首页 
Google DeepMind于2026年9月发布Gemini 3.8 Live Extended Thinking，这是面向高复杂度任务的实时对话模型。其核心能力是边推理边说话，在保持不间断对话流的同时执行多步后台任务。模型使用早期语音提示（如让我检查一下）自然确认请求，通过实时进度叙述引导用户完成多步后台操作。 在Artificial Analysis Speech to Speech质量指数中，Gemini 3.8 Live Extended Thinking以82.6分位居前列。模型在多个基准测试中表现突出：Big Bench Audio推理能力97.7%，Tau-Voice智能体任务完成68.6%，Sierra的Tau-Voice银行业务场景35.1%。它自动检测并在对话中切换97种支持语言，近实时处理视觉输入以丰富对话上下文。 模型在后台执行工具和API调用的同时继续对话，所有AI生成音频均使用SynthID水印直接编织进音频输出。可用渠道包括Gemini API、Google AI Studio、Gemini Live，以及面向企业的Gemini Enterprise私有预览。合作伙伴涵盖Salesforce、ServiceNow、LiveKit、Agora等，开发者平台支持LangChain、Vercel、Pipecat等集成。
📋 技术规格
| 厂商 | Google DeepMind |
|---|---|
| 模型分类 | 语音与音频 |
| 参数规模 | 未公开 |
| 上下文窗口 | 未公开 |
| 最大输出 | 未公开 |
| 知识截止 | 未公开 |
| API定价 | 输入: 未公开（按音频输入时长计费）输出: 未公开 |
⭐ 核心能力详解
边推理边说话，保持不间断对话流
Speech-to-Speech质量指数82.6位居前列
97种语言自动检测和切换
近实时视觉输入处理，丰富对话上下文
后台工具和API调用不中断对话
SynthID音频水印保障安全透明
🎯 典型应用场景
多语言客服：97种语言自动切换的实时语音客服
复杂业务咨询：边推理边解答多步骤业务问题
实时翻译对话：跨语言实时语音翻译
视觉辅助对话：结合图片和视频的实时讲解
后台任务处理：对话中执行检索、计算、API调用
企业级语音助手：集成CRM和业务系统的智能客服
💪 技术优势与差异化
- 边推理边说话能力，对话体验接近真人
- 97种语言自动切换，全球化部署无需额外配置
- 后台任务执行不中断对话流，用户体验流畅
- 近实时视觉输入，支持多模态对话
- Speech-to-Speech质量指数82.6位居前列
- SynthID水印保障AI生成内容可追溯
- 企业级合作伙伴生态完善
⚠️ 使用局限与注意事项
- 具体定价和上下文窗口未公开
- Gemini Enterprise为私有预览，企业接入需申请
- 参数规模和训练细节未公开
- 开源状态不明确，私有化部署不可行
- 实时对话对网络延迟和带宽要求高
- 97种语言中部分小语种口音可能不自然
💰 价格分析与成本建议
Gemini 3.8 Live Extended Thinking具体定价未公开，文中提及按音频输入时长计费且保持有竞争力的价格。参考Gemini 3.8 Flash文本定价$0.75/$3.75每百万词元，实时语音模型因计算资源消耗更大，预计定价会高于文本模型。建议关注Gemini API定价页面获取最新信息。
👥 适用人群与企业
客服中心运营总监、技术支持工程师、企业架构师、多语言应用开发者、跨国企业客服团队、语音AI应用团队
🏭 行业适配度评估
多语言自动切换、边推理边说话、后台调用系统，天然匹配客服场景
⚠ 小语种口音可能不自然
复杂业务咨询、理赔分析结合视觉输入，实时语音处理
⚠ 金融级合规认证需额外评估
多步故障排查、后台诊断工具调用、进度叙述引导用户
⚠ 技术知识库覆盖需测试
远程问诊和健康咨询的语音交互
⚠ 医疗数据隐私要求严格，语音训练策略未公开
多语言口语练习、实时纠错反馈
⚠ 教育场景对内容安全要求高
🔧 技术架构解析
| 架构设计 | 面向高复杂度任务的实时对话架构，边推理边说话 |
|---|---|
| 语言支持 | 97种语言自动检测和切换 |
| 视觉输入 | 近实时处理视觉输入，用上下文丰富对话 |
| 后台任务 | 后台执行工具和API调用，不中断对话流 |
| 安全机制 | SynthID音频水印直接编织进音频输出 |
| 可用渠道 | Gemini API、Google AI Studio、Gemini Live、Gemini Enterprise私有预览 |
🔒 安全合规与数据隐私
| 数据训练策略 | 未公开（Google未明确说明语音数据是否用于训练） |
|---|---|
| 合规认证 | SynthID水印、Google安全框架 |
| 数据驻留 | 全球部署，数据在Google服务器处理 |
| 加密方式 | 传输加密（TLS），存储加密 |
⚔️ Gemini 3.8 Live Extended Thinking 与同厂商及竞品模型对比
| 竞品模型 | 优势 | 不足 |
|---|---|---|
| Google DeepMind Gemini 3.8 Flash | 文本和编码能力全面，100万上下文 | 非实时语音模型，不具备边推理边说话能力 |
| OpenAI GPT-Live-1 | 全双工语音，实时翻译 | API尚未开放，仅限ChatGPT应用内使用 |
| 通义千问Qwen-Audio-3.0-Realtime-Plus | 双工语音对话，国产化部署 | 多语言覆盖和复杂推理能力不如Gemini Live |
🏢 同厂商模型矩阵
Google DeepMind旗下Gemini系列模型定位矩阵（选取代表性模型）
| 模型 | 定位 | 品类 | 特色 |
|---|---|---|---|
| Google DeepMind Gemini 3.8 Flash | 文本工作主力 | chat | 100万上下文，编程和智能体 |
| Google DeepMind Gemini 3.8 Live Extended Thinking当前 | 实时语音旗舰 | audio | 边推理边说话，97语言，82.6质量指数 |
| Google DeepMind Gemini 3.8 Flash Cyber | 网络安全 | chat | CyberGym前沿，CWE-Bench 47.2% |
| Google DeepMind Lyria 3.5 | 音乐生成 | audio | 44.1kHz立体声3分钟 |
| Google DeepMind Gemini 3.5 Transcribe | 智能转录 | audio | 语音转文字 |
🧭 选型决策指南
核心能力匹配，82.6质量指数位居前列
97种语言自动检测，无需预先指定
后台执行API调用，进度叙述引导用户
为云服务，不支持私有化部署
可用Gemini 3.8 Flash，编码能力更强
🏆 真实使用案例
📌 某跨国银行多语言客服中心
📌 某保险公司理赔咨询实时对话
📌 某技术支持团队多步故障排查
💬 用户真实评价
97种语言自动切换让全球客服真正统一了，边推理边说话的体验接近真人坐席，后台调用系统也不打断对话。
多步故障排查场景表现很好，模型在对话中后台跑诊断工具，用进度叙述引导用户操作，效率提升明显。
Gemini Enterprise还是私有预览需要申请，定价也没公开，企业级评估有点难做。合作伙伴生态确实完善。
通过LangChain和LiveKit接入很顺畅，视觉输入让对话更丰富。小语种口音偶尔不太自然但常用语言没问题。
✅ 实践建议与使用技巧
💡 Prompt工程建议
设计自然对话流程
利用边推理边说话能力，让模型用早期语音提示自然确认请求。
传入视觉输入丰富上下文
结合图片或视频帧，利用近实时视觉处理让对话更丰富。
利用后台任务并行化
设计对话时预留后台工具调用空间，让模型在闲聊中完成检索和计算。
🔄 替代方案分析
这两款文本模型编码和推理能力更强，适合非语音场景。
这两款为实时语音模型，GPT-Live-1支持全双工但API未开放，Qwen-Audio国产化部署。
这两款为专业音乐生成模型，输出质量更高。
这两款为开源全模态模型，可本地部署。
2026-08-03
