新编码
18:48.966–18:51.666
更何况实时语音代理最大的
18:51.666–18:54.300
风险未必是伪造一段录音
18:54.666–18:56.066
而是他在真实账户
18:56.066–18:57.866
里执行了错误操作
18:58.066–18:59.666
模型卡还列出几个容易
18:59.666–19:01.733
被发布热度盖住的限制
19:02.133–19:04.500
两款模型仍会产生幻觉
19:04.666–19:07.166
也可能遇到响应变慢和超时
19:07.666–19:10.700
知识截止时间是2025年1月
19:11.000–19:12.266
他们在前沿安全和
19:12.266–19:14.133
越狱抵抗上经过加强
19:14.133–19:16.300
却没有被宣布为不可绕过
19:16.366–19:17.900
用于新闻与金融
19:18.066–19:20.100
或者医疗和法律场景时
19:20.133–19:23.100
实时说出答案不等于答案已经核验
19:23.266–19:24.266
速度越快
19:24.366–19:26.600
产品越需要把引用权限
19:26.600–19:28.600
和人工复核放到界面里
19:28.866–19:31.766
Gemini3.8live已经进入Gemini API
19:32.000–19:34.100
Google AI Studio和Search Live
19:34.466–19:35.900
企业端通过Gemini
19:35.900–19:37.566
enterprise提供私有预览
19:38.100–19:39.700
EXTENDED thinking也开始进入
19:39.700–19:42.566
Gemini应用以及Gmail keep和Docs
19:43.133–19:45.300
这个发布范围说明谷歌没有
19:45.300–19:47.466
把它当成孤立的模型展示
19:47.600–19:50.400
搜索办公套件云平台和
19:50.400–19:53.066
消费者助手都在争夺同一件事
19:53.600–19:55.300
成为用户交代任务时
19:55.300–19:57.133
最先接到指令的入口
19:57.200–20:00.266
这才是此次发布最值得关注的竞争
20:00.500–20:04.100
过去搜索框掌握的是问题入口
20:04.800–20:07.133
操作系统掌握的是应用入口
20:07.600–20:10.100
办公软件掌握的是工作入口
20:10.300–20:13.066
实时语音代理试图把三者压到一起
20:13.133–20:15.466
用户不再先决定打开哪个应用
20:15.600–20:17.133
而是先说出目标
20:17.533–20:19.200
再由代理选择搜索
20:19.333–20:21.366
调用工具或修改文档
20:21.466–20:23.066
谁控制这个调度层
20:23.200–20:26.133
谁就有机会决定后面的流量去哪里
20:26.300–20:27.666
调用哪项服务
20:27.766–20:30.333
以及哪些产品逐渐退到后台
20:30.666–20:32.100
谷歌的优势很明显
20:32.300–20:34.933
它有搜索地图邮件
20:35.100–20:37.966
文档日历安卓和云服务
20:38.300–20:40.100
模型能调用的真实工具
20:40.133–20:42.266
比许多竞争对手更完整
20:42.300–20:43.733
可这也是它的压力
20:43.933–20:45.533
跨产品权限越多
20:45.533–20:47.100
出错的影响越大
20:47.133–20:48.166
接入越深
20:48.366–20:50.500
监管者越会追问平台是否
20:50.500–20:52.666
利用入口偏袒自家服务
20:52.900–20:55.200
语音代理若替用户完成选择
20:55.466–20:58.133
传统的搜索排序广告展示和
20:58.133–21:00.333
应用分发规则都会受到冲击
21:00.600–21:02.766
安卓会成为另一个关键弱点
21:02.900–21:04.866
手机有麦克风与摄像头
21:05.100–21:08.266
也掌握位置通知和大量应用入口
21:08.333–21:10.500
最适合承载持续语音代理
21:10.600–21:12.800
问题在于Gemini3.8live
21:12.933–21:14.600
主要依赖云端服务
21:14.800–21:16.133
网路质量和数据
21:16.133–21:18.333
上传会直接影响体验
21:18.566–21:20.333
真正稳定的手机代理
21:20.333–21:22.200
很可能采用混合架构
21:22.600–21:24.466
本地模型处理唤醒
21:24.700–21:27.366
隐私敏感识别和简单动作
21:27.600–21:31.533
云端模型承担长推理与跨服务协调
21:31.700–21:33.400
哪些内容留在设备
21:33.566–21:35.100
哪些送入云端
21:35.133–21:37.200
会成为新的产品卖点
21:37.300–21:39.566
搜索业务也可能被重新定义
21:40.000–21:42.000
用户过去输入关键词
21:42.200–21:43.933
自己浏览多个页面
21:44.066–21:45.600
再完成后续操作
21:45.866–21:48.566
Search Live可以邊聽問題邊看鏡頭
21:48.866–21:50.200
给出步骤式帮助
21:50.200–21:51.700
要是它进一步接入
21:51.700–21:53.866
预订购物和本地服务
21:54.100–21:55.800
搜索结果就会从链接
21:55.800–21:57.366
列表变成代理行动
21:57.533–22:00.866
广告和内容网站依靠点击获得流量
22:01.000–22:03.733
代理替用户读完并执行以后
22:03.800–22:06.966
价值怎样分配会变成更尖锐的问题
22:07.333–22:09.300
办公套件的变化更直接
22:09.500–22:12.066
Gmail Docs和keep掌握了
22:12.066–22:13.800
用户工作上下文
22:14.133–22:16.933
Extended Thinking可以從郵件提取任務
22:16.933–22:18.700
在文档中生成材料
22:18.700–22:20.466
再把结果写进待办
22:20.800–22:22.366
单项功能并不惊人
22:22.533–22:24.800
跨应用连续完成才是护城河
22:25.066–22:26.500
竞争对手可以训练出
22:26.500–22:28.066
同样会说话的模型
22:28.133–22:29.800
却未必拥有同样深的
22:29.800–22:31.600
服务接口和用户授权
22:31.666–22:33.333
这也解释了谷歌为什么
22:33.333–22:35.800
同时强调开发者与自家产品
22:36.400–22:37.933
API负责扩大生态
22:37.933–22:40.866
让外部公司替它寻找高价值场景
22:41.366–22:44.300
Workspace、Search和Gemini應用
22:44.300–22:46.066
负责建立默认入口
22:46.166–22:48.000
外部场景产生需求
22:48.133–22:50.066
自家产品提供分发
22:50.333–22:52.066
两条路线互相加强
22:52.266–22:54.700
Gemini3.8live是一款模型
22:54.866–22:58.000
也是一场争夺交互入口的部署行动
22:58.266–23:00.400
普通用户最先感受到的变化
23:00.533–23:02.666
可能不会是某个惊人的新按钮
23:02.800–23:04.766
而是等待方式被改写
23:05.266–23:06.666
过去AI沉默时
23:06.666–23:09.100
没人知道它是在工作卡住
23:09.100–23:10.566
还是已经忘了任务
23:11.066–23:13.733
extended thinking会用简短语音确认
23:13.733–23:15.500
并在后台继续处理
23:15.700–23:18.766
这种进度叙述能降低等待焦虑
23:18.866–23:21.000
也可能制造另一种错觉
23:21.166–23:22.866
只要系统一直在说
23:22.966–23:25.100
它就一定知道自己在做什么
23:25.366–23:26.866
流畅表达和可靠
23:26.866–23:28.766
执行必须被分开评估
23:29.000–23:31.800
企业端也会重新计算人机分工
23:31.966–23:34.266
语音代理适合处理信息明确
23:34.266–23:35.500
工具边界清楚
23:35.933–23:37.733
结果容易验证的流程
23:37.933–23:39.966
例如预约资料查询
23:40.066–23:42.500
标准化故障排查和内部事务
23:42.700–23:44.700
涉及价值判断异常
23:44.700–23:46.700
授权或不可逆操作时
23:46.800–23:48.900
人类仍应保留最后一步
23:49.133–23:50.966
最合理的部署方式不会是
23:50.966–23:53.133
一夜之间替换整支团队
23:53.200–23:56.333
而是先让模型承担等待检索
23:56.800–23:58.666
记录和低风险操作
23:58.766–24:00.900
再观察错误集中在哪里
24:01.000–24:03.366
岗位变化也会先落在流程上
24:03.466–24:06.466
客服人员过去需要边听边搜索资料
24:06.533–24:09.133
还要把通话内容重新录入系统
24:09.400–24:12.066
实时代理可以先接管检索和记录
24:12.133–24:14.366
让人类集中处理例外情况
24:14.500–24:16.966
企业如果只把它当成裁员工具
24:17.133–24:19.966
可能会把最熟悉业务的人一起清走
24:20.366–24:22.300
随后才发现模型犯错时
24:22.300–24:23.800
没人知道怎样纠正
24:24.100–24:26.900
比较稳妥的路线是保留领域人员
24:26.966–24:28.766
让他们定义工具权限
24:28.900–24:30.266
检查失败案例
24:30.300–24:32.300
并把新规则写回系统
24:32.466–24:34.366
责任链必须同步调整
24:34.966–24:37.300
模型提供商负责基础能力
24:37.533–24:39.733
集成平台负责实时传输
24:39.966–24:42.466
企业负责工具和业务规则
24:42.766–24:45.533
最终操作又可能落在第三方系统
24:45.733–24:47.100
事故发生以后
24:47.133–24:50.133
任何一方都不能只说模型生成的
24:50.133–24:52.200
日志需要记录用户说了什么
24:52.566–24:53.900
模型怎样理解
24:54.133–24:55.400
调用了哪个工具
24:55.566–24:57.566
谁批准了不可逆动作
24:57.733–24:59.133
没有这条证据链
24:59.500–25:01.133
实时代理越能办事
25:01.200–25:02.966
出问题时越难追责
25:03.100–25:04.466
从技术路线看
25:04.500–25:05.866
Gemini3.8live
25:06.000–25:07.766
代表语音模型正在离开
25:07.766–25:09.900
会说话的聊天机器人阶段
25:10.066–25:11.900
它开始拥有持续状态
25:12.366–25:13.533
能够看到环境
25:13.600–25:15.366
能在后台调用工具
25:15.500–25:18.100
还能把复杂任务拆成多个步骤
25:18.166–25:21.400
可从35.1%的银行任务成功率看
25:21.400–25:22.800
它也远没有成为可以
25:22.800–25:24.900
独立承担责任的数字员工
25:25.466–25:27.166
能力跨过了产品门槛
25:27.200–25:29.600
可靠性还没有跨过制度门槛
25:29.800–25:31.933
还有一项体验会决定用户
25:31.933–25:34.066
是否真的愿意长期使用
25:34.266–25:35.333
那就是打断
25:35.933–25:37.466
人与人交谈时
25:37.466–25:38.966
对方说错一个日期
25:39.166–25:41.133
听者会立刻插话纠正
25:41.200–25:43.000
不会等整段话结束
25:43.266–25:44.733
实时模型必须在播放
25:44.733–25:46.666
语音的同时继续监听
25:46.800–25:48.333
判断用户是在附和
25:48.500–25:50.533
补充还是要求停止
25:50.966–25:52.000
判断太敏感
25:52.100–25:54.333
背景声音会频繁打断回答
25:54.400–25:55.500
判断太迟钝
25:55.733–25:57.333
系统又会恢复成过去
25:57.333–25:59.500
那种必须等它说完的机器
25:59.566–26:01.733
发布页强调流畅对话
26:01.766–26:03.466
真正的产品考验却在
26:03.466–26:05.133
这些毫秒级决定里
26:05.166–26:07.533
打断以后还要处理任务状态
26:08.000–26:09.600
用户说不要周五
26:09.600–26:10.800
改成周六
26:11.133–26:14.166
模型需要撤销尚未提交的查询条件
26:14.500–26:17.200
同时保留人数地点和预算
26:17.666–26:19.933
要是后台工具已经返回周五
26:20.066–26:23.000
结果系统不能把旧数据混入新方案
26:23.266–26:26.100
语音体验看起来只是一段声音
26:26.333–26:28.900
底下却需要严密的事务管理
26:29.533–26:32.866
Gemini3.8live把模型能力推到新的位置
26:32.966–26:34.666
也把传统软件工程的
26:34.666–26:36.766
问题重新带回AI产品
26:36.900–26:40.000
所以开头那个协议细节才重要
26:40.666–26:43.300
turn complete不再意味着任务结束
26:43.566–26:45.600
代表AI的工作第一次
26:45.600–26:47.733
可以延伸到一句话之后
26:47.866–26:50.133
用户听见的回答只是前台
26:50.133–26:52.200
后台还在推理和行动
26:52.300–26:53.766
下一场竞争不会只
26:53.766–26:55.366
比谁回答得更聪明
26:55.366–26:56.700
而会比谁能把这个
26:56.700–26:58.300
看不见的后台管住
27:19.066–27:21.100
他接下来必须证明的是
27:21.100–27:22.466
模型做错时
27:22.500–27:25.000
整个系统也知道怎样停下来
27:25.100–27:26.533
那个问题还没有关闭
27:26.800–27:28.733
而它会决定实时智能体
27:28.733–27:30.800
究竟成为下一代操作界面
27:30.866–27:33.000
还是下一批企业事故的来源
0:00.166–0:02.333
zh谷歌刚刚改掉了语音AI里
谷歌刚刚改掉了语音AI里
0:02.333–0:04.066
zh一个很不起眼的信号
一个很不起眼的信号
0:04.166–0:06.933
zh过去系统发出turn complete
过去系统发出turn complete
0:07.266–0:09.733
zh开发者就知道这一轮结束了
开发者就知道这一轮结束了
0:09.766–0:11.766
zh可以收尾释放状态
可以收尾释放状态
0:11.766–0:13.533
zh等用户说下一句话
等用户说下一句话
0:13.600–0:16.566
zh到了Gemini3.8 live EXTENDED thinking
到了Gemini3.8 live EXTENDED thinking
0:17.100–0:19.733
zh这个信号不再代表模型已经停下
这个信号不再代表模型已经停下
0:19.800–0:21.533
zh它可能还在后台推理
它可能还在后台推理
0:21.600–0:23.266
zh可能正在调用工具
可能正在调用工具
0:23.333–0:25.900
zh也可能过几秒又送回一段语音
也可能过几秒又送回一段语音
0:25.933–0:27.933
zh一个看似普通的协议变化
一个看似普通的协议变化
0:27.966–0:29.466
zh留下了真正的问题
留下了真正的问题
0:30.166–0:32.366
zh如果AI已经能一边和人说话
如果AI已经能一边和人说话
0:32.466–0:34.200
zh一边在后台继续工作
一边在后台继续工作
0:34.366–0:35.866
zh它还是语音助手
它还是语音助手
0:35.900–0:36.900
zh还是一个藏在
还是一个藏在
0:36.900–0:38.900
zh对话框背后的执行系统
对话框背后的执行系统
0:39.066–0:41.100
zh2025年9月15日
2025年9月15日
0:41.300–0:43.733
zh谷歌正式发布Gemini3.8live
谷歌正式发布Gemini3.8live
0:43.733–0:46.300
zh和Gemini3.8live EXTENDED THINKING
和Gemini3.8live EXTENDED THINKING
0:47.333–0:48.466
zh名字很接近
名字很接近
0:48.533–0:50.333
zh定位却被刻意拆开
定位却被刻意拆开
0:50.400–0:53.400
zh基础版主打规模成本和低延迟
基础版主打规模成本和低延迟
0:53.766–0:55.600
zh适合大量实时会话
适合大量实时会话
0:56.000–0:56.800
enextended thinking
extended thinking
0:57.133–0:59.200
zh负责复杂多步骤任务
负责复杂多步骤任务
0:59.533–1:01.133
zh允许模型在保持语音
允许模型在保持语音
1:01.133–1:02.866
zh交流的同时继续推理
交流的同时继续推理
1:03.100–1:04.600
zh谷歌没有把两者包装
谷歌没有把两者包装
1:04.600–1:06.800
zh成同一款模型的快慢档位
成同一款模型的快慢档位
1:06.866–1:09.866
zh而是把实时语音市场分成了两层
而是把实时语音市场分成了两层
1:10.000–1:13.266
zh大量便宜反应快的日常交互
大量便宜反应快的日常交互
1:13.366–1:15.700
zh以及需要更长思考更强
以及需要更长思考更强
1:15.700–1:17.500
zh工具调用的复杂工作
工具调用的复杂工作
1:17.866–1:18.866
zh过去十多年
过去十多年
1:19.066–1:20.500
zh手机里的语音助手
手机里的语音助手
1:20.500–1:22.333
zh一直卡在一个尴尬位置
一直卡在一个尴尬位置
1:22.533–1:25.666
zh它们能设闹钟查天气拨电话
它们能设闹钟查天气拨电话
1:25.666–1:27.766
zh也能回答结构简单的问题
也能回答结构简单的问题
1:28.100–1:29.900
zh一旦任务跨过几个步骤
一旦任务跨过几个步骤
1:30.200–1:31.933
zh体验就会迅速崩掉
体验就会迅速崩掉
1:32.200–1:33.400
zh用户说一句话
用户说一句话
1:33.500–1:35.200
zh语音先被转成文字
语音先被转成文字
1:35.400–1:37.066
zh文字交给语言模型
文字交给语言模型
1:37.500–1:38.766
zh模型生成答案
模型生成答案
1:38.800–1:41.466
zh再由另一个系统把文字念出来
再由另一个系统把文字念出来
1:41.533–1:42.600
zh每经过一层
每经过一层
1:42.966–1:44.300
zh延迟都会增加
延迟都会增加
1:44.400–1:47.666
zh语气停顿和现场信息也会损失
语气停顿和现场信息也会损失
1:47.800–1:49.066
zh用户打断时
用户打断时
1:49.333–1:51.866
zh系统还得判断这究竟是补充要求
系统还得判断这究竟是补充要求
1:51.866–1:53.266
zh还是要求它闭嘴
还是要求它闭嘴
1:53.466–1:56.133
zhGemini3.8live试图把这条流水线
Gemini3.8live试图把这条流水线
1:56.133–1:58.166
zh压成一套原生的实时模型
压成一套原生的实时模型
1:58.500–1:59.766
zh它直接接收音频
它直接接收音频
1:59.766–2:02.866
zh也能同时接收文字图像和视频
也能同时接收文字图像和视频
2:03.000–2:05.166
zh再直接输出语音与文字
再直接输出语音与文字
2:05.200–2:06.366
zh对用户来说
对用户来说
2:06.466–2:08.600
zh变化不止体现在声音更顺
变化不止体现在声音更顺
2:08.733–2:12.100
zh更关键的是模型能够保留说话方式
更关键的是模型能够保留说话方式
2:12.200–2:15.100
zh视觉环境和任务状态之间的联系
视觉环境和任务状态之间的联系
2:15.566–2:16.900
zh摄像头对着设备
摄像头对着设备
2:16.933–2:19.400
zh用户可以边移动镜头边追问
用户可以边移动镜头边追问
2:19.666–2:21.066
zh画面发生变化
画面发生变化
2:21.133–2:22.733
zh回答也能跟着调整
回答也能跟着调整
2:22.933–2:25.933
zh语音不再只是把文字送进去的入口
语音不再只是把文字送进去的入口
2:26.066–2:28.300
zh而是整个交互过程的一部分
而是整个交互过程的一部分
2:28.400–2:30.666
zh但基础版最有价值的能力
但基础版最有价值的能力
2:30.866–2:32.866
zh可能并不在对话本身
可能并不在对话本身
2:33.000–2:34.800
zh而在异步函数调用
而在异步函数调用
2:35.366–2:38.266
zh传统语音智能体调用外部工具时
传统语音智能体调用外部工具时
2:38.266–2:39.733
zh经常要停下来等
经常要停下来等
2:39.800–2:40.866
zh它查订单
它查订单
2:40.900–2:42.700
zh就等订单系统回传
就等订单系统回传
2:43.166–2:44.200
zh它安排日程
它安排日程
2:44.333–2:46.100
zh就等日历接口完成
就等日历接口完成
2:46.666–2:47.800
zh他修改账户
他修改账户
2:47.800–2:49.666
zh就等权限验证结束
就等权限验证结束
2:49.866–2:51.133
zh几秒钟的停顿
几秒钟的停顿
2:51.300–2:53.133
zh放在网页里不算什么
放在网页里不算什么
2:53.300–2:54.866
zh放在电话里却足以
放在电话里却足以
2:54.866–2:56.666
zh让人怀疑线路断了
让人怀疑线路断了
2:56.733–2:58.166
enGemini3.8live
Gemini3.8live
2:58.300–3:00.266
zh可以让工具在后台运行
可以让工具在后台运行
3:00.266–3:01.600
zh前台对话继续
前台对话继续
3:02.066–3:03.700
zh模型能先确认请求
模型能先确认请求
3:03.700–3:05.400
zh也能补问必要信息
也能补问必要信息
3:05.533–3:08.600
zh甚至在任务执行期间解释当前进度
甚至在任务执行期间解释当前进度
3:08.733–3:11.700
zh查航班和确认酒店可以同时进行
查航班和确认酒店可以同时进行
3:11.800–3:13.333
zh用户临时改变日期
用户临时改变日期
3:13.600–3:15.800
zh系统再调整尚未提交的步骤
系统再调整尚未提交的步骤
3:16.366–3:18.200
zh这里出现的是一套开始具备
这里出现的是一套开始具备
3:18.200–3:20.366
zh并行工作能力的语音执行层
并行工作能力的语音执行层
3:20.733–3:22.733
zh聊天只是它的前台表现
聊天只是它的前台表现
3:23.166–3:25.933
zhextended thinking把这条路线推得更远
extended thinking把这条路线推得更远
3:26.133–3:27.600
zh复杂任务到来时
复杂任务到来时
3:27.766–3:30.066
zh它可以先说一句正在检查
它可以先说一句正在检查
3:30.200–3:32.366
zh随后继续做多步骤推理
随后继续做多步骤推理
3:32.700–3:34.400
zh模型的后台状态不会
模型的后台状态不会
3:34.400–3:36.600
zh因为一句回答结束而清空
因为一句回答结束而清空
3:36.733–3:39.366
zh开发者必须持续监听服务器信息
开发者必须持续监听服务器信息
3:39.766–3:41.733
zh通过interaction status判断
通过interaction status判断
3:41.733–3:43.933
zh他仍在思考等待工具
他仍在思考等待工具
3:43.966–3:45.500
zh还是已经真正空闲
还是已经真正空闲
3:45.666–3:46.566
zh也就是说
也就是说
3:46.766–3:48.900
zh应用不能再把一次对话当成
应用不能再把一次对话当成
3:48.900–3:51.533
zh问一句答一句的回合制游戏
问一句答一句的回合制游戏
3:51.766–3:54.000
zh它需要管理一个持续存在
它需要管理一个持续存在
3:54.400–3:57.000
zh随时可能返回新动作的代理状态
随时可能返回新动作的代理状态
3:57.166–3:59.100
zh这个变化听起来很技术
这个变化听起来很技术
3:59.300–4:01.066
zh商业影响却很直接
商业影响却很直接
4:01.200–4:03.166
zh客服系统过去按照通话
客服系统过去按照通话
4:03.166–4:05.133
zh时长和单轮处理设计
时长和单轮处理设计
4:05.566–4:07.666
zh新的语音代理可能在一通电话
新的语音代理可能在一通电话
4:07.666–4:10.500
zh里同时访问知识库核对身份
里同时访问知识库核对身份
4:10.666–4:13.466
zh修改后台记录并生成后续邮件
修改后台记录并生成后续邮件
4:13.666–4:16.333
zh办公软件过去等用户点击菜单
办公软件过去等用户点击菜单
4:16.600–4:18.266
zh新系统则允许用户用
新系统则允许用户用
4:18.266–4:19.966
zh连续语音描述目标
连续语音描述目标
4:20.100–4:22.366
zh让模型跨越邮件文档
让模型跨越邮件文档
4:22.366–4:24.266
zh和待办事项处理工作
和待办事项处理工作
4:24.466–4:26.466
zh产品界面也会随之变化
产品界面也会随之变化
4:26.566–4:28.400
zh屏幕上的按钮不会消失
屏幕上的按钮不会消失
4:28.533–4:31.466
zh但越来越多操作会从用户自己点完
但越来越多操作会从用户自己点完
4:31.466–4:33.100
zh变成用户交代目标
变成用户交代目标
4:33.266–4:34.566
zh系统汇报过程
系统汇报过程
4:34.866–4:37.500
zh谷歌给出的演示很能说明方向
谷歌给出的演示很能说明方向
4:37.900–4:39.733
zh模型可以根据实时画面
模型可以根据实时画面
4:39.733–4:41.766
zh指导员工完成入职流程
指导员工完成入职流程
4:41.933–4:44.800
zh可以观察棋盘并保持自然对话
可以观察棋盘并保持自然对话
4:44.866–4:47.400
zh也可以把手绘草图和语音修改
也可以把手绘草图和语音修改
4:47.400–4:50.200
zh要求变成可运行的react组件
要求变成可运行的react组件
4:50.333–4:52.700
zh另一个场景是多步骤预定
另一个场景是多步骤预定
4:53.166–4:55.733
zh模型同时协调不同函数调用
模型同时协调不同函数调用
4:55.733–4:57.133
zh又不让谈话中断
又不让谈话中断
4:57.400–4:59.066
zh这些例子看起来分散
这些例子看起来分散
4:59.200–5:00.966
zh底层依赖同一种能力
底层依赖同一种能力
5:01.300–5:03.400
zh让视觉与语音交互连
让视觉与语音交互连
5:03.400–5:05.500
zh到推理和工具调用中
到推理和工具调用中
5:05.500–5:07.400
zh并维持一个持续会话
并维持一个持续会话
5:07.600–5:10.300
zh语言覆盖也被扩大到97种
语言覆盖也被扩大到97种
5:10.600–5:11.966
zh系统可以在谈话中
系统可以在谈话中
5:11.966–5:13.766
zh自动发现语言变化
自动发现语言变化
5:13.866–5:16.566
zh不要求用户先进入设置切换
不要求用户先进入设置切换
5:16.733–5:18.966
zh对于跨国客服与旅游服务
对于跨国客服与旅游服务
5:19.066–5:21.466
zh以及医疗预约和远程协作
以及医疗预约和远程协作
5:21.500–5:24.166
zh这比单纯增加语言数量更实用
这比单纯增加语言数量更实用
5:24.366–5:27.333
zh真实交流经常混入公司名和产品名
真实交流经常混入公司名和产品名
5:27.800–5:30.400
zh也常夹着数字与英文缩写
也常夹着数字与英文缩写
5:30.700–5:33.700
zh一段话里切换两种语言并不少见
一段话里切换两种语言并不少见
5:33.800–5:36.200
zh谷歌还特别强调字母数字精度
谷歌还特别强调字母数字精度
5:36.266–5:38.333
zh因为验证码和理赔编号
因为验证码和理赔编号
5:38.400–5:40.266
zh以及地址与技术参数
以及地址与技术参数
5:40.333–5:41.933
zh正是语音系统最容易
正是语音系统最容易
5:41.933–5:44.266
zh听错又最不能听错的内容
听错又最不能听错的内容
5:44.533–5:47.200
zh不过模型支持97种语言
不过模型支持97种语言
5:47.200–5:50.266
zh不等于97种语言都达到同样水平
不等于97种语言都达到同样水平
5:50.500–5:52.733
zh训练数据口音覆盖和
训练数据口音覆盖和
5:52.733–5:54.900
zh地区用词都会影响表现
地区用词都会影响表现
5:54.933–5:57.366
zh一个模型在英语测试里领先
一个模型在英语测试里领先
5:57.366–6:00.766
zh不能自动证明它能处理粤语加英文
不能自动证明它能处理粤语加英文
6:00.800–6:03.733
zh印度英语或嘈杂门店里的专业术语
印度英语或嘈杂门店里的专业术语
6:04.100–6:06.266
zh谷歌公布的是能力边界
谷歌公布的是能力边界
6:06.600–6:09.133
zh企业真正部署前仍要用自己
企业真正部署前仍要用自己
6:09.133–6:12.600
zh的用户设备和环境重新测试
的用户设备和环境重新测试
6:12.800–6:15.666
zh官方模型卡给出了更清楚的规格
官方模型卡给出了更清楚的规格
6:15.866–6:19.100
zh两款模型都建立在Gemini3Pro之上
两款模型都建立在Gemini3Pro之上
6:19.133–6:21.066
zh可以接收文字与图片
可以接收文字与图片
6:21.133–6:23.133
zh也能处理视频和音频
也能处理视频和音频
6:23.500–6:27.000
zh上下文上限为131,072个TOKEN
上下文上限为131,072个TOKEN
6:27.333–6:30.733
zh输出上限为65,536个TOKEN
输出上限为65,536个TOKEN
6:31.300–6:33.266
zhEXTENDED thinking支持搜索
EXTENDED thinking支持搜索
6:33.266–6:35.200
zh接地和异步函数调用
接地和异步函数调用
6:35.200–6:37.866
zh却不支持代码执行与文件搜索
却不支持代码执行与文件搜索
6:38.266–6:41.100
zh也没有结构化输出和网址上下文
也没有结构化输出和网址上下文
6:41.200–6:43.933
zh功能表里的一排不支持很重要
功能表里的一排不支持很重要
6:44.100–6:45.500
zh它提醒开发者
它提醒开发者
6:45.500–6:47.866
zh这是一款为实时语音和
这是一款为实时语音和
6:47.866–6:49.766
zh工具协作优化的模型
工具协作优化的模型
6:50.066–6:51.566
zh并没有把所有Gemini
并没有把所有Gemini
6:51.566–6:53.466
zh能力都塞进电话线路
能力都塞进电话线路
6:53.566–6:56.466
zh谷歌把边说边想放在发布重点里
谷歌把边说边想放在发布重点里
6:56.600–6:58.600
zh评测自然也集中在语音
评测自然也集中在语音
6:58.666–7:00.700
zh质量推理和任务完成
质量推理和任务完成
7:01.000–7:03.100
enGemini 3.8 live
Gemini 3.8 live
7:03.333–7:04.133
enEXTENDED thinking
EXTENDED thinking
7:04.166–7:05.733
enAI Artificial Analysis
AI Artificial Analysis
7:05.800–7:07.700
enspeech to speech quality index
speech to speech quality index
7:07.700–7:09.500
zh模型獲得82.6分
模型獲得82.6分
7:09.666–7:13.000
zh这个指数把语音推理对话动态
这个指数把语音推理对话动态
7:13.100–7:15.800
zh和代理任务表现合在一起计算
和代理任务表现合在一起计算
7:16.200–7:20.566
zh在BigBench Audio中達到97.7%
在BigBench Audio中達到97.7%
7:20.733–7:22.966
zh在测试智能体任务完成
在测试智能体任务完成
7:22.966–7:26.933
zh在測試智能體任務完成能力的Tall Voice里達到68.6%
在測試智能體任務完成能力的Tall Voice里達到68.6%
7:27.166–7:29.533
zh这些数字解释了谷歌为什么敢把
这些数字解释了谷歌为什么敢把
7:29.533–7:31.966
zh它称为最先进的实时对话模型
它称为最先进的实时对话模型
7:32.133–7:34.800
zh可真正值得盯住的数字是
可真正值得盯住的数字是
7:34.800–7:37.966
zh银行业务基准里的35.1%
银行业务基准里的35.1%
7:37.966–7:39.866
zh这个测试要求语音代理
这个测试要求语音代理
7:39.866–7:41.933
zh处理多步骤银行流程
处理多步骤银行流程
7:42.200–7:43.733
zh成功率越过三成
成功率越过三成
7:44.166–7:47.566
zh却仍有接近2/3的任务没有完整完成
却仍有接近2/3的任务没有完整完成
7:47.666–7:51.966
zh82.6分很适合放在发布会大屏幕上
82.6分很适合放在发布会大屏幕上
7:52.166–7:53.700
en35.1%
35.1%
7:54.066–7:57.066
zh更接近企业部署时必须面对的现实
更接近企业部署时必须面对的现实
7:57.366–7:59.133
zh模型已经能处理过去
模型已经能处理过去
7:59.133–8:00.733
zh做不到的复杂流程
做不到的复杂流程
8:01.133–8:03.300
zh但离可以把高风险业务放心
但离可以把高风险业务放心
8:03.300–8:05.933
zh交出去仍然隔着很长一段路
交出去仍然隔着很长一段路
8:05.933–8:09.100
zh这也说明语音AI的竞争正在换指标
这也说明语音AI的竞争正在换指标
8:09.466–8:12.200
zh早期产品比较谁的声音更像真人
早期产品比较谁的声音更像真人
8:12.366–8:14.700
zh随后比较首个音节要等多久
随后比较首个音节要等多久
8:14.766–8:16.966
zh现在声音自然只是门票
现在声音自然只是门票
8:17.166–8:18.933
zh真正决定价值的是
真正决定价值的是
8:18.933–8:20.866
zh一通对话结束以后
一通对话结束以后
8:21.200–8:22.666
zh事情有没有办成
事情有没有办成
8:22.900–8:24.366
zh记录有没有写对
记录有没有写对
8:24.566–8:25.933
zh权限有没有越界
权限有没有越界
8:26.200–8:27.866
zh用户临时改口以后
用户临时改口以后
8:27.866–8:29.733
zh系统有没有撤回旧操作
系统有没有撤回旧操作
8:29.900–8:31.466
zh一个声音很自然
一个声音很自然
8:31.700–8:33.300
zh任务却做错的代理
任务却做错的代理
8:33.300–8:35.300
zh只会让错误更有迷惑性
只会让错误更有迷惑性
8:35.500–8:38.000
zh排行榜本身也需要谨慎解读
排行榜本身也需要谨慎解读
8:38.466–8:39.600
zh官方发布时
官方发布时
8:39.800–8:42.333
zh基础版Gemini 3.8live在
基础版Gemini 3.8live在
8:42.333–8:44.300
zh盲测偏好中排名靠前
盲测偏好中排名靠前
8:44.866–8:47.533
zhextended thinking在综合质量指数领先
extended thinking在综合质量指数领先
8:47.600–8:49.933
zh可不同榜单测量的东西不同
可不同榜单测量的东西不同
8:50.500–8:52.533
zh模型设置和思考强度
模型设置和思考强度
8:52.566–8:54.466
zh再加上延迟与价格
再加上延迟与价格
8:54.500–8:55.933
zh都会改变结果
都会改变结果
8:56.400–8:59.466
zh盲测更看重人是否喜欢这段对话
盲测更看重人是否喜欢这段对话
8:59.733–9:02.700
zh任务基准更看重流程是否完成
任务基准更看重流程是否完成
9:02.866–9:05.300
zh企业不能只选总分最高的模型
企业不能只选总分最高的模型
9:05.466–9:06.800
zh还得确认自己的
还得确认自己的
9:06.800–9:08.800
zh任务更怕延迟与费用
任务更怕延迟与费用
9:09.200–9:11.933
zh还是听错数字或错误调用工具
还是听错数字或错误调用工具
9:12.133–9:15.166
zh价格正是谷歌这次进攻的另一部分
价格正是谷歌这次进攻的另一部分
9:15.733–9:17.800
zh官方开发者资料给出的音频
官方开发者资料给出的音频
9:17.800–9:21.100
zh输入价格约为每分钟0.005美元
输入价格约为每分钟0.005美元
9:21.366–9:24.666
zh音频输出约为每分钟0.018美元
音频输出约为每分钟0.018美元
9:25.100–9:27.766
zh连续输入一小时大约0.3美元
连续输入一小时大约0.3美元
9:28.100–9:30.766
zh连续输出一小时约1.08美元
连续输出一小时约1.08美元
9:30.933–9:33.666
zh真实通话不会始终由同一方说话
真实通话不会始终由同一方说话
9:34.066–9:36.566
zh实际账单还取决于沉默处理
实际账单还取决于沉默处理
9:36.700–9:40.366
zh上下文长度工具调用和会话管理
上下文长度工具调用和会话管理
9:40.566–9:43.533
zh但这个价格已经足以让大规模客服
但这个价格已经足以让大规模客服
9:43.766–9:46.766
zh陪练和企业助手认真计算替代方案
陪练和企业助手认真计算替代方案
9:46.966–9:49.800
zh谷歌选在这个时间点推出两款模型
谷歌选在这个时间点推出两款模型
9:50.266–9:52.166
zh也暴露了他对市场的判断
也暴露了他对市场的判断
9:52.500–9:55.100
zh实时语音不会只有一个冠军通吃
实时语音不会只有一个冠军通吃
9:55.266–9:56.600
zh高频简单
高频简单
9:56.700–9:59.366
zh成本敏感的业务需要基础版
成本敏感的业务需要基础版
9:59.933–10:02.700
zh少量复杂价值更高的流程
少量复杂价值更高的流程
10:02.700–10:04.766
zh才值得开启extended thinking
才值得开启extended thinking
10:05.066–10:06.466
zh要是每次查天气都
要是每次查天气都
10:06.466–10:08.100
zh让模型长时间推理
让模型长时间推理
10:08.366–10:09.666
zh用户会觉得慢
用户会觉得慢
10:09.900–10:12.500
zh企业也会为没有必要的计算付钱
企业也会为没有必要的计算付钱
10:12.700–10:14.766
zh双模型结构等于把什么时候
双模型结构等于把什么时候
10:14.766–10:17.700
zh值得思考变成产品设计的一部分
值得思考变成产品设计的一部分
10:18.100–10:20.600
zh开发者还要承担新的工程成本
开发者还要承担新的工程成本
10:20.866–10:23.933
zh要求函数调用全部采用异步方式
要求函数调用全部采用异步方式
10:24.200–10:27.266
zh客户端不能在出现后立即关闭连接
客户端不能在出现后立即关闭连接
10:27.666–10:28.866
zh后台推理可能继续
后台推理可能继续
10:28.866–10:30.966
zh返回工具请求和音频帧
返回工具请求和音频帧
10:31.466–10:33.966
zh应用必须能取消和处理超时
应用必须能取消和处理超时
10:34.166–10:37.000
zh还要防止重复提交并恢复状态
还要防止重复提交并恢复状态
10:37.166–10:39.100
zh用户说算了不要定
用户说算了不要定
10:39.466–10:42.200
zh系统能否及时终止已经启动的步骤
系统能否及时终止已经启动的步骤
10:42.400–10:44.166
zh网路短暂中断以后
网路短暂中断以后
10:44.300–10:47.266
zh模型会不会把同一笔操作执行两次
模型会不会把同一笔操作执行两次
10:47.533–10:48.966
zh这些问题不会出现在
这些问题不会出现在
10:48.966–10:50.700
zh漂亮的语音演示里
漂亮的语音演示里
10:50.700–10:52.900
zh却会决定产品能不能上线
却会决定产品能不能上线
10:53.066–10:55.266
zh权限设计也比过去更难
权限设计也比过去更难
10:55.333–10:58.066
zh一个只能回答问题的模型说错话
一个只能回答问题的模型说错话
10:58.133–10:59.600
zh主要风险是误导
主要风险是误导
10:59.766–11:01.966
zh一个可以访问邮箱与日历
一个可以访问邮箱与日历
11:02.133–11:03.900
zh还能接触客户资料和
还能接触客户资料和
11:03.900–11:05.900
zh付款接口的模型说错话
付款接口的模型说错话
11:06.200–11:08.133
zh风险会变成真实动作
风险会变成真实动作
11:08.266–11:10.100
zh企业需要把能听懂请求
企业需要把能听懂请求
11:10.100–11:12.166
zh和有权执行请求拆开
和有权执行请求拆开
11:12.366–11:14.200
zh查询信息可以自动完成
查询信息可以自动完成
11:14.666–11:17.900
zh修改账户发送敏感邮件或提交交易
修改账户发送敏感邮件或提交交易
11:17.900–11:19.600
zh应当触发再次确认
应当触发再次确认
11:19.800–11:20.900
zh语音越自然
语音越自然
11:20.900–11:23.500
zh越不能让用户误以为系统拥有
越不能让用户误以为系统拥有
11:23.500–11:26.100
zh和人类员工相同的判断能力
和人类员工相同的判断能力
11:26.300–11:29.000
zh银行场景能把这套矛盾看得最清楚
银行场景能把这套矛盾看得最清楚
11:29.366–11:31.466
zh客户打电话修改通讯地址
客户打电话修改通讯地址
11:31.666–11:33.200
zh表面只是几句话
表面只是几句话
11:33.300–11:35.000
zh后台先要验证身份
后台先要验证身份
11:35.200–11:37.166
zh查询账户和提示风险
查询账户和提示风险
11:37.333–11:40.200
zh随后还要变更资料并留下审计记录
随后还要变更资料并留下审计记录
11:40.366–11:41.600
zh任何一步做错
任何一步做错
11:41.600–11:44.666
zh后面的动作都会建立在错误状态上
后面的动作都会建立在错误状态上
11:45.366–11:47.466
zh实时模型的优势是不用把
实时模型的优势是不用把
11:47.466–11:49.933
zh客户反复转接给不同菜单
客户反复转接给不同菜单
11:50.266–11:52.733
zh风险则是它可能用非常自然的
风险则是它可能用非常自然的
11:52.733–11:56.133
zh语气把一条错误路径执行到底
语气把一条错误路径执行到底
11:56.333–11:58.100
zh因此企业需要给每个
因此企业需要给每个
11:58.100–11:59.700
zh工具设置独立权限
工具设置独立权限
12:00.000–12:02.366
zh不能因为模型通过了身份验证
不能因为模型通过了身份验证
12:02.366–12:03.900
zh就默认它获得整场
就默认它获得整场
12:03.900–12:05.666
zh会话的全部操作权
会话的全部操作权
12:06.100–12:07.600
zh医疗预约也一样
医疗预约也一样
12:07.766–12:09.566
zh模型可以查看时间表
模型可以查看时间表
12:09.666–12:10.700
zh询问症状
询问症状
12:10.733–12:11.666
zh匹配科室
匹配科室
12:11.700–12:12.800
zh再发送提醒
再发送提醒
12:12.933–12:15.000
zh这些工作很适合自动化
这些工作很适合自动化
12:15.100–12:17.600
zh可它不能因为听见几个关键词
可它不能因为听见几个关键词
12:17.600–12:19.200
zh就替医生做诊断
就替医生做诊断
12:20.066–12:21.500
zh系统必须把行政
系统必须把行政
12:21.500–12:23.533
zh流程和医疗判断分开
流程和医疗判断分开
12:23.600–12:25.400
zh哪句话只是收集信息
哪句话只是收集信息
12:25.566–12:27.366
zh哪句话属于健康建议
哪句话属于健康建议
12:27.500–12:29.333
zh什么情况必须转给真人
什么情况必须转给真人
12:29.333–12:31.966
zh都应在模型之外写成明确规则
都应在模型之外写成明确规则
12:32.333–12:34.066
zh模型越能自由交流
模型越能自由交流
12:34.166–12:35.933
zh外部规则越要清楚
外部规则越要清楚
12:36.166–12:39.133
zh企业培训可能成为更早成熟的市场
企业培训可能成为更早成熟的市场
12:39.500–12:42.466
zh谈判训练销售陪练和客服模拟
谈判训练销售陪练和客服模拟
12:42.466–12:45.000
zh不需要模型真的修改客户账户
不需要模型真的修改客户账户
12:45.133–12:48.600
zh却非常依赖语气打断和连续追问
却非常依赖语气打断和连续追问
12:48.766–12:51.333
zhGemini 3.8live可以扮演
Gemini 3.8live可以扮演
12:51.333–12:53.066
zh不同类型的对话对象
不同类型的对话对象
12:53.300–12:55.866
zh根据学员表现及时改变难度
根据学员表现及时改变难度
12:55.866–12:58.366
zh再把交流记录交给评估系统
再把交流记录交给评估系统
12:58.600–13:00.300
zh这里即使出现错误
这里即使出现错误
13:00.300–13:02.600
zh也容易在训练结束后纠正
也容易在训练结束后纠正
13:03.000–13:05.166
zh部署风险低于金融交易
部署风险低于金融交易
13:05.200–13:07.966
zh却能充分利用实时语音的优势
却能充分利用实时语音的优势
13:08.266–13:10.733
zh无障碍交互同样值得注意
无障碍交互同样值得注意
13:10.933–13:13.300
zh用户可以把摄像头对准设备
用户可以把摄像头对准设备
13:13.300–13:15.866
zh让模型用语音描述按钮位置
让模型用语音描述按钮位置
13:15.866–13:18.100
zh或者边操作边询问下一步
或者边操作边询问下一步
13:18.466–13:19.533
zh视力受限者
视力受限者
13:19.733–13:21.333
zh手部操作不便者
手部操作不便者
13:21.333–13:23.566
zh以及不熟悉复杂软件的人
以及不熟悉复杂软件的人
13:23.666–13:25.966
zh都可能因此减少学习成本
都可能因此减少学习成本
13:26.066–13:28.066
zh不过视觉帧率
不过视觉帧率
13:28.500–13:31.166
zh环境光线和网络延迟会影响判断
环境光线和网络延迟会影响判断
13:31.533–13:33.300
zh模型看漏一个指示灯
模型看漏一个指示灯
13:33.366–13:35.600
zh后面的指导就可能失去依据
后面的指导就可能失去依据
13:35.700–13:37.300
zh无障碍工具更需要
无障碍工具更需要
13:37.300–13:38.933
zh明确表达不确定性
明确表达不确定性
13:38.966–13:41.466
zh不能为了流畅而假装看清了
不能为了流畅而假装看清了
13:41.466–13:44.100
zh这些场景共同指向一个工程原则
这些场景共同指向一个工程原则
13:44.533–13:46.400
zh实时语音代理不应只按
实时语音代理不应只按
13:46.933–13:48.800
zh回答是否好听验收
回答是否好听验收
13:49.066–13:50.800
zh还要拆成多个指标
还要拆成多个指标
13:50.900–13:52.400
zh听写是否准确
听写是否准确
13:53.100–13:55.733
zh身份信息有没有串到下一名用户
身份信息有没有串到下一名用户
13:56.300–13:57.933
zh工具参数是否正确
工具参数是否正确
13:58.166–14:00.333
zh取消指令能否及时生效
取消指令能否及时生效
14:00.600–14:03.000
zh长会话以后状态会不会漂移
长会话以后状态会不会漂移
14:03.266–14:05.733
zh网路恢复后是否重复执行
网路恢复后是否重复执行
14:05.800–14:07.133
zh都要单独测试
都要单独测试
14:07.400–14:09.766
zh传统聊天机器人的离线
传统聊天机器人的离线
14:09.766–14:11.966
zh问答集覆盖不了这些问题
问答集覆盖不了这些问题
14:12.133–14:14.400
zh官方评测也暴露了这一点
官方评测也暴露了这一点
14:14.800–14:17.300
zhartificial analysis的综合指数把
artificial analysis的综合指数把
14:17.300–14:19.500
zh多项能力合并成一个分数
多项能力合并成一个分数
14:19.666–14:21.066
zh便于横向比较
便于横向比较
14:21.133–14:23.000
zh却无法替代业务测试
却无法替代业务测试
14:23.333–14:25.333
zhtop voice测量代理在完整
top voice测量代理在完整
14:25.333–14:27.200
zh语音任务中的完成情况
语音任务中的完成情况
14:27.333–14:30.000
zh已经比单轮问答接近真实使用
已经比单轮问答接近真实使用
14:30.366–14:31.933
zh银行基准进一步加入
银行基准进一步加入
14:31.933–14:33.666
zh规则和多步骤流程
规则和多步骤流程
14:33.800–14:35.866
zh所以成功率明显下降
所以成功率明显下降
14:36.166–14:37.800
zh任务越接近现实
任务越接近现实
14:37.900–14:39.566
zh票量分数越难维持
票量分数越难维持
14:39.766–14:42.700
zh35.1%直接标出了企业
35.1%直接标出了企业
14:42.700–14:44.166
zh自动化的真实边界
自动化的真实边界
14:44.466–14:46.533
zh不能简单算作发布失败
不能简单算作发布失败
14:46.666–14:49.266
zh还有一个容易忽略的成本是上下文
还有一个容易忽略的成本是上下文
14:49.666–14:51.733
zh实时会话不断积累音频
实时会话不断积累音频
14:51.933–14:54.800
zh视觉帧工具结果和系统状态
视觉帧工具结果和系统状态
14:55.066–14:57.300
zh即使每分钟音频价格很低
即使每分钟音频价格很低
14:57.500–14:59.100
zh长时间保留全部内容
长时间保留全部内容
14:59.100–15:00.866
zh也会增加推理负担
也会增加推理负担
15:01.000–15:02.400
zh产品需要决定哪些
产品需要决定哪些
15:02.400–15:04.766
zh信息继续留在上下文里
信息继续留在上下文里
15:04.900–15:06.500
zh哪些压缩成摘要
哪些压缩成摘要
15:06.666–15:09.266
zh哪些在任务结束后立即删除
哪些在任务结束后立即删除
15:09.600–15:10.600
zh压缩太早
压缩太早
15:10.766–15:13.566
zh模型可能忘记用户刚刚修改的条件
模型可能忘记用户刚刚修改的条件
15:13.900–15:15.066
zh什么都保留
什么都保留
15:15.166–15:18.666
zh费用延迟和隐私风险都会上升
费用延迟和隐私风险都会上升
15:18.733–15:21.700
zh这会催生一层新的会话基础设施
这会催生一层新的会话基础设施
15:22.200–15:24.900
zh他要检测语音活动和处理打断
他要检测语音活动和处理打断
15:25.100–15:27.766
zh也要压缩状态管理工具队列
也要压缩状态管理工具队列
15:27.966–15:30.866
zh并负责用户确认与错误恢复
并负责用户确认与错误恢复
15:31.133–15:33.133
zh基础模型给出能力上限
基础模型给出能力上限
15:33.466–15:34.966
zh这层基础设施决定
这层基础设施决定
15:34.966–15:36.733
zh能力能否稳定落地
能力能否稳定落地
15:36.933–15:40.666
zh谷歌同時與Livekit、Agora、Pipecat
谷歌同時與Livekit、Agora、Pipecat
15:41.200–15:43.866
zhLang chain和Versatile等平台合作
Lang chain和Versatile等平台合作
15:44.000–15:45.133
zh原因就在这里
原因就在这里
15:45.133–15:46.800
zh多数开发团队不愿从头
多数开发团队不愿从头
15:46.800–15:48.566
zh处理实时音视频传输
处理实时音视频传输
15:48.733–15:51.100
zh他们更希望直接设计业务流程
他们更希望直接设计业务流程
15:51.266–15:53.533
zh产品经理面对的问题也变了
产品经理面对的问题也变了
15:53.566–15:55.400
zh过去设计语音助手
过去设计语音助手
15:55.500–15:57.966
zh需要为每个意图写固定路线
需要为每个意图写固定路线
15:58.333–16:00.500
zh现在模型能理解开放表达
现在模型能理解开放表达
16:00.666–16:02.866
zh团队不用穷举所有说法
团队不用穷举所有说法
16:02.866–16:04.600
zh却必须规定哪些目标
却必须规定哪些目标
16:04.600–16:06.500
zh允许模型自行拆解
允许模型自行拆解
16:06.566–16:07.766
zh自由度越高
自由度越高
16:07.900–16:09.333
zh测试空间越大
测试空间越大
16:09.333–16:11.200
zh一个用户可能先订酒店
一个用户可能先订酒店
16:11.300–16:13.200
zh再突然要求取消航班
再突然要求取消航班
16:13.366–16:15.266
zh随后补充同行者信息
随后补充同行者信息
16:15.766–16:18.266
zh系统得知道哪些动作仍在草稿
系统得知道哪些动作仍在草稿
16:18.366–16:19.733
zh哪些已经提交
哪些已经提交
16:19.866–16:21.166
zh哪些需要退款
哪些需要退款
16:21.300–16:23.333
zh自然语言只是入口
自然语言只是入口
16:23.566–16:25.733
zh真正困难的是交易状态
真正困难的是交易状态
16:25.966–16:28.966
zh谷歌把可配置思考加入EXTENDED thinking
谷歌把可配置思考加入EXTENDED thinking
16:29.300–16:32.066
zh也是在处理成本与可靠性的冲突
也是在处理成本与可靠性的冲突
16:32.533–16:34.933
zh简单问题不需要长时间推理
简单问题不需要长时间推理
16:35.566–16:38.166
zh复杂流程才值得付出更多计算
复杂流程才值得付出更多计算
16:38.333–16:39.666
zh企业可以根据任务
企业可以根据任务
16:39.666–16:41.533
zh风险调整思考强度
风险调整思考强度
16:41.666–16:44.766
zh高价值操作用更严格的推理和验证
高价值操作用更严格的推理和验证
16:45.100–16:47.333
zh普通查询则优先保证速度
普通查询则优先保证速度
16:47.400–16:49.200
zh但思考时间更长并不
但思考时间更长并不
16:49.200–16:50.900
zh自动等于结果正确
自动等于结果正确
16:51.133–16:54.300
zh模型可能用更多步骤巩固错误假设
模型可能用更多步骤巩固错误假设
16:54.900–16:56.366
zh因此仍要依靠外部
因此仍要依靠外部
16:56.366–16:58.366
zh数据和工具回传纠正
数据和工具回传纠正
16:58.866–17:01.200
zh实时进度播报也需要节制
实时进度播报也需要节制
17:01.533–17:03.900
zh模型如果每走一步都解释
模型如果每走一步都解释
17:04.000–17:06.966
zh会拉长通话并增加输出费用
会拉长通话并增加输出费用
17:07.400–17:08.400
zh完全沉默
完全沉默
17:08.500–17:10.900
zh用户又不知道任务是否卡住
用户又不知道任务是否卡住
17:10.933–17:13.400
zh合理做法是只在状态发生变化
合理做法是只在状态发生变化
17:13.533–17:15.333
zh需要用户补充信息或
需要用户补充信息或
17:15.333–17:17.266
zh等待明显变长时播报
等待明显变长时播报
17:17.566–17:19.533
zh这个细节会决定AI听起来像
这个细节会决定AI听起来像
17:19.533–17:21.266
zh一个有效率的服务人员
一个有效率的服务人员
17:21.333–17:24.000
zh还是一个不停描述自己动作的系统
还是一个不停描述自己动作的系统
17:24.266–17:26.733
zh视觉输入又打开了另一条供给面
视觉输入又打开了另一条供给面
17:27.066–17:29.300
zh讓它能看見屏幕和摄像头
讓它能看見屏幕和摄像头
17:29.333–17:30.866
zh也可能读到画面里
也可能读到画面里
17:30.866–17:33.000
zh专门写给AI的恶意指令
专门写给AI的恶意指令
17:33.100–17:33.966
zh一个网页
一个网页
17:33.966–17:35.000
zh一张海报
一张海报
17:35.166–17:37.666
zh甚至远程会议中的共享画面
甚至远程会议中的共享画面
17:37.733–17:40.566
zh都可能试图诱导代理忽略原任务
都可能试图诱导代理忽略原任务
17:40.900–17:43.966
zh语音里同样可以夹带间接提示注入
语音里同样可以夹带间接提示注入
17:44.133–17:45.500
zh实时系统必须知道
实时系统必须知道
17:45.500–17:47.066
zh哪些内容来自用户
哪些内容来自用户
17:47.100–17:48.333
zh哪些来自环境
哪些来自环境
17:48.400–17:50.333
zh哪些只应该被当做资料
哪些只应该被当做资料
17:50.766–17:53.533
zh不能让所有输入拥有同等指挥权
不能让所有输入拥有同等指挥权
17:53.766–17:55.133
zh隐私问题也不会因为
隐私问题也不会因为
17:55.133–17:57.500
zh模型更流畅而自动消失
模型更流畅而自动消失
17:57.900–18:00.700
zh实时语音往往包含背景谈话
实时语音往往包含背景谈话
18:00.700–18:03.966
zh家庭环境办公室画面和身份信息
家庭环境办公室画面和身份信息
18:04.300–18:05.966
zh模型为了保持连续性
模型为了保持连续性
18:05.966–18:08.500
zh还需要维护更长的会话状态
还需要维护更长的会话状态
18:08.800–18:11.533
zh企业必须明确音频是否保存
企业必须明确音频是否保存
18:11.800–18:12.800
zh保存多久
保存多久
18:12.966–18:14.066
zh谁能访问
谁能访问
18:14.300–18:15.566
zh是否用于训练
是否用于训练
18:16.100–18:17.733
zh以及用户怎样删除
以及用户怎样删除
18:17.966–18:19.300
zh很多人愿意把一条
很多人愿意把一条
18:19.300–18:21.133
zh文字问题交给云端
文字问题交给云端
18:21.333–18:23.600
zh不代表他们愿意把整场会议
不代表他们愿意把整场会议
18:23.600–18:26.166
zh和摄像头画面持续送出去
和摄像头画面持续送出去
18:26.300–18:29.066
zh谷歌为生成音频加入SINC ID水印
谷歌为生成音频加入SINC ID水印
18:29.766–18:32.133
zh所有自家AI产品产生的音频
所有自家AI产品产生的音频
18:32.133–18:34.100
zh都嵌入不可感知的标记
都嵌入不可感知的标记
18:34.566–18:36.733
zh这有助于识别合成内容
这有助于识别合成内容
18:37.200–18:38.933
zh却解决不了全部问题
却解决不了全部问题
18:39.166–18:42.200
zh水印主要说明一段音频由AI生成
水印主要说明一段音频由AI生成
18:42.266–18:43.900
zh不能证明内容真实
不能证明内容真实
18:44.000–18:46.533
zh也不能阻止有人截取混剪
也不能阻止有人截取混剪
18:46.566–18:48.800
zh或通过其他系统重新编码
或通过其他系统重新编码
18:48.966–18:51.666
zh更何况实时语音代理最大的
更何况实时语音代理最大的
18:51.666–18:54.300
zh风险未必是伪造一段录音
风险未必是伪造一段录音
18:54.666–18:56.066
zh而是他在真实账户
而是他在真实账户
18:56.066–18:57.866
zh里执行了错误操作
里执行了错误操作
18:58.066–18:59.666
zh模型卡还列出几个容易
模型卡还列出几个容易
18:59.666–19:01.733
zh被发布热度盖住的限制
被发布热度盖住的限制
19:02.133–19:04.500
zh两款模型仍会产生幻觉
两款模型仍会产生幻觉
19:04.666–19:07.166
zh也可能遇到响应变慢和超时
也可能遇到响应变慢和超时
19:07.666–19:10.700
zh知识截止时间是2025年1月
知识截止时间是2025年1月
19:11.000–19:12.266
zh他们在前沿安全和
他们在前沿安全和
19:12.266–19:14.133
zh越狱抵抗上经过加强
越狱抵抗上经过加强
19:14.133–19:16.300
zh却没有被宣布为不可绕过
却没有被宣布为不可绕过
19:16.366–19:17.900
zh用于新闻与金融
用于新闻与金融
19:18.066–19:20.100
zh或者医疗和法律场景时
或者医疗和法律场景时
19:20.133–19:23.100
zh实时说出答案不等于答案已经核验
实时说出答案不等于答案已经核验
19:23.266–19:24.266
zh速度越快
速度越快
19:24.366–19:26.600
zh产品越需要把引用权限
产品越需要把引用权限
19:26.600–19:28.600
zh和人工复核放到界面里
和人工复核放到界面里
19:28.866–19:31.766
zhGemini3.8live已经进入Gemini API
Gemini3.8live已经进入Gemini API
19:32.000–19:34.100
zhGoogle AI Studio和Search Live
Google AI Studio和Search Live
19:34.466–19:35.900
zh企业端通过Gemini
企业端通过Gemini
19:35.900–19:37.566
zhenterprise提供私有预览
enterprise提供私有预览
19:38.100–19:39.700
zhEXTENDED thinking也开始进入
EXTENDED thinking也开始进入
19:39.700–19:42.566
zhGemini应用以及Gmail keep和Docs
Gemini应用以及Gmail keep和Docs
19:43.133–19:45.300
zh这个发布范围说明谷歌没有
这个发布范围说明谷歌没有
19:45.300–19:47.466
zh把它当成孤立的模型展示
把它当成孤立的模型展示
19:47.600–19:50.400
zh搜索办公套件云平台和
搜索办公套件云平台和
19:50.400–19:53.066
zh消费者助手都在争夺同一件事
消费者助手都在争夺同一件事
19:53.600–19:55.300
zh成为用户交代任务时
成为用户交代任务时
19:55.300–19:57.133
zh最先接到指令的入口
最先接到指令的入口
19:57.200–20:00.266
zh这才是此次发布最值得关注的竞争
这才是此次发布最值得关注的竞争
20:00.500–20:04.100
zh过去搜索框掌握的是问题入口
过去搜索框掌握的是问题入口
20:04.800–20:07.133
zh操作系统掌握的是应用入口
操作系统掌握的是应用入口
20:07.600–20:10.100
zh办公软件掌握的是工作入口
办公软件掌握的是工作入口
20:10.300–20:13.066
zh实时语音代理试图把三者压到一起
实时语音代理试图把三者压到一起
20:13.133–20:15.466
zh用户不再先决定打开哪个应用
用户不再先决定打开哪个应用
20:15.600–20:17.133
zh而是先说出目标
而是先说出目标
20:17.533–20:19.200
zh再由代理选择搜索
再由代理选择搜索
20:19.333–20:21.366
zh调用工具或修改文档
调用工具或修改文档
20:21.466–20:23.066
zh谁控制这个调度层
谁控制这个调度层
20:23.200–20:26.133
zh谁就有机会决定后面的流量去哪里
谁就有机会决定后面的流量去哪里
20:26.300–20:27.666
zh调用哪项服务
调用哪项服务
20:27.766–20:30.333
zh以及哪些产品逐渐退到后台
以及哪些产品逐渐退到后台
20:30.666–20:32.100
zh谷歌的优势很明显
谷歌的优势很明显
20:32.300–20:34.933
zh它有搜索地图邮件
它有搜索地图邮件
20:35.100–20:37.966
zh文档日历安卓和云服务
文档日历安卓和云服务
20:38.300–20:40.100
zh模型能调用的真实工具
模型能调用的真实工具
20:40.133–20:42.266
zh比许多竞争对手更完整
比许多竞争对手更完整
20:42.300–20:43.733
zh可这也是它的压力
可这也是它的压力
20:43.933–20:45.533
zh跨产品权限越多
跨产品权限越多
20:45.533–20:47.100
zh出错的影响越大
出错的影响越大
20:47.133–20:48.166
zh接入越深
接入越深
20:48.366–20:50.500
zh监管者越会追问平台是否
监管者越会追问平台是否
20:50.500–20:52.666
zh利用入口偏袒自家服务
利用入口偏袒自家服务
20:52.900–20:55.200
zh语音代理若替用户完成选择
语音代理若替用户完成选择
20:55.466–20:58.133
zh传统的搜索排序广告展示和
传统的搜索排序广告展示和
20:58.133–21:00.333
zh应用分发规则都会受到冲击
应用分发规则都会受到冲击
21:00.600–21:02.766
zh安卓会成为另一个关键弱点
安卓会成为另一个关键弱点
21:02.900–21:04.866
zh手机有麦克风与摄像头
手机有麦克风与摄像头
21:05.100–21:08.266
zh也掌握位置通知和大量应用入口
也掌握位置通知和大量应用入口
21:08.333–21:10.500
zh最适合承载持续语音代理
最适合承载持续语音代理
21:10.600–21:12.800
zh问题在于Gemini3.8live
问题在于Gemini3.8live
21:12.933–21:14.600
zh主要依赖云端服务
主要依赖云端服务
21:14.800–21:16.133
zh网路质量和数据
网路质量和数据
21:16.133–21:18.333
zh上传会直接影响体验
上传会直接影响体验
21:18.566–21:20.333
zh真正稳定的手机代理
真正稳定的手机代理
21:20.333–21:22.200
zh很可能采用混合架构
很可能采用混合架构
21:22.600–21:24.466
zh本地模型处理唤醒
本地模型处理唤醒
21:24.700–21:27.366
zh隐私敏感识别和简单动作
隐私敏感识别和简单动作
21:27.600–21:31.533
zh云端模型承担长推理与跨服务协调
云端模型承担长推理与跨服务协调
21:31.700–21:33.400
zh哪些内容留在设备
哪些内容留在设备
21:33.566–21:35.100
zh哪些送入云端
哪些送入云端
21:35.133–21:37.200
zh会成为新的产品卖点
会成为新的产品卖点
21:37.300–21:39.566
zh搜索业务也可能被重新定义
搜索业务也可能被重新定义
21:40.000–21:42.000
zh用户过去输入关键词
用户过去输入关键词
21:42.200–21:43.933
zh自己浏览多个页面
自己浏览多个页面
21:44.066–21:45.600
zh再完成后续操作
再完成后续操作
21:45.866–21:48.566
zhSearch Live可以邊聽問題邊看鏡頭
Search Live可以邊聽問題邊看鏡頭
21:48.866–21:50.200
zh给出步骤式帮助
给出步骤式帮助
21:50.200–21:51.700
zh要是它进一步接入
要是它进一步接入
21:51.700–21:53.866
zh预订购物和本地服务
预订购物和本地服务
21:54.100–21:55.800
zh搜索结果就会从链接
搜索结果就会从链接
21:55.800–21:57.366
zh列表变成代理行动
列表变成代理行动
21:57.533–22:00.866
zh广告和内容网站依靠点击获得流量
广告和内容网站依靠点击获得流量
22:01.000–22:03.733
zh代理替用户读完并执行以后
代理替用户读完并执行以后
22:03.800–22:06.966
zh价值怎样分配会变成更尖锐的问题
价值怎样分配会变成更尖锐的问题
22:07.333–22:09.300
zh办公套件的变化更直接
办公套件的变化更直接
22:09.500–22:12.066
zhGmail Docs和keep掌握了
Gmail Docs和keep掌握了
22:12.066–22:13.800
zh用户工作上下文
用户工作上下文
22:14.133–22:16.933
zhExtended Thinking可以從郵件提取任務
Extended Thinking可以從郵件提取任務
22:16.933–22:18.700
zh在文档中生成材料
在文档中生成材料
22:18.700–22:20.466
zh再把结果写进待办
再把结果写进待办
22:20.800–22:22.366
zh单项功能并不惊人
单项功能并不惊人
22:22.533–22:24.800
zh跨应用连续完成才是护城河
跨应用连续完成才是护城河
22:25.066–22:26.500
zh竞争对手可以训练出
竞争对手可以训练出
22:26.500–22:28.066
zh同样会说话的模型
同样会说话的模型
22:28.133–22:29.800
zh却未必拥有同样深的
却未必拥有同样深的
22:29.800–22:31.600
zh服务接口和用户授权
服务接口和用户授权
22:31.666–22:33.333
zh这也解释了谷歌为什么
这也解释了谷歌为什么
22:33.333–22:35.800
zh同时强调开发者与自家产品
同时强调开发者与自家产品
22:36.400–22:37.933
zhAPI负责扩大生态
API负责扩大生态
22:37.933–22:40.866
zh让外部公司替它寻找高价值场景
让外部公司替它寻找高价值场景
22:41.366–22:44.300
zhWorkspace、Search和Gemini應用
Workspace、Search和Gemini應用
22:44.300–22:46.066
zh负责建立默认入口
负责建立默认入口
22:46.166–22:48.000
zh外部场景产生需求
外部场景产生需求
22:48.133–22:50.066
zh自家产品提供分发
自家产品提供分发
22:50.333–22:52.066
zh两条路线互相加强
两条路线互相加强
22:52.266–22:54.700
zhGemini3.8live是一款模型
Gemini3.8live是一款模型
22:54.866–22:58.000
zh也是一场争夺交互入口的部署行动
也是一场争夺交互入口的部署行动
22:58.266–23:00.400
zh普通用户最先感受到的变化
普通用户最先感受到的变化
23:00.533–23:02.666
zh可能不会是某个惊人的新按钮
可能不会是某个惊人的新按钮
23:02.800–23:04.766
zh而是等待方式被改写
而是等待方式被改写
23:05.266–23:06.666
zh过去AI沉默时
过去AI沉默时
23:06.666–23:09.100
zh没人知道它是在工作卡住
没人知道它是在工作卡住
23:09.100–23:10.566
zh还是已经忘了任务
还是已经忘了任务
23:11.066–23:13.733
zhextended thinking会用简短语音确认
extended thinking会用简短语音确认
23:13.733–23:15.500
zh并在后台继续处理
并在后台继续处理
23:15.700–23:18.766
zh这种进度叙述能降低等待焦虑
这种进度叙述能降低等待焦虑
23:18.866–23:21.000
zh也可能制造另一种错觉
也可能制造另一种错觉
23:21.166–23:22.866
zh只要系统一直在说
只要系统一直在说
23:22.966–23:25.100
zh它就一定知道自己在做什么
它就一定知道自己在做什么
23:25.366–23:26.866
zh流畅表达和可靠
流畅表达和可靠
23:26.866–23:28.766
zh执行必须被分开评估
执行必须被分开评估
23:29.000–23:31.800
zh企业端也会重新计算人机分工
企业端也会重新计算人机分工
23:31.966–23:34.266
zh语音代理适合处理信息明确
语音代理适合处理信息明确
23:34.266–23:35.500
zh工具边界清楚
工具边界清楚
23:35.933–23:37.733
zh结果容易验证的流程
结果容易验证的流程
23:37.933–23:39.966
zh例如预约资料查询
例如预约资料查询
23:40.066–23:42.500
zh标准化故障排查和内部事务
标准化故障排查和内部事务
23:42.700–23:44.700
zh涉及价值判断异常
涉及价值判断异常
23:44.700–23:46.700
zh授权或不可逆操作时
授权或不可逆操作时
23:46.800–23:48.900
zh人类仍应保留最后一步
人类仍应保留最后一步
23:49.133–23:50.966
zh最合理的部署方式不会是
最合理的部署方式不会是
23:50.966–23:53.133
zh一夜之间替换整支团队
一夜之间替换整支团队
23:53.200–23:56.333
zh而是先让模型承担等待检索
而是先让模型承担等待检索
23:56.800–23:58.666
zh记录和低风险操作
记录和低风险操作
23:58.766–24:00.900
zh再观察错误集中在哪里
再观察错误集中在哪里
24:01.000–24:03.366
zh岗位变化也会先落在流程上
岗位变化也会先落在流程上
24:03.466–24:06.466
zh客服人员过去需要边听边搜索资料
客服人员过去需要边听边搜索资料
24:06.533–24:09.133
zh还要把通话内容重新录入系统
还要把通话内容重新录入系统
24:09.400–24:12.066
zh实时代理可以先接管检索和记录
实时代理可以先接管检索和记录
24:12.133–24:14.366
zh让人类集中处理例外情况
让人类集中处理例外情况
24:14.500–24:16.966
zh企业如果只把它当成裁员工具
企业如果只把它当成裁员工具
24:17.133–24:19.966
zh可能会把最熟悉业务的人一起清走
可能会把最熟悉业务的人一起清走
24:20.366–24:22.300
zh随后才发现模型犯错时
随后才发现模型犯错时
24:22.300–24:23.800
zh没人知道怎样纠正
没人知道怎样纠正
24:24.100–24:26.900
zh比较稳妥的路线是保留领域人员
比较稳妥的路线是保留领域人员
24:26.966–24:28.766
zh让他们定义工具权限
让他们定义工具权限
24:28.900–24:30.266
zh检查失败案例
检查失败案例
24:30.300–24:32.300
zh并把新规则写回系统
并把新规则写回系统
24:32.466–24:34.366
zh责任链必须同步调整
责任链必须同步调整
24:34.966–24:37.300
zh模型提供商负责基础能力
模型提供商负责基础能力
24:37.533–24:39.733
zh集成平台负责实时传输
集成平台负责实时传输
24:39.966–24:42.466
zh企业负责工具和业务规则
企业负责工具和业务规则
24:42.766–24:45.533
zh最终操作又可能落在第三方系统
最终操作又可能落在第三方系统
24:45.733–24:47.100
zh事故发生以后
事故发生以后
24:47.133–24:50.133
zh任何一方都不能只说模型生成的
任何一方都不能只说模型生成的
24:50.133–24:52.200
zh日志需要记录用户说了什么
日志需要记录用户说了什么
24:52.566–24:53.900
zh模型怎样理解
模型怎样理解
24:54.133–24:55.400
zh调用了哪个工具
调用了哪个工具
24:55.566–24:57.566
zh谁批准了不可逆动作
谁批准了不可逆动作
24:57.733–24:59.133
zh没有这条证据链
没有这条证据链
24:59.500–25:01.133
zh实时代理越能办事
实时代理越能办事
25:01.200–25:02.966
zh出问题时越难追责
出问题时越难追责
25:03.100–25:04.466
zh从技术路线看
从技术路线看
25:04.500–25:05.866
enGemini3.8live
Gemini3.8live
25:06.000–25:07.766
zh代表语音模型正在离开
代表语音模型正在离开
25:07.766–25:09.900
zh会说话的聊天机器人阶段
会说话的聊天机器人阶段
25:10.066–25:11.900
zh它开始拥有持续状态
它开始拥有持续状态
25:12.366–25:13.533
zh能够看到环境
能够看到环境
25:13.600–25:15.366
zh能在后台调用工具
能在后台调用工具
25:15.500–25:18.100
zh还能把复杂任务拆成多个步骤
还能把复杂任务拆成多个步骤
25:18.166–25:21.400
zh可从35.1%的银行任务成功率看
可从35.1%的银行任务成功率看
25:21.400–25:22.800
zh它也远没有成为可以
它也远没有成为可以
25:22.800–25:24.900
zh独立承担责任的数字员工
独立承担责任的数字员工
25:25.466–25:27.166
zh能力跨过了产品门槛
能力跨过了产品门槛
25:27.200–25:29.600
zh可靠性还没有跨过制度门槛
可靠性还没有跨过制度门槛
25:29.800–25:31.933
zh还有一项体验会决定用户
还有一项体验会决定用户
25:31.933–25:34.066
zh是否真的愿意长期使用
是否真的愿意长期使用
25:34.266–25:35.333
zh那就是打断
那就是打断
25:35.933–25:37.466
zh人与人交谈时
人与人交谈时
25:37.466–25:38.966
zh对方说错一个日期
对方说错一个日期
25:39.166–25:41.133
zh听者会立刻插话纠正
听者会立刻插话纠正
25:41.200–25:43.000
zh不会等整段话结束
不会等整段话结束
25:43.266–25:44.733
zh实时模型必须在播放
实时模型必须在播放
25:44.733–25:46.666
zh语音的同时继续监听
语音的同时继续监听
25:46.800–25:48.333
zh判断用户是在附和
判断用户是在附和
25:48.500–25:50.533
zh补充还是要求停止
补充还是要求停止
25:50.966–25:52.000
zh判断太敏感
判断太敏感
25:52.100–25:54.333
zh背景声音会频繁打断回答
背景声音会频繁打断回答
25:54.400–25:55.500
zh判断太迟钝
判断太迟钝
25:55.733–25:57.333
zh系统又会恢复成过去
系统又会恢复成过去
25:57.333–25:59.500
zh那种必须等它说完的机器
那种必须等它说完的机器
25:59.566–26:01.733
zh发布页强调流畅对话
发布页强调流畅对话
26:01.766–26:03.466
zh真正的产品考验却在
真正的产品考验却在
26:03.466–26:05.133
zh这些毫秒级决定里
这些毫秒级决定里
26:05.166–26:07.533
zh打断以后还要处理任务状态
打断以后还要处理任务状态
26:08.000–26:09.600
zh用户说不要周五
用户说不要周五
26:09.600–26:10.800
zh改成周六
改成周六
26:11.133–26:14.166
zh模型需要撤销尚未提交的查询条件
模型需要撤销尚未提交的查询条件
26:14.500–26:17.200
zh同时保留人数地点和预算
同时保留人数地点和预算
26:17.666–26:19.933
zh要是后台工具已经返回周五
要是后台工具已经返回周五
26:20.066–26:23.000
zh结果系统不能把旧数据混入新方案
结果系统不能把旧数据混入新方案
26:23.266–26:26.100
zh语音体验看起来只是一段声音
语音体验看起来只是一段声音
26:26.333–26:28.900
zh底下却需要严密的事务管理
底下却需要严密的事务管理
26:29.533–26:32.866
zhGemini3.8live把模型能力推到新的位置
Gemini3.8live把模型能力推到新的位置
26:32.966–26:34.666
zh也把传统软件工程的
也把传统软件工程的
26:34.666–26:36.766
zh问题重新带回AI产品
问题重新带回AI产品
26:36.900–26:40.000
zh所以开头那个协议细节才重要
所以开头那个协议细节才重要
26:40.666–26:43.300
zhturn complete不再意味着任务结束
turn complete不再意味着任务结束
26:43.566–26:45.600
zh代表AI的工作第一次
代表AI的工作第一次
26:45.600–26:47.733
zh可以延伸到一句话之后
可以延伸到一句话之后
26:47.866–26:50.133
zh用户听见的回答只是前台
用户听见的回答只是前台
26:50.133–26:52.200
zh后台还在推理和行动
后台还在推理和行动
26:52.300–26:53.766
zh下一场竞争不会只
下一场竞争不会只
26:53.766–26:55.366
zh比谁回答得更聪明
比谁回答得更聪明
26:55.366–26:56.700
zh而会比谁能把这个
而会比谁能把这个
26:56.700–26:58.300
zh看不见的后台管住
看不见的后台管住
27:19.066–27:21.100
zh他接下来必须证明的是
他接下来必须证明的是
27:21.100–27:22.466
zh模型做错时
模型做错时
27:22.500–27:25.000
zh整个系统也知道怎样停下来
整个系统也知道怎样停下来
27:25.100–27:26.533
zh那个问题还没有关闭
那个问题还没有关闭
27:26.800–27:28.733
zh而它会决定实时智能体
而它会决定实时智能体
27:28.733–27:30.800
zh究竟成为下一代操作界面
究竟成为下一代操作界面
27:30.866–27:33.000
zh还是下一批企业事故的来源
还是下一批企业事故的来源
影片筆記：OpenAI 徹底輸了！Google 丟出核彈：Gemini 3.8 Live 讓 AI 擁有「後台意識」？😱
<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
⚠️ 全文快速校讀發現待確認修正
本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。
- 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=18 已先套用暫定修正：2026年9月15日 → 2025年9月15日；segment=187 已先套用暫定修正：AI artificial analysis → AI Artificial Analysis）
- 待修正：逐字稿可先使用，但有待校正清單（segment=18 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對；segment=194 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對）
<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->
⚠️ 警告：逐字稿辨識疑點與校正清單
根據可讀性檢核結果，以下片段存在高風險辨識錯誤或語意斷裂，不得視為確定事實。請在閱讀筆記時保持懷疑態度，並參考「逐字稿辨識疑點」章節進行確認：
- segment 18:
rapid_semantic_review— 全文速讀上下文判斷；尚未回聽或交叉比對。 - segment 194:
rapid_semantic_review— 全文速讀上下文判斷；尚未回聽或交叉比對。 - segment 402:
rapid_semantic_review— 全文速讀上下文判斷；尚未回聽或交叉比對。 - segment 589:
rapid_semantic_review— 全文速讀上下文判斷；尚未回聽或交叉比對。 - segment 187: 明確寫出「artificial analysis」，此處為同音錯詞（疑為 Artificial Analysis 指標）。
- segment 189: 「琼」在語境中無意義，推測為「模型」或「其」的誤聽。
- segment 478: 「SINC ID」需確認是否為 Google 官方術語（疑為 SINC-ID 或其他水印技術）。
- segment 616: 「异常」後語意斷裂，需補全上下文。
---
一句話總結
Google 發布 Gemini 3.8 Live 與 Extended Thinking，透過協議層面的 turn complete 訊號意義轉變，將即時語音助手從單純的「問答回合制」轉變為具備「持續狀態」與「後台並行工作」能力的執行系統，但企業級多步驟任務的成功率仍面臨巨大挑戰。
核心重點
- 協議與架構變革：
turn complete訊號不再代表對話結束，模型可能在後台繼續推理、調用工具或準備下一段語音。- 引入「雙模型策略」：基礎版
Gemini 3.8 Live主打低成本與低延遲；Extended Thinking版專注複雜多步驟任務，允許後台狀態保留與並行工作。
- 技術能力突破：
- 原生即時模型直接處理音頻、文字、圖像與視頻，減少轉換延遲。
- 支援異步函數調用與持續代理狀態管理，使 AI 能在保持語音交流的同時進行後台推理。
- 商業與戰略意義：
- 目標從「問題入口」轉向「目標交代入口」，用戶直接交代目標，AI 選擇執行路徑。
- 整合 Google 生態系（Search, Gmail, Docs, Android），試圖通過 Workspace 跨應用連續任務建立護城河。
- 現實差距與風險：
- 儘管評分高（如 Artificial Analysis 指數 82.6 分），但銀行業務基準測試中多步驟任務成功率僅 35.1%。
- 企業部署需面對工程成本高、權限設計複雜、隱私安全（提示注入、背景音）及責任鏈模糊等挑戰。
詳細大綱
一、 協議變革與模型定位
- 訊號意義轉變：過去
turn complete代表對話結束；現在該訊號可能僅表示前台語音暫停，模型仍在後台推理、調用工具或即將發送下一段語音。 - 雙模型策略區分：
- Gemini 3.8 Live：側重規模、成本與低延遲，適合大量即時會話。
- Gemini 3.8 Live Extended Thinking：負責複雜多步驟任務，允許模型在語音交流同時繼續推理，後台狀態不會因回答結束而清空。
- 市場分割：將即時語音市場分為「大量便宜反應快的日常交互」與「需要長思考與強工具調用的複雜工作」。
二、 技術架構與能力突破
- 原生即時模型：直接接收音頻、文字、圖像與視頻，並直接輸出語音與文字，減少層層轉換帶來的延遲與資訊損失。
- 多模態與狀態保留：模型能保留說話方式、視覺環境與任務狀態的聯繫（如邊移動鏡頭邊追問）。
- 異步函數調用：工具可在後台運行，前台對話繼續；支援並行工作（如同時查航班與確認酒店）。
- 持續代理狀態：應用需管理持續存在的代理狀態，而非單輪問答；需透過
interaction status判斷模型狀態（思考、等待工具或空闲）。
三、 商業影響與應用場景
- 客服與辦公軟體：
- 客服系統可在一通電話中同時訪問知識庫、核對身份、修改記錄並生成郵件。
- 辦公軟體允許用戶用連續語音描述目標，模型跨越郵件、文檔與待辦事項處理工作。
- 具體演示場景：
- 根據實時畫面指導員工完成入職流程。
- 觀察棋盤並保持自然對話。
- 將手繪草圖與語音修改要求變成可運行的 React 組件。
- 多步驟預訂：同時協調不同函數調用且不中斷談話。
- 語言與精度：
- 支援 97 種語言，具備自動發現語言變化能力。
- 強調字母數字精度（驗證碼、理賠編號、地址等）。
四、 評估指標與現實差距
- 評分體系：
- Artificial Analysis Speech to Speech Quality Index：82.6 分（綜合語音推理、對話動態與代理任務）。
- BigBench Audio：97.7%。
- Tall Voice (測試智能體任務完成能力)：68.6%。
- 銀行業務基準測試：35.1%（多步驟銀行流程成功率）。
- 競爭指標轉變：從比較聲音像不像真人、首個音節延遲，轉向比較對話結束後「事情是否辦成、記錄是否寫對、權限是否越界」。
- 企業部署現實：高評分適合發布會，但低成功率反映企業部署必須面對的真實邊界。
五、 技術規格與限制
- 基礎架構：建立在 Gemini 3 Pro 之上。
- 上下文與輸出：上下文上限 131,072 Tokens；輸出上限 65,536 Tokens。
- Extended Thinking 限制：
- 支援：搜尋、接地（Grounding）、異步函數調用。
- 不支援：程式碼執行、檔案搜尋、結構化輸出、網址上下文功能。
- 知識截止：2025 年 1 月。
- 安全強化：經過前沿安全與越獄抵抗加強，但未宣布為不可繞過。
六、 開發者與工程挑戰
- 工程成本：
- 函數調用需全部採用異步方式。
- 客戶端不能立即關閉連接，需處理後台推理返回的工具請求與音頻幀。
- 需處理取消、超時、防止重複提交及恢復狀態。
- 權限設計：
- 區分「能聽懂請求」與「有權執行請求」。
- 查詢可自動完成，修改帳戶、發送敏感郵件或提交交易需觸發再次確認。
- 場景風險：
- 銀行：身份驗證與風險提示若出錯，後續動作建立在錯誤狀態上。
- 醫療：需區分行政流程與醫療判斷，模型不能替醫生做診斷。
- 訓練與無障礙：
- 談判訓練、銷售陪練可利用模型改變難度。
- 無障礙交互：協助視力受限或手部操作不便者，但需明確表達不確定性。
七、 隱私、安全與基礎設施
- 上下文管理：需決定哪些資訊保留、壓縮或刪除，以平衡費用、延遲與隱私。
- 會話基礎設施：需檢測語音活動、處理打斷、壓縮狀態、管理工具隊列及錯誤恢復。
- 合作平台：與 Livekit、Agora、Pipecat、Lang Chain 和 Versatile 等平台合作。
- 安全風險：
- 提示注入：視覺輸入（螢幕、鏡頭）與語音中可能夾帶惡意指令或間接提示。
- 隱私問題：背景談話、家庭環境、身份資訊的保存與使用需明確規範。
- SINC ID 水印：自家 AI 產品產生的音頻嵌入不可感知標記，用於識別合成內容，但無法證明內容真實或防止混剪。
- 幻覺與延遲：模型仍會產生幻覺，可能遇到響應變慢與超時。
八、 戰略競爭與入口爭奪
- 產品整合：
- 進入 Gemini API、Google AI Studio、Search Live。
- 企業端透過 Gemini Enterprise 提供私有預覽。
- Extended Thinking 進入 Gemini 應用、Gmail、Keep 和 Docs。
- 入口爭奪：
- 從「問題入口」（搜索框）、「應用入口」（操作系統）、「工作入口」（辦公軟體）轉向「目標交代入口」。
- 用戶先說出目標，代理選擇搜索、調用工具或修改文檔。
- 谷歌優勢與壓力：
- 優勢：擁有搜索、地圖、郵件、文檔、日曆、安卓與雲端服務，工具鏈完整。
- 壓力：跨產品權限越多，出錯影響越大；監管者會質疑平台是否利用入口偏袒自家服務。
- 安卓與混合架構：
- 手機具備麥克風、鏡頭與應用入口，適合承載持續語音代理。
- 目前主要依賴雲端服務，穩定手機代理可能採用混合架構（本地處理喚醒/隱私/簡單動作，雲端處理長推理/跨服務協調）。
- 搜索與辦公套件重定義：
- Search Live 邊聽邊看鏡頭，提供步驟式幫助。
- 廣告與內容網站流量分配面臨挑戰（代理替用戶執行後，價值如何分配）。
- Workspace 跨應用連續完成任務形成護城河。
九、 部署建議與責任鏈
- 部署策略：
- 適合：資訊明確、工具邊界清楚、結果易驗證的流程（預約、資料查詢、標準化故障排查）。
- 不適合：涉及價值判斷、異常授權或不可逆操作，人類應保留最後一步。
- 建議：先讓模型承擔等待、檢索、記錄與低風險操作，觀察錯誤集中點，保留領域人員定義權限與檢查失敗案例。
- 責任鏈調整：
- 模型提供商負責基礎能力。
- 集成平台負責即時傳輸。
- 企業負責工具與業務規則。
- 最終操作可能落在第三方系統。
- 事故發生後，需記錄用戶輸入、模型理解、工具調用及批准動作，以確立證據鏈。
十、 體驗考驗：打斷與狀態管理
- 打斷機制：
- 模型需在播放語音同時繼續監聽，判斷用戶是在附和、補充還是要求停止。
- 判斷太敏感會頻繁打斷，太遲鈍則恢復為傳統機器體驗。
- 狀態管理：
- 打斷後需處理任務狀態（如撤銷未提交的查詢條件，保留人數、地點與預算）。
- 若後台工具已返回舊結果，系統不能將舊數據混入新方案。
- 核心結論：
turn complete不再意味著任務結束，而是 AI 工作延伸到一句話之後。- 下一場競爭在於「管住看不見的後台」與「模型做錯時系統如何停止」。
- 決定即時智能體是成為下一代操作界面還是企業事故來源的關鍵，在於可靠性與制度門檻的跨越。
工具 / 模型 / 名詞整理
- 模型名稱：
- Gemini 3.8 Live
- Gemini 3.8 Live Extended Thinking
- Gemini 3 Pro
- Gemini 3.8
- 產品與平台：
- Google AI Studio
- Search Live
- Gemini API
- Gemini Enterprise
- Gmail
- Keep
- Docs
- Workspace
- Android (安卓)
- BigBench Audio
- Tall Voice
- Artificial Analysis (Speech to Speech Quality Index)
- Livekit
- Agora
- Pipecat
- Lang Chain
- Versatile
- React 組件
- 技術概念/指標：
turn completeinteraction status- SINC ID 水印
- 異步函數調用 (Asynchronous Function Calling)
- 接地 (Grounding)
- 上下文 (Context)
- Tokens
操作流程整理
- 用戶輸入：用戶通過語音、文字、圖像或視頻與模型互動。
- 即時處理：模型直接接收多模態輸入，進行原生即時處理。
- 前台對話：模型輸出語音或文字回應，維持前台交互流暢性。
- 訊號判斷：
- 若觸發
turn complete，前台語音暫停，但後台狀態可能持續。 - 若觸發打斷，模型需判斷用戶意圖（附和、補充或停止）。
- 後台並行工作：
- 模型在後台進行推理、調用異步函數或執行工具。
- 管理持續代理狀態，保留任務上下文。
- 狀態同步與反饋：
- 後台工具返回結果後，系統將其整合進前台對話或更新代理狀態。
- 處理取消、超時、錯誤恢復及狀態壓縮。
- 權限與確認：
- 對於敏感操作（如修改帳戶、發送郵件），觸發二次確認機制。
- 最終輸出：完成任務或等待用戶進一步指示，記錄相關數據以供責任追溯。
值得注意的限制或風險
- 企業部署成功率低：銀行業務基準測試中多步驟任務成功率僅 35.1%，顯示技術能力與企業可靠性之間存在巨大差距。
- 工程複雜度高：開發者需處理異步函數調用、後台狀態管理、打斷處理、超時與錯誤恢復，工程成本顯著增加。
- 隱私與安全風險：
- 視覺與語音輸入可能夾帶惡意指令（提示注入）。
- 背景環境音與身份資訊的保存與使用需明確規範。
- SINC ID 水印僅用於識別合成內容，無法證明內容真實或防止混剪。
- 責任鏈模糊：事故發生後，需明確區分模型提供商、集成平台、企業與第三方系統的責任，證據鏈記錄至關重要。
- 技術限制：Extended Thinking 不支援程式碼執行、檔案搜尋、結構化輸出與網址上下文功能。
- 監管壓力：跨產品權限越多，出錯影響越大，監管者可能質疑平台利用入口偏袒自家服務。
逐字稿辨識疑點
- Gemini3.8 live EXTENDED thinking：逐字稿中大小寫與空格使用不一致，部分段落寫為
Gemini3.8 live，部分為Gemini 3.8 live，部分為Gemini3.8live。 - Gemini3Pro：逐字稿中寫為
Gemini3Pro，中間無空格，與前文Gemini 3.8格式略有不同，需查證是否為口誤或特定版本名稱。 - Tall Voice：逐字稿中提及「在測試智能體任務完成能力的 Tall Voice 里達到 68.6%」，「Tall Voice」作為測試基準名稱較不常見，需查證是否為特定內部測試名稱或聽寫錯誤（如可能為 "Tool Voice" 或其他）。
- 35.1%：銀行業務基準測試成功率，數值精確，但與前文高評分形成強烈對比，需確認是否為官方公布的特定基準數據。
- Livekit、Agora、Pipecat、Lang chain、Versatile：這些平台名稱在逐字稿中出現，需確認
Lang chain是否應為LangChain，Versatile是否為特定合作夥伴名稱。 - SINC ID 水印：逐字稿中寫為
SINC ID，需查證是否為SINC-ID或特定水印技術名稱。 - 2025年9月15日：發布日期，需確認是否為未來日期或影片設定時間。
- 97種語言：
尚未產生學習筆記
請在 Telegram 指令最後加上「學習」，例如：videonote 網址 英文 雙語 學習