Gemini 3.8 Live
Google DeepMind 于 2026-09-15 发布的原生语音到语音（speech-to-speech）实时对话模型，含标准版与 Extended Thinking 两个版本。Extended Thinking 可在说话的同时后台推理、异步调用工具并实时汇报进度，以 82.6 分登顶 Artificial Analysis 语音质量指数；实测每小时输入音频成本 3.50 美元，标准版低至 0.84 美元。支持 97 种语言单次对话内切换、近实时视觉输入、128K 上下文，输出音频带 SynthID 水印。
发布 2026-09-17更新 2026-09-24核实 2026-09-17规格
- 厂商
- Google DeepMind
- 发布日期
- 2026/9/15
- 类型
- multimodal
- 上下文窗口
- 131K tokens
- 最大输出
- 66K tokens
- 定价
- 音频输入 $3.00/百万 token（$0.005/分钟）·音频输出 $12.00/百万 token（$0.018/分钟）·文本输入 $0.75/百万·文本输出 $4.50/百万·图像视频输入 $1.00/百万
- API 兼容
- Gemini API, Google AI Studio
基准测试
优势
- •原生端到端语音到语音，跳过转写与合成环节，目标端到端延迟 200ms 以内并保留完整声学上下文（语调、重音、迟疑）
- •Extended Thinking 可边推理边说话，工具调用在后台异步执行，用「让我查一下」这类自然回应填充等待，消除对话空白
- •Artificial Analysis 语音质量指数 82.6 分，为该榜最高分；Big Bench Audio 98%、τ-Voice 68.6% 均领先 GPT-Live-1
- •成本优势显著：标准版实测每小时输入音频 0.84 美元，为该榜最低；Extended Thinking 3.50 美元仍比 GPT-Live-1 的 5.83 美元低四成
- •97 种语言自动检测并在单次对话内中途切换，适合混合语种地区的客服与支持热线
- •所有输出音频带 SynthID 水印，便于内容溯源与合规
- •发布当天即有 LangChain、LiveKit、Pipecat、Agora、Vercel 原生集成，可复用现有编排层
不足
- •Live API 会话有硬时钟：纯音频 15 分钟、音频加视频 2 分钟，长对话必须自建续接逻辑
- •Extended Thinking 仅支持异步非阻塞函数调用，同步阻塞模式不可用，老代码需改造
- •turnComplete: true 的语义改变——后台推理时也会返回该标志，把它当「活干完了」会造成任务提前判定完成
- •Proactive audio 常开且不可关闭，模型会主动忽略「不是说给它听」的内容，某些场景需要额外适配
- •标准版盲测语音竞技场 1083 Elo，低于上一代 Gemini 3.1 Flash Live 的 1096；Extended Thinking（High）990 Elo、任务成功率 89.1%，低于标准版的 93.2%
- •Full Duplex Bench（打断与停顿）91.9%，落后 GPT-Live-1 的 94.9%——真实客服里能否被自然打断，体感权重可能高于综合跑分
- •知识截止 2025 年 1 月；模型卡自陈仍有幻觉、越狱防护待完善、偶发变慢或超时
- •扩展思考会生成推理 token 并按输出费率计费，同一张价目表下实测账单约为标准版的四倍
适用场景
定位一句话
Google DeepMind 于 2026-09-15 发布的原生语音到语音实时对话模型系列，含 Gemini 3.8 Live（低延迟、成本优先）与 Gemini 3.8 Live Extended Thinking（复杂任务、边想边说）两个版本，模型 ID 分别为 gemini-3.8-live 与 gemini-3.8-live-extended-thinking。
它的核心主张不是「语音版的大模型」，而是用单个端到端模型取代 STT + LLM + TTS 的三级级联管线，并把「推理」与「说话」从串行改成并行。
两个版本怎么选
| 维度 | Gemini 3.8 Live | Gemini 3.8 Live Extended Thinking |
|---|---|---|
| 定位 | 规模化、成本效率、流畅对话、视觉 grounding | 复杂多步任务、推理与说话并行 |
| 工具调用 | 同步 / 异步均可 | 仅异步非阻塞 |
| 推理深度 | 无 thinking_level | thinking_level：low / medium / high |
| 主动音频 | 可选 | 常开，不可关闭 |
| 每小时成本（实测） | $0.84 | $3.50 |
| 质量指数 | — | 82.6（榜首） |
选型规则：答案质量比首个字速度更重要时用 Extended Thinking；高并发、成本敏感、任务简单时用标准版。
定价
| 项目 | 价格 | 折算 |
|---|---|---|
| 音频输入 | $3.00 / 百万 token | $0.005 / 分钟 |
| 音频输出 | $12.00 / 百万 token | $0.018 / 分钟 |
| 文本输入 | $0.75 / 百万 token | — |
| 文本输出 | $4.50 / 百万 token | — |
| 图像 / 视频输入 | $1.00 / 百万 token | $0.002 / 分钟 |
| 免费额度 | Google AI Studio 免费档 | 输入输出均免费 |
两版标价完全相同，但 Extended Thinking 生成推理 token 并按输出费率计费。同一套任务下实测账单约为标准版的四倍——做预算请按推理 token 算，不要按标价算。
技术规格
- 上下文窗口：128K token（131,072）输入 / 64K token（65,536）输出
- 模态：文本、图像、音频、视频
- 语言：97 种，单次对话内自动检测并中途切换
- 会话限制：纯音频 15 分钟，音频加视频 2 分钟
- 音频格式：有状态 WebSocket，输入 16-bit PCM @16kHz，输出 24kHz
- 水印：全部输出音频带 SynthID
- 底座：基于 Gemini 3 Pro（模型卡标注），非 Flash 系列
- 知识截止：2025 年 1 月
- 企业版：Gemini Enterprise 私测中
适合 / 不适合
适合
- 呼叫中心与客服语音 Agent，尤其是多语种地区
- 需要边查边答、工具调用链路较长的语音助手
- 正在维护三级级联管线、想降低延迟与运维复杂度的团队
- 成本敏感但需要接近前沿质量的语音产品
不适合
- 需要超过 15 分钟连续会话且不愿自建续接的场景
- 依赖同步阻塞函数调用的既有架构
- 对「能否被自然打断」要求极高的场景（Full Duplex Bench 落后 GPT-Live-1）
- 需要最新知识的问答（知识截止 2025 年 1 月）
相关阅读
- 资讯：Google 发布 Gemini 3.8 Live 与 Extended Thinking · AI 编程周报 2026-09-17
- 同系列：Gemini 3.8 Flash · Gemini 3.7 Flash · Gemini 3 Pro
- 对比模型：GPT-6 Astra · Claude Fable 5.1 · GLM-5.3
- 概念：上下文工程 · MCP · Agentic Coding
来源
- Google launches Gemini 3.8 Live and Extended Thinking — DataNorth
- Gemini 3.8 Live Extended Thinking 模型页 — AI/TLDR
- Google releases Gemini 3.8 Live with bidirectional voice — AI Primer
- Gemini 3.8 Live Launches: Voice Agents Beat GPT-Live-1 — ByteIota
- 腾讯研究院 AI 速递 20260917 — 搜狐
待核实：全部基准分数来自 Artificial Analysis 第三方评测，其中 GPT-Live-1 对照组仅单次试验；每小时成本为该机构按固定任务集实测值，非 Google 官方口径。Gemini Enterprise 版本处于私测。本卡由 AI 之家 编辑部基于公开资料整理，非厂商付费内容。
避坑清单
- 先算每分钟成本，再看 token 单价：语音模型的计费单位是音频时长（本卡音频输入 $0.005/分钟、输出 $0.018/分钟）。一个不打断的长会议，成本可能比同内容文本高两个数量级。
- 打断处理是体验分水岭：真实对话里用户会抢话。上线前必须实测 barge-in（打断）延迟，否则「智能」会被「迟钝」抵消。
- 第三方基准不等于你的场景：本卡基准全部来自 Artificial Analysis，且 GPT-Live-1 对照组仅单次试验（见文末声明）。用自己的音频样本（口音、噪声、专业术语）复测。
- 131K 上下文是够用不是万能：长会话仍会累积噪声，建议配周期性摘要（参见 Context Engineering）。
- 国内合规路径要提前定：语音数据涉及个人信息与可能的出境问题，录音留存与存储位置必须在设计阶段确定。
FAQ
Q: 什么场景值得上实时语音模型？ A: 三类：用户不方便打字（车载、家务、工业现场）、语音本身就是产品形态（客服、陪练、语言学习）、对话节奏要求自然（需要打断、重叠、语气反馈）。纯信息查询类场景打字更快更省，别为了「炫」上语音。
Q: 延迟多少才算可用？ A: 行业经验值：端到端 800ms 以内对话才自然，超过 1.2s 用户会明显感到「在等机器」。但实际延迟受你的网络链路与部署区域影响极大，务必在你自己的目标区域压测。
Q: 和「文本模型 + TTS + ASR」拼装方案比呢？ A: 拼装方案胜在可控与便宜，原生语音模型胜在打断、语气、重叠对话这些交互细节。如果需求只是「读出答案」，拼装更划算；如果需求是「像人一样对话」，才值得上原生。