2026年9月15日，Google正式对外发布两款新一代实时语音对话AI模型，分别为Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking。作为谷歌现阶段综合能力最强的实时对话模型体系，两款产品在智能推理、并行运算、实时响应等核心维度完成跨越式升级，补齐了传统语音交互模型的多项短板。
此次发布的两款模型均采用原生语音到语音技术架构，彻底颠覆了行业沿用多年的交互逻辑。区别于常规语音AI分段转换的模式，新模型无需经过语音识别、大模型推理、语音合成的串联流程，直接在音频层面完成信息理解、逻辑处理与语音生成，大幅简化交互链路。
架构革新：打破传统三段式语音交互瓶颈
长期以来，市面上绝大多数语音对话模型，都依赖ASR→LLM→TTS的串联工作模式。这种分层处理架构技术成熟，但存在天然缺陷，多层链路转换会产生累积延迟、信息损耗和语义偏差，很难支撑自然流畅的实时对话体验。
Gemini 3.8 Live系列摒弃了这套传统方案，搭建端到端的音频处理体系。模型可以直接读取音频信号、解析用户语义、实时生成语音回复，全程减少多环节数据转译带来的误差与延迟，让人机对话节奏更贴合真人交流状态。
依托全新架构优势，两款新模型实现了并行推理能力突破。系统可以在持续对话的同时，后台同步完成工具调用、数据检索与逻辑运算，不会出现对话卡顿、响应中断、思考留白等常见问题。
双版本精准定位，适配不同交互场景需求
Google针对不同使用场景，对两款模型进行了清晰的功能定位，满足轻量化日常交互与高难度复杂任务需求。其中Gemini 3.8 Live主打极致低延迟，是通用实时语音交互的首选模型，适配日常对话、实时问答、轻量化语音操控等场景，全程保持流畅无卡顿的响应效果。
Gemini 3.8 Live Extended Thinking则侧重深度推理能力，主打复杂任务处理。该版本支持边实时对话、边后台深度思考，能够应对多步骤、高逻辑难度的复杂指令，在保持对话连贯性的同时，完成高精度推理运算，兼顾交互流畅度与内容专业性。
多重能力升级，夯实实时语音交互优势
除核心架构革新外，新模型在实用功能层面完成全面升级。两款模型均支持近实时视觉联动理解，可同步识别画面信息与语音指令，实现多模态实时交互。同时模型兼容97种语言的实时切换，对话过程中可自动识别语种并无缝适配，适配全球化交互场景。
在运行机制上，新模型支持后台异步工具调用与API调度，所有功能性运算均在后台静默完成，不会打断当前对话流程。这套机制解决了传统AI执行任务时需要暂停对话、等待运算完成的痛点，真正实现人机自然流式交互。
重塑行业标准，开启实时AI交互新赛道
此次Gemini 3.8 Live双模型的落地，不只是单一产品的迭代升级，更是对实时语音AI行业技术范式的重构。端到端音频直出架构、并行实时推理、低延迟高智能的特性，解决了长期困扰行业的体验痛点。
随着实时交互技术不断成熟，AI人机交互将彻底摆脱机械、生硬的指令式对话模式。Google此次技术突破，也为智能终端、实时客服、语音办公、智能助手等场景提供了全新的技术底座，推动AI语音交互从“可用”向“自然可用、高效好用”全面进阶。
本文由智算芯能前沿网编辑整理，转载请注明出处。