AI 说话，终于不用像对讲机了：Gemini 3.8 Live 来了

语音交互进入真人节奏

Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 是 Google DeepMind 新出的两个实时语音模型。一句话理解它们，输入输出都是语音的「语音版 AI」，你对着它说，它直接开口回你，中间没有打字那一步。

以前你跟 AI 语音助手说话，是什么感觉？对讲机。你说一句，它答一句，你说完了它才开始转，转完了才开始说，中间卡壳几秒，气氛尴尬得像电梯里碰见不太熟的同事。

这次不一样。3.8 Live 主打的是「低延迟」这三个字，你话音还没落，它已经开始组织了。它不是等你把话说完了再想，而是边听边想，交错着来，像真人对话里那种「嗯嗯对对」的接话节奏。

更狠的是它能自动识别 97 种语言，聊着聊着你自己切了个语种，它跟着就切了，不用你设置什么。中英文混着说，它也能接住。

还有个细节挺有画面感。处理复杂任务的时候，它会像真人一样冒出一句「让我查一下」，然后真的去后台查，查的时候嘴也不停，一边查一边跟你解释进度。

你品品这个体验，像不像你让同事帮你查个事，他说「我看看啊」然后一边翻资料一边跟你唠。

双模型分工：快嘴与慢工出细活

这是两个模型真正的分工，也是这次发布会最容易被忽略的地方。

3.8 Live 是快的那个，适合日常问答，你问它答，反应快，适合当默认。

3.8 Live Extended Thinking 是「想得深」的那个，适合难的、多步骤的活。它的特点是后台可以慢慢推理，但前台跟你说话不中断。你让它「帮我把这周的数据整理成报告，再检查一下明天的日程有没有冲突」这种多步任务，它不会闷头干完再回你，而是边干边说，走到哪一步了都跟你讲。

说人话，一个是快嘴，一个是慢工出细活但嘴上不停。Google 把这两种能力拆成两个模型，让开发者自己选，你要快还是要深，丰俭由人。

对咱们普通人的意义在哪？以后你跟 AI 说一句「帮我订个餐厅」这种话，它不用再装模作样地「好的，正在为您查询」，而是真的能一边确认你的口味偏好、一边查空位、一边跟你确认付款，全程像个人。

从聊天到干活：语音模型首次深度集成工具调用

光会说话不算本事，这次真正的变化藏在「后台工具调用」里。

以前的语音助手，聊归聊，干不了事，最多帮你设个闹钟。这次的模型支持在对话的同时，后台调工具、调 API、执行任务，而且全程不打断你们的对话。

举个官方演示的例子，它当编程老师，你对着它说代码哪里不对，它一边看着你的屏幕（近实时视觉理解是这次的新能力），一边告诉你哪儿错了、怎么改，还顺手把改了之后的版本跑给你看。你全程没碰键盘。

这就是质变了。AI 语音不再是个「嘴替」，它开始长出手来。

不过这地方要泼盆冷水。工具调用是「可以了」，但还没到「人人都能用」的程度。写代码、查数据这些活，要靠开发者把模型接进应用里，普通用户能直接用到的入口其实有限。Google 说普通用户从今天起能在 Gemini Live、Google 搜索的 Live 里用到，买了 Google AI Pro 或 Ultra 订阅的能在 Workspace 的 Docs、Gmail、Keep 里用到，但那是订阅付费用户的福利，不是免费午餐。

而且得说句实话，上面这些入口，国内目前都用不了。不管是 Gemini Live 还是 Workspace 那套，国内的网络和账号都够不着。希望国内厂商尽快跟上，把这种边聊边干活的体验，早点做成我们开箱即用的东西。

定价未明与行业抢跑信号

说到这，你可能想问，那到底贵不贵？

答案是，发布主文里没直接给。Google 这次发布了模型，但在主发布文里没公布每分钟的使用价格，价格藏在开发者博客的角落里，连不少媒体都在追问。这在现在的 AI 圈挺少见，说明定价策略还没完全想清楚，或者想憋个大招。所以想拿它做应用赚钱的开发者，预算表上还会留个悬念。

但话又说回来，Google 这两周一次的发布节奏，本身就是一个信号。它不是在跟你挤牙膏，它是在抢跑道。

抢的是哪条跑道？语音。

你想想，过去一年 AI 圈的注意力全在「多模态」和「Agent」上，但普通人对 AI 感知最强的场景，其实一直是说话。手机里那个语音助手，从 Siri 到小爱同学，被吐槽了十年「人工智障」，就是因为它们只会对讲机式的问答，不会真正「聊天」。

而现在，Google、OpenAI、亚马逊这些巨头都在同一时间把火力对准实时语音。OpenAI 有 Realtime API，亚马逊有 Nova Sonic，Google 这次拿出的双子星，就是想证明一件事，跟 AI 说话这件事，终于可以做得像跟人说话一样了。

国内这边，豆包其实也没闲着。今年4月它就把实时语音通话接进了自研的全双工语音大模型，App 里点个「打电话」就能边听边说，餐厅、地铁里吵一点也能聊，体验已经很接近打电话了。只不过像这次双子星这种一边想复杂任务、一边跟你播报进度、一边在后台调工具干活的连贯劲儿，国内暂时还没看到同级别的落地，还得再追一阵。

这次的 3.8 Live 系列，其实有个小成绩可以佐证。在第三方评测机构 Artificial Analysis 的「语音到语音质量」榜单上，Extended Thinking 版本拿了 82.6 分，排第一。在考多步任务完成率的 τ-Voice 上也拿了 68.6%。说人话就是，在「跟 AI 对话」这件事上，Google 目前是跑在最前面的那一档。

效率范式正在迁移：从打字、触屏到「说即干」

我想说一个判断，不是预测，是已经发生的事。

你有没有发现，我们正在经历一个奇怪的过渡期。键盘打字被发明的时候，大家觉得打字是效率；触屏被发明的时候，大家觉得点一下是效率；现在 AI 能听懂人话了，下一步的效率，可能就是「你直接说，它直接干」。

Gemini 这次把「说话」和「干活」焊在了一起，就是这个过渡期的又一个脚印。它还不能替你开公司，但它已经能一边跟你聊着天，一边把活干了。

对于你我这样的普通用户，最值得记住的就一句话，以后跟 AI 说话，不用再像跟对讲机说话了。它开始会接话茬、会边想边说、会一边答应你一边去干活。

这体验，第一次离普通人这么近。

下次你拿起手机问 AI 点什么的时候，可以留意一下，你的 AI，是会先沉默几秒再回答你，还是会跟你说一句「让我查一下」。

这个差别，就是这次发布的意义。

JOTO 企业落地观察

• 语音智能体工程正从「单轮应答」转向「多线程协同」：企业需重构语音接口设计，支持语音流中嵌入状态管理、异步工具调用与进度同步机制。
• RAG 知识工程面临新挑战：实时语音交互要求知识检索与生成必须在亚秒级完成，传统批处理式 RAG 架构需升级为流式 chunking + 增量 embedding 更新模式。
• AI 安全治理需覆盖语音上下文连续性：语音对话中意图漂移、多轮敏感信息拼接、实时工具调用权限链等新风险点，无法沿用文本时代的静态 prompt 审计方式。
• FDE 驻场共创将更聚焦「语音工作流编排」：企业一线业务人员需参与定义语音指令-动作映射规则、中断恢复逻辑与多模态反馈阈值，而非仅提供文本需求文档。