Google 於 9 月 15 日發表兩款全新語音模型 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking，鎖定即時語音代理（Voice Agent）應用。Extended Thinking 版本在 Artificial Analysis 的語音對語音品質指數（Speech-to-Speech Quality Index）拿下82.6 分，名列第一。這兩款模型透過 Gemini API 與 Google AI Studio 開放開發者使用，主打「對話過程中同時執行任務」，模型能在背景呼叫 API 或工具，同時持續對使用者輸出語音回應，不會中斷對話流程。
Gemini 3.8 Live 兩款模型的定位差異
Gemini 3.8 Live 定位為「大規模部署、成本效率優先」的語音對語音模型，在 Speech Agent Arena 中獲得使用者偏好度第二名。核心能力包括：
- 非同步函式呼叫：在背景執行 API 與工具呼叫，同時持續串流語音回應給使用者
- 即時視覺上下文：將即時視覺輸入納入對話脈絡，讓語音代理能理解使用者「說了什麼」和「看到了什麼」
- 英數字精確度：準確解析確認碼、理賠編號、技術規格等英數混合資訊
- 97+ 語言支援：對話中自動偵測並切換語言，無需手動設定
Gemini 3.8 Live Extended Thinking 則針對高複雜度任務設計，具備更深層的推理能力。它支援「可配置思考」（configurable thinking），能在背景處理多步驟推理，同時用口語提示（如「讓我確認一下⋯⋯」）維持對話不中斷，並即時播報任務進度。
Gemini 3.8 Live 跑分成績
Google 公佈的基準測試數據顯示：
- Artificial Analysis 語音對語音品質指數：Extended Thinking 以 82.6 分居冠，標準版 3.8 Live 獲第二名
- τ-Voice 代理任務完成率：Extended Thinking 達 68.6%
- Sierra τ-Voice-banking：35.1%
- Big Bench Audio 推理能力：97.7%
- ServiceNow EVA-Bench：在準確度與對話品質的平衡上推進了帕累托前緣（Pareto Frontier）
Google DeepMind 首席工程師 Tom Ouyang 在部落格文章中表示，這兩款模型相較前代 Live 模型帶來「階躍式的提升」（step change），也提供比串接式架構（cascaded architectures）更精簡的替代方案。
Gemini 3.5 Transcribe：語音轉文字模型同步整合
Google 也一併將上月推出的 Gemini 3.5 Transcribe 整合至同一套開發者工具組。這款語音轉文字模型支援 85+ 種語言，串流模式下詞錯率（WER）為 4.0%，非串流模式則為 2.6%。
Google 推出全新 Gemini 3.5 Transcribe 語音轉文字模型：不僅更精準、更快，還會自動去贅詞、整理格式
特色功能包括：
- 自動語碼切換：句內與句間的語言切換自動處理，無需手動設定
- 自訂詞彙偏向：可傳入最多 1,000 個專業術語清單，引導語音辨識優先識別特定領域詞彙
- 智慧轉錄模式：自動移除填充詞、修正口誤，輸出結構化、可直接閱讀的轉錄文本
3.5 Transcribe 也可透過 Interactions API 處理最長 1 小時的音訊檔案，支援結構化時間戳與說話者標記。
定價與合作夥伴
Gemini 3.8 Live 系列定價為音訊輸入每分鐘 0.005 美元（約 NT$0.16）、音訊輸出每分鐘 0.018 美元（約 NT$0.59），換算約為輸入每百萬 Tokens 3 美元、輸出每百萬 Tokens 12 美元。
在合作夥伴方面，Agora、Fishjam、LiveKit、LangChain、Pipecat、Vercel 與 Vision Agents 等平台已同步支援 Live API，負責處理即時媒體串流基礎設施。企業端合作夥伴則包括 Salesforce、ServiceNow、Genspark 與 Lumeris 等。
Google 也同步提供完整的語音工具組，包含 Gemini 3.5 Live Translate（70+ 語言語音對語音翻譯）、Gemini 3.1 Flash TTS（語音生成）以及 Lyria 3.5（音樂生成），全部透過 Gemini API 存取。
