Gemini 3.8 Live：Google推出的实时双向多模态语音AI模型

AI新闻 AI工具箱 1个月前

一、Gemini 3.8 Live是什么

Gemini 3.8 Live是Google DeepMind推出的原生双向实时语音多模态模型，包含两个版本：标准版gemini-3.8-live与增强推理版gemini-3.8-live-extended-thinking，主打低延迟音视频图文实时交互，支持对话打断、多语言自动切换、后台并行工具调用，面向开发者构建生产级语音智能体，同时面向普通用户提供实时语音交互体验。

标准版侧重低成本、大规模低延迟语音对话；Extended Thinking扩展思考版支持对话过程中后台执行复杂多步骤推理，在运算的同时持续语音输出，不会出现对话中断、空白停顿的问题，适合复杂任务语音Agent开发。

二、功能特色

实时多模态流式交互：音频、图片、视频、文本流实时输入输出，支持摄像头画面实时视觉理解，边看画面边语音问答，实现视觉接地能力。
自然对话打断：支持随时插话打断模型输出，复刻真人对话体验，不用等待模型说完。
97种语言自动识别切换：对话中途无需手动设置语种，可自动识别并切换语言，支持混合语种对话。
后台并行工具调用：模型语音输出不中断，同时在后台执行函数调用、联网查询等操作，消除等待空白。
AI语音水印SynthID：模型生成的语音内置SynthID水印，可识别区分AI合成语音，提升内容溯源能力。
双版本差异化定位：标准版主打大规模场景、成本可控；扩展思考版支持thinking_level推理参数配置，处理复杂多步骤任务。

Gemini 3.8 Live

三、技术细节

模型ID：gemini-3.8-live、gemini-3.8-live-extended-thinking
上下文窗口：最大输入131072 token
通信协议：WebSocket Live API，流式双向音视频传输
基准测试指标（Extended Thinking版本）

Speech to Speech Quality Index：82.6
Big Bench Audio：97.7%
τ-Voice语音任务完成率：68.6%

运行模式：标准版支持实时双向交互；Extended Thinking仅支持异步模式，后台并行推理
核心底层机制：采用并行推理架构，语音流输出与工具调用、复杂推理任务异步执行，解决传统语音AI思考时对话卡顿空白的痛点；原生音视频多模态融合，不是简单的语音转文字+大模型+文字转语音拼接方案。

四、应用场景

企业实时语音客服、电话语音智能体，自动接待、查询、预约
硬件设备端实时语音+视觉交互，智能硬件语音助手
实时语音翻译、现场图文语音问答、远程设备故障语音排查
在线教育语音辅导，边看习题画面边语音讲解
个人实时语音助手，结合摄像头识图、多语言实时对话

五、使用方法

普通用户使用

可直接在Gemini App、Google Search Live、Google Workspace中使用Gemini 3.8 Live语音实时对话功能，开启语音交互，支持调用手机摄像头同步传输画面，一边展示图片/实物一边语音提问。

开发者接入

进入Google AI Studio，获取API密钥；
使用WebSocket Live API接入，指定模型ID；
构建双向音视频流，配置是否开启Extended Thinking；
配置工具调用权限，实现联网、函数调用；
调试打断机制、多语言识别、视觉输入流；
上线生产环境，支持按量计费，包含免费额度。

六、竞品对比

模型	出品方	核心优势	主要短板	适用场景
Gemini 3.8 Live Extended Thinking	Google DeepMind	原生音视频多模态，97种语言自动切换，后台并行工具调用，语音基准分数高	企业私有化部署处于私有预览阶段	带视觉输入的复杂语音Agent、现场音视频交互
GPT-4o Realtime API	OpenAI	开发者生态成熟、文档丰富，社区案例多，WebRTC工具完善	原生视觉实时能力弱于Gemini 3.8 Live	纯语音实时对话、电话客服语音Agent
Amazon Nova Sonic	Amazon	单价低，官方宣称低延迟，深度对接AWS云原生	多模态视觉能力有限，复杂推理能力一般	大规模低成本纯语音呼叫场景

七、常见问题解答

问：Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking最核心差别是什么？

答：标准版Gemini 3.8 Live主打低延迟、低成本，适合高并发、简单语音对话场景；Extended Thinking扩展思考版，支持后台并行深度多步推理，在模型思考、调用工具的时候不会中断语音输出，但是只能使用异步模式，适合预约、故障排查这类复杂多步骤语音任务。

问：是否支持本地部署？

答：目前没有开放本地部署版本，只能通过Google Gemini API、Google AI Studio云端调用；企业私有化版本Gemini Enterprise处于私有预览阶段。

问：模型支持哪些输入形式？

答：支持实时音频流、摄像头视频流、图片、文本同时输入，多模态混合输入，模型可以同时理解语音和画面信息。

问：对话里可以随时打断AI说话吗？

答：支持，原生支持barge-in打断机制，用户可以随时插话，不需要等模型把整段语音输出完毕。

问：生成的AI语音自带水印，水印会影响听感吗？

答：SynthID水印为不可感知水印，人耳无法分辨，不会影响语音流畅度，仅用于机器识别，溯源AI生成语音。

八、总结

Gemini 3.8 Live是Google面向实时语音交互赛道推出的原生多模态语音模型，分为标准版与扩展思考两个版本，依托并行推理架构解决传统语音AI思考停顿的痛点，融合音频、视频、图像实时理解能力，支持多语言自动切换与对话打断，兼顾普通用户实时语音体验和开发者构建生产级语音智能体的需求，在音视频一体化实时交互上形成差异化能力，开发者可通过Gemini WebSocket Live API快速接入。