Gemini 3.8 Live 與 Extended Thinking：Google 把背景推理帶進即時語音代理

Google 推出 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking，兩者都是用於即時語音代理與即時對話的原生「音訊對音訊」模型。前者面向大規模部署、成本效率、流暢對話與視覺脈絡理解；後者則鎖定需要背景推理的高複雜度、多步驟工作。 102

最大差異：工作還沒做完，對話不必停下來

真正的亮點在 Gemini 3.8 Live Extended Thinking。Google 表示，模型可在背景中推理、規劃與呼叫非同步工具，同時持續串流語音回應。當較耗時的工具尚在執行，系統可用自然的對話銜接語維持互動，而不是讓使用者一路等待結果。 12

這裡所謂的「同步推理」，不只是縮短輪次之間的回覆時間。在 Google 的設計中，語音生成、背景規劃與非同步工具活動能並行進行。例如，語音代理可以一邊說明接下來會怎麼處理，一邊等待資料查詢完成，或執行多步驟流程。這是否真的改善體驗，仍要看工具本身是否可靠、對話流程是否設計得宜，以及代理的發話是否提供實質資訊，而非單純填補空白。 12

兩款模型各自適合什麼情境？

Google 將標準版 Gemini 3.8 Live 定位為低延遲、高量對話體驗的選項，目標是在不引入推理造成的延遲下，提供即時交流能力。它結合即時對話與視覺脈絡理解，讓代理可同時運用對話內容與畫面資訊。 1045

Google 代表另表示，該模型支援 97 種語言，並可在同一段對話中切換語言。實際導入前，開發團隊仍應針對自己的口音、語言組合、地區供應狀況與特定工作流程進行測試。 16

簡單來說：

• Gemini 3.8 Live：適合重視即時反應、規模與成本的語音互動。
• Gemini 3.8 Live Extended Thinking：適合診斷、查詢、規劃等需要多步思考，或工具可能需要數秒才回傳結果的任務。 12

基準成績可參考，但不能直接當作採購結論

發表報導列出的 Speech-to-Speech Quality Index 成績為：Gemini 3.8 Live 76.0、Gemini 3.8 Live Extended Thinking 82.6，以及 OpenAI 的 GPT-Live-1（中等推理強度）81.5。 25

在該比較裡，Extended Thinking 的分數最高；不過，這些數字不應被視為經獨立稽核、足以判定整體生產品質的結論。真正的語音代理部署還必須面對插話與打斷、多語與不同口音辨識、工具呼叫正確性、高負載延遲、安全防護、可觀測性，以及每個成功解決任務的總成本。

因此，這組分數比較適合作為一項評估訊號，而不是宣告某個系統適用所有客服中心或助理工作流程的勝負判決。 25

定價：應以 Live API 價表為準

Google 官方定價表將兩款新模型歸在 Live API。付費標準方案中，音訊輸入為每 100 萬個權杖 3.00 美元，或每分鐘 0.005 美元；音訊輸出為每 100 萬個權杖 12.00 美元，或每分鐘 0.018 美元。文字輸入為每 100 萬個權杖 0.75 美元；文字輸出（含思考權杖）則為 4.50 美元。 37

這項區分很重要：其他地方看到的 Gemini 3.8 Flash 權杖價格，不能直接套用到 Live 模型。做預算時，應查閱最新的 Live API 定價表與模型文件，並用真實通話情境測試；因為語音代理的成本取決於輸入音訊、輸出音訊、視覺脈絡、文字與相關工具使用量的組合。 37

開發者、企業與一般使用者在哪裡能用？

Google DeepMind 將兩款模型都列為 正式推出（Generally Available）。公開的可用性表格顯示，兩者都可透過 Gemini 應用程式、Google AI Studio、Gemini API 與 Google Enterprise Agent Platform 使用。Google Search Live 列有 Extended Thinking；Google Workspace 則列有 Gemini 3.8 Live。 54

對開發者而言，這是在同一個原生音訊對音訊模型家族中，於標準即時對話模型與高推理模型之間作選擇。對企業來說，問題不只是哪個模型可用，也包括預定部署情境對應的產品介面、資料控管、可用地區與整合路徑。 54

對生產級語音代理意味著什麼？

Google 的競爭主張，是把語音互動、視覺脈絡理解、背景推理與非同步工具整合到同一模型家族。理論上，這可減少團隊在語音辨識、文字模型、工具編排與語音合成之間自行拼接的工作，也能在背景工作進行時維持對話連續性。 110

OpenAI 的 GPT-Live-1 仍是重要比較對象，尤其對正在評估全雙工對話行為的團隊而言。不過，上述基準比較範圍有限，無法單獨決定平台選擇。較可信的評估方式，是以具代表性的真實通話進行測試，量測插話處理、工具呼叫正確率、多語表現、安全控管、故障復原、延遲，以及每個完成成果的成本。 25

Google 尚未明確說清楚的部分

目前提供的發表資料，未能確認 Gemini 3.8 Live 或 Extended Thinking 有精確的 SynthID 音訊浮水印政策。Google 表示，SynthID 已擴展至為 Gemini 應用程式與網頁體驗產生的文字加入浮水印及提供辨識能力；但這不等於每一段由這兩款 Live 模型產生的音訊串流都已加上浮水印，也未交代偵測方式或推出條件。 59

同樣地，整合公告與合作支援可能快速變動。計畫正式上線的團隊，應在確定技術架構前，再核對最新模型文件、價格、平台可用性與適用服務條款。 3754