9 月 15 日，Google 静悄悄上线了两款实时语音模型：Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。没有发布会，只有一篇博客加 API 文档更新。
但这次值得写，不是因为它跑分又高了一点，而是因为它动手拆掉了一个存在很久的尴尬：语音 AI 要么接话快但不会做事，要么会做事但接不上话。
用过语音助手的人都有这个体验——你问它「帮我查下明天飞上海的航班，顺便看看附近酒店」，它沉默三秒，然后回你一句「好的，正在为您查询」。这三秒里你不知道它在思考、在查、还是已经掉线了。Google 自己在 Live API 文档里把这个问题写得很直白：文字界面可以显示「正在处理」，语音通话里的几秒沉默什么都传达不了。
这篇文章讲四件实在事：它改了什么、数据到底什么水平、普通人怎么用上、以及国内用户真正的门槛在哪。
太长不看
| 关注点 | 结论 |
|---|---|
| 发布时间 | 2026 年 9 月 15 日（美国时间），Google 官方博客 + API 开放 |
| 最大变化 | 推理与对话并行：模型可以「边说话边在后台干活」，不用等工具返回才开口 |
| 两个版本 | Live 走低延迟规模化；Extended Thinking 加后台多步推理，适合复杂任务 |
| 关键数据 | Speech to Speech 榜 82.6 分登顶（领先 GPT-Live-1 1.1 分）；电信场景通过率 84%；银行场景 35.1% 破纪录 |
| 成本 | 基础版 $0.84/小时（行业最低），增强版 $3.50/小时（GPT-Live-1 为 $5.83/小时） |
| 谁能用 | 开发者走 Gemini API / AI Studio；企业走 Gemini Enterprise；普通用户目前只能从 Search Live 试 |
| 国内门槛 | 不在账号，在链路——实时语音对延迟、抖动、丢包的敏感度比文字高一档 |
一、语音 AI 卡在哪：不是不够聪明，是它不敢边听边想
先把老架构摊开看。传统语音助手是一条串行的三级流水线：
语音识别（ASR）→ 文本模型推理 → 语音合成（TTS）
这条链路的延迟是相加关系。单看每一环都不算慢——ASR 三百毫秒、模型四百毫秒、TTS 七百毫秒——但串起来，从你松口到听见回答，一两秒就出去了；如果中间还要调用外部工具查数据，那几秒等待全落在「沉默」上。
更麻烦的是，一旦对话变成串行，模型就没法处理「边听边想」。你说完它才开始处理，它回话时你的插话它听不进去，你中途改主意它也来不及反应。
这就是语音 Agent 长期落地不好的根因：它被做成了一个一次只干一件事的系统，而真实对话是好几件事同时发生的。
二、这次改的是结构：从「三级流水线」到「一条持续连接」
Gemini 3.8 Live 系列的做法是把语音理解、推理、语音生成和工具调用，全部放进同一个持续运行的连接里，而不是让它们排队。
具体表现是什么？Live API 文档举的例子很清楚：让助手比较航班和酒店，它可以分别发起查询、在查询过程中继续跟你对话，而不是等所有接口都返回了才第一次开口。任务执行期间它还能口头报告进度——「航班查到了三班，酒店还在看」——最后再给结论。
这中间有个容易被忽略的机制：Extended Thinking 在后台规划任务、异步调用工具，前台同时先给一句「我来查一下」垫住。沟通感和执行效率不再是二选一。
但它也带来一个新问题，而且这个问题会直接落到开发者头上：判断「一轮对话结束了没有」的方式变了。
老的实时语音模型，说完一段话这轮就算结束；现在后台任务可能还在跑，用户随时可能插话、改口、甚至让几秒前启动的任务瞬间失去意义。于是系统要处理的东西变成：并发任务怎么排、旧结果还成不成立、打断之后要不要回滚。这不是调快一点就能绕过去的事。
三、两个版本怎么选
| 维度 | Gemini 3.8 Live | Gemini 3.8 Live Extended Thinking |
|---|---|---|
| 定位 | 低延迟、规模化部署，多数实时语音场景的默认选择 | 需要多步骤推理、调用多个工具的复杂任务 |
| 核心能力 | 语音 + 图片/视频近实时理解、工具调用、Google Search Grounding | 在实时之上加后台思考，前台对话不中断 |
| 适合场景 | 客服、车载、日常助手、并发量大的语音入口 | 行程规划、金融与交易类操作、跨系统任务编排 |
| 上下文 | 131,072 输入 Token / 65,536 输出 Token | 同左 |
| 价格 | $0.84/小时 | $3.50/小时 |
怎么选其实一句话：用户说话时你要马上有回应 → 基础版；用户让你“顺便把事办了” → 增强版。 很多产品最后是混着用的：日常对话走基础版，识别到复杂意图再切增强版。
四、82.6 分是什么概念
第三方机构 Artificial Analysis 的语音对话质量综合指数（Speech to Speech Index）里，Extended Thinking 拿下 82.6 分，第二名是 OpenAI 的 GPT-Live-1，差 1.1 分。
差距不大，但有个纵向对比更有意思：Google 上一代 3.1 系列在同一个榜上不到 72 分。也就是说这一代提升在 10 分以上，而语音这类榜单越往高分越难涨。
另外两组专项数据：
- τ-Voice 电信场景通过率 84%，比对手领先 4 个百分点。电信客服是语音 Agent 最苛刻的落地场景之一——查余额、改套餐、报故障都要准确调用系统，说错一步就要转人工。
- τ³-Banking 银行场景通过率 35.1%，创下该测试的新纪录。注意这个数字本身只有 35%，看着不高，但它衡量的是「多轮对话里自主完成银行业务操作」的端到端成功率，属于行业普遍很低的硬骨头指标——大家普遍在百分之十几到二十几徘徊。
这些指标怎么读？语音榜不是比谁延迟低，而是比“该接话时接得上、该做事时做得成”这两件事同时成立的比例。 单点延迟再低，任务办不成也是白搭。
五、成本：$0.84 和 $3.50 每小时
基础版处理成本 0.84 美元/小时，官方称行业最低；增强版 3.50 美元/小时，对比 GPT-Live-1 的 5.83 美元便宜了四成。
这里有个计费逻辑值得单独说：语音模型按“连接时长”收费，不是按 Token。 文本 API 用多少付多少，语音则是你占着这条实时连接多久，就按小时往上报。这意味着成本控制的重心和文本完全不同——客服系统里没人说话的那几分钟、用户挂机没断连的那些时间，都在计费。做产品的人如果按文本 API 的直觉去估预算，很容易翻车。
还有一点：上面这些价格只覆盖模型调用。真要跑起来，链路成本、音频编解码、前端设备全都要单算。
六、两个容易被忽略的细节
97 种语言自动检测与切换。 对跨境客服、多语种直播这类场景是实打实的升级——过去要么预选语言，要么让用户手动切，现在是聊着聊着切语言，模型自己跟上。
音频输出嵌入 SynthID 水印。 生成的每一段音频都带可追溯标记。这件事对做内容的人意义比对开发者大：以后拿 AI 生成的语音做节目、做配音、做客服录音，来源是可被识别的。合规方向上这是好事，但也意味着“用 AI 声音冒充真人”这条路越来越窄。
生态侧，Google 同时公布了 Salesforce、ServiceNow 等合作方，方向很明确：往企业工作流里扎。
七、怎么用上：四条入口
| 你的身份 | 入口 | 说明 |
|---|---|---|
| 开发者 | Gemini API / Google AI Studio | 已开放，AI Studio 里可以直接试语音对话 |
| 企业用户 | Gemini Enterprise | 抢先体验，后续扩展到 Gemini Enterprise for Customer Experience |
| 普通用户 | Search Live | 目前最接近“打开就能用”的入口，直接体验实时语音对话 |
| 想接进自己产品的团队 | Live API | 官方示例、异步函数调用、音频流处理都在文档里 |
对国内用户来说，这三条路最后都指向同一件事：一个能正常登录的 Google 账号，加一条稳得住的国际链路。 前一条相对好解决，后一条才是决定体验的那一环。
八、国内用户真正的门槛：语音比文字更吃链路
这部分是我自己踩过之后最想讲清楚的。
很多人以为「能打开网页就能用语音」，实际差距比想象大。原因是这四件事：
第一，语音是持续占着出口的负载。 文字对话一次请求几百毫秒就结束了，链路短、要求松；语音一次连接几分钟到几十分钟，全程双向音频流不停。这跟下载大文件是同一类负载——占得久，中途出问题的机会就多。
第二，延迟的体感阈值完全不同。 网页慢 300 毫秒你毫无感觉；语音里 300 毫秒的空白，人耳立刻判定“它卡住了”。而跨境访问本身单程往返延迟就有 200～300 毫秒，再叠加模型推理和设备处理，很容易跨过那条让人不舒服的线。
第三，抖动比平均延迟更致命。 平均延迟好看但忽高忽低的链路，表现是声音断续、句子被切碎、你和 AI 互相打断。听感上就像对面嗓子突然坏了。
第四，语音包丢了不能靠重传等回来。 文字传输出错可以重传，慢一点没关系；实时音频等不起——前端只能靠补偿算法硬撑，超过阈值就直接掉词、变成机械音。
结论很反直觉但很实在：如果你打算长期用实时语音类的 AI，挑一条稳的线路比挑一条快的线路重要。 峰值测速跑得再漂亮，晚八点抖成一片照样废。
三个硬指标和自查方法
| 指标 | 什么水平算能用 | 怎么测 |
|---|---|---|
| 往返延迟 | 稳定在 200 毫秒以内，波动别超过 50 毫秒 | 同时 ping 目标服务，连测 2-3 分钟看最大值，不只看平均值 |
| 丢包率 | 低于 1% | 常规测速工具看丢包；跨境线路晚高峰复测一次 |
| 抖动 | 越小越好，明显忽高忽低就是不行 | 看 ping 输出的 mdev / 标准差，比平均延迟更能说明问题 |
测的时候有个细节：一定要在你真正会用语音的时段测。 白天测出来一片绿，晚上八点开语音对话就开始断续，这是最常见的情况。
移动网络下还有额外一层：手机在 4G/5G 和 Wi-Fi 之间切换时，连接会重建，语音对话直接断一截。真要用语音跑长任务，尽量固定在 Wi-Fi 环境。
如果你发现某些程序压根不走代理（语音客户端、桌面 App 最容易有这问题），可以看 TUN 模式完全指南；不确定自己该选哪类线路，IEPL、IPLC 与中转的区别这篇讲得最清楚。
九、什么时候别用语音
语音能做的事变多了，但不代表所有事都该用语音。这几种情况用文字更划算：
- 要精确数字、地址、单号 —— 语音识别错一个字符，就要来回确认三遍，文字一眼就能核对
- 要在办公室、通勤地铁上用 —— 你的对话内容等于公放，尤其是让 AI 查工作数据的时候
- 要读长材料、深度对比 —— 语音适合交互，不适合承载信息密度，长文档还是看
- 链路本身不稳的时候 —— 文字有重试余量，慢一秒你还能忍；语音慢一秒就已经毁了一句对话
十、选线路：五家怎么挑
实时语音的选型逻辑和下载、流媒体都不一样，它排第一的不是带宽，是稳定与低延迟。按这个标准排下来：
| 你的情况 | 首选 | 备选 | 为什么 |
|---|---|---|---|
| 长时间开着语音对话、链路容易抖 | 光速云 | 飞猫云 | IEPL专线 多路复用抗丢包，一路不稳立刻切到可用路径 |
| 对延迟最敏感、要求接话跟手 | 飞猫云 | 光速云 | 自有机房 IEPL 专线，不走公共互联网路径，延迟更短更可控 |
| 登录 Google 账号、长期养账号环境 | 飞猫云 | MESL | IEPL + 住宅 IP，登录环境稳定，不容易触发风控 |
| 手机、电脑、平板多端同时用 | SS-ID | 光速云 | IEPL 网关，一次配置全设备走线路，5 设备起 |
| 只想低成本试水、当备用 | 微风网络 | MESL | ¥6.99 起入门，全球 80+ 地区，缺的只是关键时刻能顶上 |
光速云是我自己长期在用的主力。它的 IEPL专线 多路复用在语音这种持续双向流上最对症——链路一抖就切路径，听感上就是句子不断。200GB 流量八折后月付 ¥15.92，不限设备数，手机和电脑同时挂着不抢名额。👉 查看光速云深度评测
飞猫云自有机房 IEPL，年付折合月付 ¥16.6。专线的价值在实时对话里比在网页浏览里明显得多：延迟低且稳，你插话它接得住，不会出现那种「说完等半天」的空白。👉 查看飞猫云深度评测
飞猫云走 IEPL 加住宅 IP，¥16.8。语音 AI 的使用往往伴随账号登录，而 Google 对异常登录环境的判定看的是出口 IP 类型，不是你的网速。一个干净的住宅 IP 环境，比多买几十兆带宽实用。👉 查看飞猫云深度评测
三个常用组合，按需求直接抄：
- 主用 + 备用：光速云 ¥15.92 + 微风网络 ¥6.99 = ¥22.91，日常语音对话走主力，主力出问题时备用线顶上
- 低延迟优先：飞猫云 ¥16.6 + 飞猫云 ¥16.8 = ¥33.4，一路管接话跟手，一路管账号环境
- 全设备铺开：飞猫云 ¥16.8 + SS-ID ¥20 = ¥36.8，家里所有设备一次配好
FAQ
Q：普通用户想试试，要花多少钱？ A：模型本身按小时计费（基础版 $0.84/小时），普通用户目前最省事的入口是 Search Live。真要用得久，成本主要落在订阅和链路上，不是模型调用。
Q：语音对话一小时大概多少流量？ A：音频流本身不大，几十 KB/s 级别就够——它不需要大带宽，需要的是全程不断。所以别用「测速多少兆」来判断语音能不能用，要看延迟和丢包。
Q：和 ChatGPT 的语音模式比，怎么选？ A：两条路线不同。OpenAI 的 GPT-Live-1 是全双工语音，复杂推理交给后端 GPT-6 Astra 这类文本模型处理；Gemini 3.8 Live 是把推理直接放进同一条实时连接。日常闲聊两者都够；要一边聊一边跑多步任务，Gemini 这次的异步工具调用更贴近这个场景。之前的 ChatGPT GPT-Live 语音模式指南 可以对着看。
Q：手机上能用吗？ A：能。但移动网络下切换基站、Wi-Fi 与蜂窝互切时连接会重建，语音会断一截。要跑长任务建议固定在 Wi-Fi，并挑一条稳的线路。
Q：它和 Gemini 3.8 Flash 是什么关系？ A：不是一回事。Flash 是文本与智能体主力模型，Live 系列专攻实时语音。想了解 3.8 这一代模型整体到什么水平，可以看 Gemini 3.8 Flash 上手教程。
Q：语音 AI 会不会取代文字？ A：不会。语音解决的是「边聊边把事办了」，文字解决的是「把信息准确记下来」。两者负载特征完全不同，选型上也是两套标准。
写在最后
Gemini 3.8 Live 这次做的事，往小了说是把语音体验修顺了一些，往大了说是把语音 Agent 从「能聊天」推向「能干活」。
但对国内用户来说，模型变强的收益能不能拿到手，很大程度取决于一条常被忽略的变量：你脚下这条链路稳不稳。 语音是最不宽容的负载——它不给重试的机会，也没有「等一下」的余地。
所以如果你打算认真用这一类工具，先把三个数字测出来：延迟、丢包、抖动。这三个数字干净，语音体验自然就上来了；哪一项不干净，换模型也救不了。