Google 於 9 月 15 日正式推出 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking 兩款即時語音模型。前者鎖定大量部署、成本效率與流暢對話，後者則把更多運算資源放在複雜任務與多步推理，並主打模型能一邊說話、一邊處理背景工作。
這次更新最醒目的成績，是 Extended Thinking 版本以 82.6 分登上 Artificial Analysis 語音轉語音綜合指數首位。這不只是單項語音辨識或合成分數，而是把語音推理、代理任務表現、真人偏好與任務成功率納入同一套評估，讓語音模型的比較更接近實際代理應用。
兩款模型分工：一款拚規模，一款拚複雜任務
依據 Google 官方公告，Gemini 3.8 Live 結合即時對話、視覺定位與成本效率，適合需要大量同時服務使用者的語音產品；Extended Thinking 則針對需要較深推理的工作，讓模型在維持對話的同時拆解與執行多步驟任務。
這個分流反映語音代理的兩種需求。客服、搜尋與一般助理重視回應速度、自然插話和營運成本；訂位、故障排除、金融服務或企業流程則更在意模型能否查找資訊、呼叫多個工具並取得正確結果。Google 沒有用單一設定涵蓋所有情境，而是讓開發者依任務複雜度選擇速度與推理深度。
82.6 分代表什麼？不是單一語音測試
Artificial Analysis 說明，Speech to Speech Index 是語音推理、代理任務表現、Arena 偏好與任務成功率的等權重綜合分數，而且只有完成全部評測的模型才會列入。榜單顯示，Gemini 3.8 Live Extended Thinking（High）取得 82.6 分，高於 OpenAI GPT-Live-1 Astra 的 81.5 分與 Grok Voice Think Fast 2.0 High 的 81.3 分；一般版 Gemini 3.8 Live 則為 76.0 分。
拆開來看，Extended Thinking 在 Artificial Analysis 的 Big Bench Audio 語音推理項目為 98%，在模擬客服使用工具處理真實任務的 τ-Voice 為 68.6%，任務成功率為 89.1%，首段語音平均等待時間為 1.35 秒。這些數字顯示它的優勢主要落在推理與代理操作，而不是每個語音維度都全面領先；例如一般版 3.8 Live 的對話動態分數反而較高，首段語音也更快。
Google DeepMind 的評測方法文件進一步說明，Artificial Analysis 與 τ-Bench 測試使用 Gemini API，模型 ID 分別為 gemini-3.8-live-preview 與 gemini-3.8-live-extended-thinking；Extended Thinking 採高思考設定與預設取樣，結果原則上以單次作答計算，沒有透過多數決或平行測試增加測試時計算量。
真正的改變，是模型能在對話背後繼續工作
Google 表示，Gemini 3.8 Live 可以在接近即時的速度處理視覺輸入，並在同一段對話中自動辨識與切換 97 種支援語言。更重要的是，工具與 API 呼叫可在背景執行，模型能先確認已收到要求，接著維持交談，不必讓使用者在一片沉默中等待外部系統回傳結果。
Extended Thinking 則會同時推理與說話。它可以用簡短語句先回應使用者，再持續口述多步任務的進度。對語音代理而言，這不只是介面更像真人，而是把過去「停下來想、完成後再回答」的同步流程，改成可以持續互動的非同步工作模式。
這種能力特別適合訂位、查詢企業資料、現場故障排除與客戶服務。使用者可以在代理查資料或呼叫工具時補充條件，模型也能把新資訊帶回仍在進行的任務；若實作得當，語音介面就不再只是聊天視窗的朗讀版，而是能持續協調工具與人的工作入口。
從測試榜單到產品，仍要看任務設計
82.6 分證明 Extended Thinking 在目前這套綜合指標下取得領先，但不等於任何語音應用都會自動變得可靠。Artificial Analysis 的 τ-Voice 是在模擬客服環境裡，讓模型依政策文件與工具完成具備唯一正確資料庫狀態的任務；Big Bench Audio 則用 1,000 道音訊題目測量原生語音推理。這些測試比只比較音色自然度更貼近代理使用情境，但仍無法取代企業自己的口音、噪音、權限、延遲與失敗復原測試。
榜單也顯示不同設定各有取捨。Extended Thinking 的綜合分數最高，一般版 3.8 Live 則在 Artificial Analysis 的資料中擁有更快的 1.18 秒首段語音時間，以及 96.1% 的對話動態分數。開發團隊需要依照任務風險與等待容忍度決定模型，而不是只選榜單最高的一個。
開發者、企業與一般使用者從哪裡使用
兩款模型都已開始透過 Gemini API 與 Google AI Studio 向開發者推出。Gemini 3.8 Live 也進入 Search Live；企業端先以 Gemini Enterprise 私人預覽提供，之後將擴展至 Gemini Enterprise for Customer Experience。
Extended Thinking 同步進入 Gemini Live，並提供給 Google AI Pro 與 Ultra 訂閱者在 Google 文件中的 Workspace 體驗；Gmail 與 Keep 則向 Google AI 訂閱者推出。企業可在 Gemini Enterprise 私人預覽使用，Google 也預告將提供給 Workspace 商務客戶。實際可用時間仍可能因帳號、地區與逐步推出進度而不同。
語音代理生態系已經提前接軌
Google 同時列出 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 與 Vision Agents 等開發平台，這些服務可透過 Gemini Live API 處理即時媒體串流與語音介面。Salesforce、Genspark、Lumeris 等企業也在合作名單中，顯示 Google 希望把 Gemini 3.8 Live 放進客服、企業工作流與垂直應用，而不只留在 Gemini 自家產品。
這項策略的關鍵，是讓開發者不必自行拼接語音轉文字、文字模型與文字轉語音三個階段。原生語音模型能直接理解與產生音訊，理論上可保留語氣、停頓與插話等資訊，也更容易維持全雙工對話；但產品端仍須處理電話網路、回音消除、工具權限、敏感資料與人工轉接等工程問題。
所有生成音訊都加入 SynthID 浮水印
Google 表示，旗下 AI 產品產生的所有音訊都會嵌入不可感知的 SynthID 浮水印，以便後續辨識 AI 生成內容。這項設計不會替代平台的揭露、同意與防詐機制，但在語音模型愈來愈自然、又能大規模部署後，提供了一層可追溯性。
對開發者來說，Gemini 3.8 Live 的新聞價值不只是一張榜單。真正值得觀察的是，Google 正把視覺理解、即時語音、多語切換、背景工具呼叫與多步推理整合成同一個 Live API。若這些能力在實際網路延遲與複雜企業系統中仍能維持穩定，語音 AI 的主戰場將從「說得像不像人」，快速轉向「能不能一邊溝通、一邊把事情完成」。
資料來源
- Google：Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking
- Artificial Analysis：Speech to Speech AI Model & Provider Leaderboard
- Google DeepMind：Gemini 3.8 Audio Model evaluation
