边说边算：谷歌用 Gemini 3.8 Live 押注后台处理

2026年9月15日，谷歌发布了 Gemini 3.8 Live 及其 Extended Thinking 版本，这是两款为实时对话设计的原生 speech-to-speech 语音对话模型。从技术角度看，最重要的变化不在于声音是否流畅，而在于模型能在对话进行期间调用外部工具并在后台运算。正如 TechRepublic 的分析所指出的，这种拆分意味着一句话说完的时刻，不再必然等同于底层操作完成的时刻。两款模型支持在 97 种语言之间动态切换，并能近乎实时地处理视觉输入，同时集成了用于识别生成音频的 SynthID 水印技术。

在性能指标上，Extended Thinking 版本以 82.6 分在 Artificial Analysis 的 Speech to Speech Quality Index 中位居第一。但这是一套采用自有方法论、榜单变动频繁的私人基准，而且与竞争对手的差距很小：据 Insider Monkey 报道的数据，OpenAI 的 GPT-Live-1 Astra 为 81.5 分，xAI 的 Grok Voice Think Fast 2.0 为 81.3 分。Insider Monkey 自己也指出，仅 1.1 分的差距所反映的，也许是当前竞争的激烈程度，而非结构性的技术鸿沟。至于内部基准，谷歌声称在 Big Bench Audio 上取得 97.7％，在 τ-Voice 上取得 68.6％，但在 Sierra 更复杂的 τ-Voice-banking 场景中，成绩降至 35.1％。在缺少独立第三方核验的情况下，这些数字只能被视为厂商的单方面声明。

首批分发既覆盖面向开发者的 API，也包括接入 Search Live 和 Gemini 应用等商业服务，但在运营成本和基础设施稳定性上仍有若干灰色地带。尽管专业媒体给出的标准版价格为每百万音频输入 token 3 美元、每百万输出 token 12 美元（约合每分钟 0.005 美元和 0.018 美元），但截至 2026年9月19日查阅时，谷歌官方价格页面尚未列出这些条目，也没有给出 Extended Thinking 推理 token 的额外费用。此外，整个 Live API 仍处于预览状态，没有确定的正式发布日期，关于实际延迟和多语言错误率也没有公布任何实测数据。

不公布延迟实测数据、也不公布 97 种支持语言的准确率，使最核心的疑问悬而未决：对话流程与后台处理的分离，走出受控的基准测试之后，能否经受日常使用的考验。决定这种看不见的语音交互究竟是一次实实在在的演进，还是仅仅为了不掉队而加速的，将是真实基础设施的稳定性，而不是私人测试里的零点几分。