谷歌刚刚改掉了语音AI里
一个很不起眼的信号
过去系统发出turn complete
开发者就知道这一轮结束了
可以收尾释放状态
等用户说下一句话
到了Gemini3.8 live EXTENDED thinking
这个信号不再代表模型已经停下
它可能还在后台推理
可能正在调用工具
也可能过几秒又送回一段语音
一个看似普通的协议变化
留下了真正的问题
如果AI已经能一边和人说话
一边在后台继续工作
它还是语音助手
还是一个藏在
对话框背后的执行系统
2026年9月15日
谷歌正式发布Gemini3.8live
和Gemini3.8live EXTENDED THINKING
名字很接近
定位却被刻意拆开
基础版主打规模成本和低延迟
适合大量实时会话
extended thinking
负责复杂多步骤任务
允许模型在保持语音
交流的同时继续推理
谷歌没有把两者包装
成同一款模型的快慢档位
而是把实时语音市场分成了两层
大量便宜反应快的日常交互
以及需要更长思考更强
工具调用的复杂工作
过去十多年
手机里的语音助手
一直卡在一个尴尬位置
它们能设闹钟查天气拨电话
也能回答结构简单的问题
一旦任务跨过几个步骤
体验就会迅速崩掉
用户说一句话
语音先被转成文字
文字交给语言模型
模型生成答案
再由另一个系统把文字念出来
每经过一层
延迟都会增加
语气停顿和现场信息也会损失
用户打断时
系统还得判断这究竟是补充要求
还是要求它闭嘴
Gemini3.8live试图把这条流水线
压成一套原生的实时模型
它直接接收音频
也能同时接收文字图像和视频
再直接输出语音与文字
对用户来说
变化不止体现在声音更顺
更关键的是模型能够保留说话方式
视觉环境和任务状态之间的联系
摄像头对着设备
用户可以边移动镜头边追问
画面发生变化
回答也能跟着调整
语音不再只是把文字送进去的入口
而是整个交互过程的一部分
但基础版最有价值的能力
可能并不在对话本身
而在异步函数调用
传统语音智能体调用外部工具时
经常要停下来等
它查订单
就等订单系统回传
它安排日程
就等日历接口完成
他修改账户
就等权限验证结束
几秒钟的停顿
放在网页里不算什么
放在电话里却足以
让人怀疑线路断了
Gemini3.8live
可以让工具在后台运行
前台对话继续
模型能先确认请求
也能补问必要信息
甚至在任务执行期间解释当前进度
查航班和确认酒店可以同时进行
用户临时改变日期
系统再调整尚未提交的步骤
这里出现的是一套开始具备
并行工作能力的语音执行层
聊天只是它的前台表现
extended thinking把这条路线推得更远
复杂任务到来时
它可以先说一句正在检查
随后继续做多步骤推理
模型的后台状态不会
因为一句回答结束而清空
开发者必须持续监听服务器信息
通过interaction status判断
他仍在思考等待工具
还是已经真正空闲
也就是说
应用不能再把一次对话当成
问一句答一句的回合制游戏
它需要管理一个持续存在
随时可能返回新动作的代理状态
这个变化听起来很技术
商业影响却很直接
客服系统过去按照通话
时长和单轮处理设计
新的语音代理可能在一通电话
里同时访问知识库核对身份
修改后台记录并生成后续邮件
办公软件过去等用户点击菜单
新系统则允许用户用
连续语音描述目标
让模型跨越邮件文档
和待办事项处理工作
产品界面也会随之变化
屏幕上的按钮不会消失
但越来越多操作会从用户自己点完
变成用户交代目标
系统汇报过程
谷歌给出的演示很能说明方向
模型可以根据实时画面
指导员工完成入职流程
可以观察棋盘并保持自然对话
也可以把手绘草图和语音修改
要求变成可运行的react组件
另一个场景是多步骤预定
模型同时协调不同函数调用
又不让谈话中断
这些例子看起来分散
底层依赖同一种能力
让视觉与语音交互连
到推理和工具调用中
并维持一个持续会话
语言覆盖也被扩大到97种
系统可以在谈话中
自动发现语言变化
不要求用户先进入设置切换
对于跨国客服与旅游服务
以及医疗预约和远程协作
这比单纯增加语言数量更实用
真实交流经常混入公司名和产品名
也常夹着数字与英文缩写
一段话里切换两种语言并不少见
谷歌还特别强调字母数字精度
因为验证码和理赔编号
以及地址与技术参数
正是语音系统最容易
听错又最不能听错的内容
不过模型支持97种语言
不等于97种语言都达到同样水平
训练数据口音覆盖和
地区用词都会影响表现
一个模型在英语测试里领先
不能自动证明它能处理粤语加英文
印度英语或嘈杂门店里的专业术语
谷歌公布的是能力边界
企业真正部署前仍要用自己
的用户设备和环境重新测试
官方模型卡给出了更清楚的规格
两款模型都建立在Gemini3Pro之上
可以接收文字与图片
也能处理视频和音频
上下文上限为131,072个TOKEN
输出上限为65,536个TOKEN
EXTENDED thinking支持搜索
接地和异步函数调用
却不支持代码执行与文件搜索
也没有结构化输出和网址上下文
功能表里的一排不支持很重要
它提醒开发者
这是一款为实时语音和
工具协作优化的模型
并没有把所有Gemini
能力都塞进电话线路
谷歌把边说边想放在发布重点里
评测自然也集中在语音
质量推理和任务完成
Gemini 3.8 live
EXTENDED thinking
AI artificial analysis
speech to speech quality index
琼获得82.6分
这个指数把语音推理对话动态
和代理任务表现合在一起计算
模型在bigbench Audio中达到97.7%
在测试智能体任务完成
能力的tall voice里达到68.6%
这些数字解释了谷歌为什么敢把
它称为最先进的实时对话模型
可真正值得盯住的数字是
银行业务基准里的35.1%
这个测试要求语音代理
处理多步骤银行流程
成功率越过三成
却仍有接近2/3的任务没有完整完成
82.6分很适合放在发布会大屏幕上
35.1%
更接近企业部署时必须面对的现实
模型已经能处理过去
做不到的复杂流程
但离可以把高风险业务放心
交出去仍然隔着很长一段路
这也说明语音AI的竞争正在换指标
早期产品比较谁的声音更像真人
随后比较首个音节要等多久
现在声音自然只是门票
真正决定价值的是
一通对话结束以后
事情有没有办成
记录有没有写对
权限有没有越界
用户临时改口以后
系统有没有撤回旧操作
一个声音很自然
任务却做错的代理
只会让错误更有迷惑性
排行榜本身也需要谨慎解读
官方发布时
基础版Gemini 3.8live在
盲测偏好中排名靠前
extended thinking在综合质量指数领先
可不同榜单测量的东西不同
模型设置和思考强度
再加上延迟与价格
都会改变结果
盲测更看重人是否喜欢这段对话
任务基准更看重流程是否完成
企业不能只选总分最高的模型
还得确认自己的
任务更怕延迟与费用
还是听错数字或错误调用工具
价格正是谷歌这次进攻的另一部分
官方开发者资料给出的音频
输入价格约为每分钟0.005美元
音频输出约为每分钟0.018美元
连续输入一小时大约0.3美元
连续输出一小时约1.08美元
真实通话不会始终由同一方说话
实际账单还取决于沉默处理
上下文长度工具调用和会话管理
但这个价格已经足以让大规模客服
陪练和企业助手认真计算替代方案
谷歌选在这个时间点推出两款模型
也暴露了他对市场的判断
实时语音不会只有一个冠军通吃
高频简单
成本敏感的业务需要基础版
少量复杂价值更高的流程
才值得开启extended thinking
要是每次查天气都
让模型长时间推理
用户会觉得慢
企业也会为没有必要的计算付钱
双模型结构等于把什么时候
值得思考变成产品设计的一部分
开发者还要承担新的工程成本
要求函数调用全部采用异步方式
客户端不能在出现后立即关闭连接
后台推理可能继续
返回工具请求和音频帧
应用必须能取消和处理超时
还要防止重复提交并恢复状态
用户说算了不要定
系统能否及时终止已经启动的步骤
网路短暂中断以后
模型会不会把同一笔操作执行两次
这些问题不会出现在
漂亮的语音演示里
却会决定产品能不能上线
权限设计也比过去更难
一个只能回答问题的模型说错话
主要风险是误导
一个可以访问邮箱与日历
还能接触客户资料和
付款接口的模型说错话
风险会变成真实动作
企业需要把能听懂请求
和有权执行请求拆开
查询信息可以自动完成
修改账户发送敏感邮件或提交交易
应当触发再次确认
语音越自然
越不能让用户误以为系统拥有
和人类员工相同的判断能力
银行场景能把这套矛盾看得最清楚
客户打电话修改通讯地址
表面只是几句话
后台先要验证身份
查询账户和提示风险
随后还要变更资料并留下审计记录
任何一步做错
后面的动作都会建立在错误状态上
实时模型的优势是不用把
客户反复转接给不同菜单
风险则是它可能用非常自然的
语气把一条错误路径执行到底
因此企业需要给每个
工具设置独立权限
不能因为模型通过了身份验证
就默认它获得整场
会话的全部操作权
医疗预约也一样
模型可以查看时间表
询问症状
匹配科室
再发送提醒
这些工作很适合自动化
可它不能因为听见几个关键词
就替医生做诊断
系统必须把行政
流程和医疗判断分开
哪句话只是收集信息
哪句话属于健康建议
什么情况必须转给真人
都应在模型之外写成明确规则
模型越能自由交流
外部规则越要清楚
企业培训可能成为更早成熟的市场
谈判训练销售陪练和客服模拟
不需要模型真的修改客户账户
却非常依赖语气打断和连续追问
Gemini 3.8live可以扮演
不同类型的对话对象
根据学员表现及时改变难度
再把交流记录交给评估系统
这里即使出现错误
也容易在训练结束后纠正
部署风险低于金融交易
却能充分利用实时语音的优势
无障碍交互同样值得注意
用户可以把摄像头对准设备
让模型用语音描述按钮位置
或者边操作边询问下一步
视力受限者
手部操作不便者
以及不熟悉复杂软件的人
都可能因此减少学习成本
不过视觉帧率
环境光线和网络延迟会影响判断
模型看漏一个指示灯
后面的指导就可能失去依据
无障碍工具更需要
明确表达不确定性
不能为了流畅而假装看清了
这些场景共同指向一个工程原则
实时语音代理不应只按
回答是否好听验收
还要拆成多个指标
听写是否准确
身份信息有没有串到下一名用户
工具参数是否正确
取消指令能否及时生效
长会话以后状态会不会漂移
网路恢复后是否重复执行
都要单独测试
传统聊天机器人的离线
问答集覆盖不了这些问题
官方评测也暴露了这一点
artificial analysis的综合指数把
多项能力合并成一个分数
便于横向比较
却无法替代业务测试
top voice测量代理在完整
语音任务中的完成情况
已经比单轮问答接近真实使用
银行基准进一步加入
规则和多步骤流程
所以成功率明显下降
任务越接近现实
票量分数越难维持
35.1%直接标出了企业
自动化的真实边界
不能简单算作发布失败
还有一个容易忽略的成本是上下文
实时会话不断积累音频
视觉帧工具结果和系统状态
即使每分钟音频价格很低
长时间保留全部内容
也会增加推理负担
产品需要决定哪些
信息继续留在上下文里
哪些压缩成摘要
哪些在任务结束后立即删除
压缩太早
模型可能忘记用户刚刚修改的条件
什么都保留
费用延迟和隐私风险都会上升
这会催生一层新的会话基础设施
他要检测语音活动和处理打断
也要压缩状态管理工具队列
并负责用户确认与错误恢复
基础模型给出能力上限
这层基础设施决定
能力能否稳定落地
谷歌同时与Livekit Agora Pipekit
Lang chain和Versatile等平台合作
原因就在这里
多数开发团队不愿从头
处理实时音视频传输
他们更希望直接设计业务流程
产品经理面对的问题也变了
过去设计语音助手
需要为每个意图写固定路线
现在模型能理解开放表达
团队不用穷举所有说法
却必须规定哪些目标
允许模型自行拆解
自由度越高
测试空间越大
一个用户可能先订酒店
再突然要求取消航班
随后补充同行者信息
系统得知道哪些动作仍在草稿
哪些已经提交
哪些需要退款
自然语言只是入口
真正困难的是交易状态
谷歌把可配置思考加入EXTENDED thinking
也是在处理成本与可靠性的冲突
简单问题不需要长时间推理
复杂流程才值得付出更多计算
企业可以根据任务
风险调整思考强度
高价值操作用更严格的推理和验证
普通查询则优先保证速度
但思考时间更长并不
自动等于结果正确
模型可能用更多步骤巩固错误假设
因此仍要依靠外部
数据和工具回传纠正
实时进度播报也需要节制
模型如果每走一步都解释
会拉长通话并增加输出费用
完全沉默
用户又不知道任务是否卡住
合理做法是只在状态发生变化
需要用户补充信息或
等待明显变长时播报
这个细节会决定AI听起来像
一个有效率的服务人员
还是一个不停描述自己动作的系统
视觉输入又打开了另一条供给面
塞他们能看见屏幕和摄像头
也可能读到画面里
专门写给AI的恶意指令
一个网页
一张海报
甚至远程会议中的共享画面
都可能试图诱导代理忽略原任务
语音里同样可以夹带间接提示注入
实时系统必须知道
哪些内容来自用户
哪些来自环境
哪些只应该被当做资料
不能让所有输入拥有同等指挥权
隐私问题也不会因为
模型更流畅而自动消失
实时语音往往包含背景谈话
家庭环境办公室画面和身份信息
模型为了保持连续性
还需要维护更长的会话状态
企业必须明确音频是否保存
保存多久
谁能访问
是否用于训练
以及用户怎样删除
很多人愿意把一条
文字问题交给云端
不代表他们愿意把整场会议
和摄像头画面持续送出去
谷歌为生成音频加入SINC ID水印
所有自家AI产品产生的音频
都嵌入不可感知的标记
这有助于识别合成内容
却解决不了全部问题
水印主要说明一段音频由AI生成
不能证明内容真实
也不能阻止有人截取混剪
或通过其他系统重新编码
更何况实时语音代理最大的
风险未必是伪造一段录音
而是他在真实账户
里执行了错误操作
模型卡还列出几个容易
被发布热度盖住的限制
两款模型仍会产生幻觉
也可能遇到响应变慢和超时
知识截止时间是2025年1月
他们在前沿安全和
越狱抵抗上经过加强
却没有被宣布为不可绕过
用于新闻与金融
或者医疗和法律场景时
实时说出答案不等于答案已经核验
速度越快
产品越需要把引用权限
和人工复核放到界面里
Gemini3.8live已经进入Gemini API
Google AI studio和search live
企业端通过Gemini
enterprise提供私有预览
EXTENDED thinking也开始进入
Gemini应用以及Gmail keep和Docs
这个发布范围说明谷歌没有
把它当成孤立的模型展示
搜索办公套件云平台和
消费者助手都在争夺同一件事
成为用户交代任务时
最先接到指令的入口
这才是此次发布最值得关注的竞争
过去搜索框掌握的是问题入口
操作系统掌握的是应用入口
办公软件掌握的是工作入口
实时语音代理试图把三者压到一起
用户不再先决定打开哪个应用
而是先说出目标
再由代理选择搜索
调用工具或修改文档
谁控制这个调度层
谁就有机会决定后面的流量去哪里
调用哪项服务
以及哪些产品逐渐退到后台
谷歌的优势很明显
它有搜索地图邮件
文档日历安卓和云服务
模型能调用的真实工具
比许多竞争对手更完整
可这也是它的压力
跨产品权限越多
出错的影响越大
接入越深
监管者越会追问平台是否
利用入口偏袒自家服务
语音代理若替用户完成选择
传统的搜索排序广告展示和
应用分发规则都会受到冲击
安卓会成为另一个关键弱点
手机有麦克风与摄像头
也掌握位置通知和大量应用入口
最适合承载持续语音代理
问题在于Gemini3.8live
主要依赖云端服务
网路质量和数据
上传会直接影响体验
真正稳定的手机代理
很可能采用混合架构
本地模型处理唤醒
隐私敏感识别和简单动作
云端模型承担长推理与跨服务协调
哪些内容留在设备
哪些送入云端
会成为新的产品卖点
搜索业务也可能被重新定义
用户过去输入关键词
自己浏览多个页面
再完成后续操作
search live可以边听问题边看镜头
给出步骤式帮助
要是它进一步接入
预订购物和本地服务
搜索结果就会从链接
列表变成代理行动
广告和内容网站依靠点击获得流量
代理替用户读完并执行以后
价值怎样分配会变成更尖锐的问题
办公套件的变化更直接
Gmail Docs和keep掌握了
用户工作上下文
extended thinking可以从邮件提取任务
在文档中生成材料
再把结果写进待办
单项功能并不惊人
跨应用连续完成才是护城河
竞争对手可以训练出
同样会说话的模型
却未必拥有同样深的
服务接口和用户授权
这也解释了谷歌为什么
同时强调开发者与自家产品
API负责扩大生态
让外部公司替它寻找高价值场景
Workspace search和Gemini应用
负责建立默认入口
外部场景产生需求
自家产品提供分发
两条路线互相加强
Gemini3.8live是一款模型
也是一场争夺交互入口的部署行动
普通用户最先感受到的变化
可能不会是某个惊人的新按钮
而是等待方式被改写
过去AI沉默时
没人知道它是在工作卡住
还是已经忘了任务
extended thinking会用简短语音确认
并在后台继续处理
这种进度叙述能降低等待焦虑
也可能制造另一种错觉
只要系统一直在说
它就一定知道自己在做什么
流畅表达和可靠
执行必须被分开评估
企业端也会重新计算人机分工
语音代理适合处理信息明确
工具边界清楚
结果容易验证的流程
例如预约资料查询
标准化故障排查和内部事务
涉及价值判断异常
授权或不可逆操作时
人类仍应保留最后一步
最合理的部署方式不会是
一夜之间替换整支团队
而是先让模型承担等待检索
记录和低风险操作
再观察错误集中在哪里
岗位变化也会先落在流程上
客服人员过去需要边听边搜索资料
还要把通话内容重新录入系统
实时代理可以先接管检索和记录
让人类集中处理例外情况
企业如果只把它当成裁员工具
可能会把最熟悉业务的人一起清走
随后才发现模型犯错时
没人知道怎样纠正
比较稳妥的路线是保留领域人员
让他们定义工具权限
检查失败案例
并把新规则写回系统
责任链必须同步调整
模型提供商负责基础能力
集成平台负责实时传输
企业负责工具和业务规则
最终操作又可能落在第三方系统
事故发生以后
任何一方都不能只说模型生成的
日志需要记录用户说了什么
模型怎样理解
调用了哪个工具
谁批准了不可逆动作
没有这条证据链
实时代理越能办事
出问题时越难追责
从技术路线看
Gemini3.8live
代表语音模型正在离开
会说话的聊天机器人阶段
它开始拥有持续状态
能够看到环境
能在后台调用工具
还能把复杂任务拆成多个步骤
可从35.1%的银行任务成功率看
它也远没有成为可以
独立承担责任的数字员工
能力跨过了产品门槛
可靠性还没有跨过制度门槛
还有一项体验会决定用户
是否真的愿意长期使用
那就是打断
人与人交谈时
对方说错一个日期
听者会立刻插话纠正
不会等整段话结束
实时模型必须在播放
语音的同时继续监听
判断用户是在附和
补充还是要求停止
判断太敏感
背景声音会频繁打断回答
判断太迟钝
系统又会恢复成过去
那种必须等它说完的机器
发布页强调流畅对话
真正的产品考验却在
这些毫秒级决定里
打断以后还要处理任务状态
用户说不要周五
改成周六
模型需要撤销尚未提交的查询条件
同时保留人数地点和预算
要是后台工具已经返回周五
结果系统不能把旧数据混入新方案
语音体验看起来只是一段声音
底下却需要严密的事务管理
Gemini3.8live把模型能力推到新的位置
也把传统软件工程的
问题重新带回AI产品
所以开头那个协议细节才重要
turn complete不再意味着任务结束
代表AI的工作第一次
可以延伸到一句话之后
用户听见的回答只是前台
后台还在推理和行动
下一场竞争不会只
比谁回答得更聪明
而会比谁能把这个
看不见的后台管住
他接下来必须证明的是
模型做错时
整个系统也知道怎样停下来
那个问题还没有关闭
而它会决定实时智能体
究竟成为下一代操作界面
还是下一批企业事故的来源