9 月 15 日，Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时对话模型，直接把枪口对准了一周前 OpenAI 的 GPT-Live-1 全双工语音。如果说一年前各家还在证明"AI 能不能同时听和说"，现在的比拼已经换成了另一组问题：它能不能边聊边干活、支不支持多种语言、价格能不能用得起。
不是"更会聊"，是"更能干活"
Gemini 3.8 Live 主打实时语音 Agent（智能体）能力。关键不在音色，而在交互结构：
- 边推理边汇报。遇到复杂任务，Extended Thinking 版本会先回一句、再边思考边同步进度，而不是闷头算完才给结果。这对"等 AI 办事"的用户体验很关键——你至少知道它没卡死。
- 工具调用在后台跑。需要查资料、调接口、算数据时，调用发生在后台，不打断对话流。换句话说，它把"聊天界面"和"执行引擎"缝在了一起。
- 97 种语言自动切换。多语种场景下无需手动切模型，对话中混用语言也能接住。
- 近实时视觉输入。开着摄像头，它就能"看"着画面跟你聊——把语音和视觉两条通道并进实时交互。
这套组合拳的目标很明确：让语音不再是"问答入口"，而是"能调外部世界完成任务"的接口。
价格成为第二战场
据行业媒体梳理，Gemini 3.8 Live 的定价明显低于 OpenAI 的 GPT-Live-1。随后 Artificial Analysis 的语音质量榜显示，Extended Thinking 版本以 82.6 分登顶，τ-Voice 单项也小幅领先 GPT-Live-1 Astra。
但榜单分数高，不等于落地就稳。评测同时指出，在银行这类高风险场景里，整体任务成功率只有约 35%——"听得清、答得顺"和"办得对"之间，仍有明显距离。这恰好点出了实时语音 Agent 当下的真实水位：对话质量先跑通了，任务可靠性还在爬坡。
为什么是现在
实时语音的拐点，和三个条件同时成熟有关：
- 全双工成为标配。能同时听和说，才谈得上"自然打断、随时插话"，否则体验仍是半双工的对讲机。
- 端到端延迟压下来。模型小到能近实时响应，用户才不会因为"慢半拍"而放弃。
- 工具生态接得上。语音只是触发器，真正产生价值的是它背后能调动的搜索、业务系统、API。
谷歌的优势在于"全家桶"：搜索、地图、Workspace 都是现成的工具供给，语音 Agent 一旦接上，能办的事天然比单模型多。
语音 Agent 进入性价比阶段
从 GPT-Live-1 到 Gemini 3.8 Live，大厂在实时语音上的比拼，已经由"能不能同时听和说"转向"便宜不便宜、能不能真办事"。对做客服、陪伴、车载语音、导购的团队来说，这条赛道正在快速变得用得起。
只是落地到严肃场景前，仍得把两件事算清楚：一是准确率与责任边界——银行场景 35% 的成功率说明，高价值任务还离不开人在环；二是成本结构——低价能拉新，但长期要看单次任务的综合成本，而不只是每分钟音频价。
一句话：语音 Agent 的"能聊"阶段基本结束了，"能办事且办得对"的阶段刚开场。