9月15日，Google DeepMind正式推出Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking两款实时语音模型，把“像和人打电话一样和AI对话”这件事又往前推进了一大步——AI不再需要你“打完字等回复”，而是能边听、边想、边说。

Google发布Gemini 3.8 Live实时语音模型：边听边想边说，价格只要对手十分之一

什么是“实时语音模型”？

传统语音助手的工作方式是“语音转文字→文字给模型→模型回文字→文字转语音”，每走一步都有延迟，对话显得生硬。实时语音模型则把整个过程融合在一起：模型直接处理音频流，可以边听你说话边思考，甚至在你话音未落时就开始组织回答，还能随时打断、插话，体验接近真人对话。

两个版本，各有所长

  • Gemini 3.8 Live：面向低成本实时交互，支持97种语言自动切换、近实时视觉输入和后台工具调用——你可以一边和它聊天，一边让它帮你查资料、订日程。
  • Gemini 3.8 Live Extended Thinking：支持“边推理边语音交流”，适合多步骤复杂任务。在Artificial Analysis的语音质量榜单（Speech-to-Speech Quality Index）上以82.6分登顶。

价格：主动掀桌子

两款模型已通过Gemini API和Google AI Studio向开发者开放。定价极具竞争力：音频输入每分钟0.005美元、输出每分钟0.018美元。作为对比，OpenAI的GPT-Live-1音频输入为每分钟0.05美元——Google的价格约为其十分之一。按每小时活跃对话计算，成本差距会进一步拉大（约1.38美元对3美元以上）。

有分析认为，Google正试图通过“低成本+高并发”的策略抢占实时语音市场，用价格优势倒逼对手跟进。

结语

实时语音正在成为AI的“新入口”。当语音模型足够快、足够便宜、足够自然，打电话、开会、客服、学习等场景都会被重新定义。Gemini 3.8 Live的发布，标志着语音交互的竞争从“能不能聊”进入“聊得像不像真人、贵不贵”的新阶段。