谷歌发布Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking实时音频模型，支持97种语言与异步工具调用，后者语音质量指数得分82.6，已通过API和AI Studio开放

2026年9月15日，谷歌发布Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking两款实时音频模型。两款模型均为原生端到端语音模型，可在对话不中断的情况下调用工具、处理视觉信息和执行复杂任务。谷歌公布的信息显示，Gemini 3.8 Live支持实时视觉上下文和多语言对话，Gemini 3.8 Live Extended Thinking增加深度推理能力，在用户继续交流的同时于后台完成多步骤任务。

Gemini 3.8 Live支持97种语言，能够在对话过程中自动识别并切换语言，同时保持一致的语音表现。谷歌AI Studio软件主管Logan Kilpatrick表示，新模型支持97种语言，并加入异步工具调用等能力。该模型可在保持连续对话的同时，在后台异步执行工具和API调用；用户无需等待任务完成后再继续说话，模型可一边继续交流，一边让相关任务在后台运行，任务完成后再将结果融入当前对话。该模型还支持实时视觉上下文，用户可通过声音提问，并让模型理解正在看到的内容。谷歌展示的场景包括实时员工培训、故障排查以及让AI通过视觉信息参与棋局。谷歌表示，新模型加强了对字母数字信息的处理，包括确认码、索赔编号和技术数据。

开发者通过Live API调用时，音频输入价格为每分钟0.005美元，音频输出为每分钟0.018美元。

Gemini 3.8 Live Extended Thinking可在保持实时对话的情况下进行更深层推理，具备“边说边想”的后台扩展推理能力。模型可通过“让我查一下”等语音提示告知用户已开始处理任务，并在后台执行多步骤任务，同时维持前台对话。谷歌展示的案例包括通过异步函数调用完成多步骤预订、根据用户语音和草图实时生成React组件，以及通过自然语言完成商业计划和营销工具包的制作。

谷歌公布的数据显示，Gemini 3.8 Live Extended Thinking在Artificial Analysis的Speech to Speech Quality Index中排名第一，得分82.6；在τ-Voice智能体任务测试中完成率为68.6%，在Sierra的τ-Voice-banking测试中为35.1%；在Big Bench Audio测试中得分97.7%。普通版Gemini 3.8 Live在Speech Agent Arena中排名第二。

Gemini 3.8 Live Extended Thinking还被引入Google Workspace，可用于Docs、Gmail和Keep等产品。谷歌表示，其AI产品生成的音频均会加入SynthID不可见水印，该水印直接嵌入音频输出，用于识别AI生成内容。