讓人察覺對話另一端是機器的，往往是那段空白。請語音助理幫忙查資料，它就會安靜下來，因為模型無法一邊說話一邊呼叫工具。Google DeepMind於9月15日推出的Gemini 3.8 Live與Gemini 3.8 Live Extended Thinking，正是為了消除這段空白而設計。
重點摘要
- 兩款模型都能在對話持續進行的同時於背景執行工具呼叫，並自動偵測97種語言的切換，不必重新啟動工作階段。
- Extended Thinking以82.6分居Artificial Analysis語音對語音品質指數之首，GPT-Live-1 Astra為81.5分，Grok Voice Think Fast 2.0為81.3分。
- 每小時輸入音訊的費用，標準模型為0.84美元，Extended Thinking為3.50美元，Astra則要5.83美元。
背景執行帶來什麼
Extended Thinking能同時推理與發話。它不再讓對話陷入沉默，而是先給出「我查一下」這類簡短回應，再一邊完成多步驟任務、一邊把進度說出來。這類工作正是高階模型的目標；標準版Gemini 3.8 Live則走低價、高用量路線，主打流暢對話與視覺理解。
兩款模型都支援即時視覺輸入。使用者把鏡頭對準螢幕詢問畫面內容，模型就能把看到的東西併入正在進行的對話。函式呼叫在一旁獨立執行，而這正是真正的助理與多數AI代理至今仍擺脫不了的電話語音選單之間的分野。
與Astra、Grok的比較
與OpenAI的GPT-Live-1 Astra相比，品質差距不大，任務完成率的差距卻明顯。在衡量代理能力的tau-Voice基準測試中，Extended Thinking拿下68.6%，Astra為67.9%。而在Sierra的tau-Voice-banking評測中，差距拉開到35.1%對32.0%，該測試看的是代理有沒有真正解決客服請求，而非聽起來是否專業。
xAI的模型落後更多。Grok Voice Think Fast 2.0在tau-Voice拿到56.5%，xAI-Realtime在銀行測試僅16.5%。Google表示Extended Thinking在Big Bench Audio達到97.7%；標準模型在語音指數拿下76.0分，並在以偏好投票排名的Speech Agent Arena位居第二。
價格才是真正的論點
語音服務按小時計費，因此價目表的分量比排行榜更重。從整理Artificial Analysis數據的報導來看，每小時輸入音訊Grok Voice Think Fast 2.0收費4.80美元，Astra為5.83美元，兩者都高於分數勝過它們的Google模型的3.50美元，更是0.84美元標準方案的數倍。
贏了效能還壓低價格，是Google一再使出的老招。該公司先前把Gemini 3.7 Flash訂在前代的半價，3.8 Flash也只比這次發表早兩週推出，語音產品線如今已與文字模型走上同樣的節奏。
哪些人用得到
開發者可透過Gemini API與Google AI Studio取得這兩款模型，企業端則在Gemini Enterprise獲得不公開預覽。LiveKit、Pipecat、Agora、LangChain與Vercel已支援Live API，Salesforce、Genspark與Lumeris則被列為早期採用者。
一般使用者可在付費的Google AI方案中，於Gemini Live、Search Live以及Docs、Gmail、Keep等Workspace應用程式內使用Extended Thinking。所有生成音訊的每一秒都帶有SynthID浮水印，那是Google用來標示音訊來源的機制。
沒有解答的問題是，這些模型離開腳本之後是否撐得住。評測照著劇本跑，客服隊列不會。對Google DeepMind來說，最糟的情況是代理自信地描述一項它根本沒完成的工作。價格優勢，換來的正是在實際服務中驗證這一點的空間。
FAQ：常見問題
開發者現在就能使用Gemini 3.8 Live嗎？
可以。Gemini 3.8 Live與3.8 Live Extended Thinking自2026年9月15日起開放，透過Gemini API與Google AI Studio取用。企業版為Gemini Enterprise的不公開預覽，主打客服情境的Gemini Enterprise for Customer Experience則列為即將推出。
與GPT-Live-1 Astra相比價格差多少？
以Big Bench Audio子集計算的每小時輸入音訊成本，Gemini 3.8 Live為0.84美元，Extended Thinking為3.50美元。GPT-Live-1 Astra要價5.83美元，等於Google較便宜的方案約為其七分之一。
支援多少種語言？
97種，並且在說話者中途改用其他語言時自動偵測。不需要重新啟動工作階段，也不必事先指定語言。
