会懂网AI资讯，9月17日，Google DeepMind今日正式发布两款面向实时对话场景的新模型Gemini 3.8 Live与Gemini 3.8 Extended Thinking，进一步加码语音交互这一被视为下一代人机入口的关键赛道。其中Extended Thinking版本凭借出色的语音表现，在Artificial Analysis公布的语音质量榜单上以八十二点六分登顶，确立了谷歌在实时对话质量上的领先身位，也向外界展示了其多模态大模型在口语化、低延迟场景中的深厚积累。
在交互机制上，新版模型引入了边回应边推理的工作方式：当遇到需要多步拆解的复杂任务时，它会先给出一个初步回应稳住对话节奏，随后在后台持续推理并主动汇报进度，用户无需等待漫长思考即可获得即时反馈。这种设计显著改善了长任务对话中的体验断裂感，使语音助手在面对开放问题时表现得更像一位有条不紊的协作者，而非只能机械等待指令的执行终端，整体可用性因此大幅提升。
更为实用的突破在于工具调用的后台化运行。Gemini 3.8 Live允许模型在对话过程中于后台静默调用外部工具与接口，例如查询日程、检索资料或触发某些操作，而整个调用过程不会打断用户与模型的连续对话，真正实现了不断话的顺畅体验。过去语音助手一旦需要联网查询往往会出现明显的停顿与话轮切换，而谷歌通过把工具调用与语音合成解耦，让信息获取与口语表达可以并行推进，极大地压缩了交互摩擦。
语言能力方面，新模型支持多达九十七种语言的自动切换，能够根据对话对象的语言习惯实时调整输出语种，无需用户手动设置，这对跨语言沟通与全球化部署尤为友好。同时，模型具备近实时的视觉输入能力，可以结合摄像头或图像流理解当前环境并作出回应，使语音交互从单纯的听觉通道升级为多模态的情境感知。这两项能力的结合，让Gemini 3.8系列在客服、导览、无障碍辅助等需要即时多语言多感官响应的场景里具备广泛的应用潜力。
在定价策略上，谷歌给出了颇具竞争力的方案，音频输入约为每分钟零点零零五美元、输出约为每分钟零点零一八美元，折算下来每小时对话成本大约在一点三八美元左右，明显低于同类的GPT-Live-1实时语音模型。在实时语音这一对成本极其敏感、且可能被大规模调用的场景下，更低的单位价格意味着开发者能够以更可控的预算构建长时间在线的语音应用，从而在商业化落地上获得更直接的价格优势与推广空间。
整体而言，Gemini 3.8 Live与Extended Thinking的发布，凸显了谷歌在实时多模态语音方向上的系统性布局，无论是登顶榜首的语音质量、后台并行调用工具的能力，还是九十七种语言与近实时视觉输入的加持，都指向一个更自然、更连续的人机对话未来。配合更具性价比的定价，谷歌正试图在语音这一被普遍看好的下一代交互入口上抢占先机，与OpenAI、Anthropic形成三足鼎立的实时智能竞争格局。
暂无评论内容