谷歌发布Gemini 3.8 Live双模型：语音Agent能边聊边干活了

谷歌这次没发RSI核弹，发的是两个语音模型。9月17日，Google Deep Mind上线Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking。前者面向大体量商用，把对话流畅度和视觉理解打包；后者主打多步推理，定位高难度任务。

官方口径是迄今最先进的实时对话模型。第三方评测机构Artificial Analysis的语音品质榜上，Extended Thinking以82.6分排总榜第一。

发布时机挺微妙。此前一周，AI圈都在传谷歌的RSI（递归自我改善）大料，泄密账号放话、内部截图外流、布林亲自督战。结果等来的是语音模型。有人调侃：我听说的那个RSI，就这？

但笑完之后细看，谷歌做了一件过去二十年语音AI没做到的事——说话、思考、后台干活，三件事同时跑。

沉默被拆掉了

以前的语音助手最怕复杂问题：你一问，它先沉默。silence超过三秒，你就怀疑它是不是死机了，忍不住再问一遍，然后把它彻底打断。

Extended Thinking的处理方式是先接住，再思考。碰到需要多步推理的问题，它先用一句Let me check that…回应你，然后一边推理一边把思考进度讲出来。

这个体验有多重要？想想你自己是怎么应付老板的：老板问你个复杂问题，你也不会当场死机，而是说“我确认一下资料，想想”。现在AI也学会了这套职场生存技能。

等待被挪到了后台

第二个改动：模型可以先应下你的请求、继续和你聊天，把工具触发和API请求放到后台异步执行。

对普通用户来说这或许只是体验调优，但对工程师来说，这条比任何跑分都实在。

以前开发一个能查库存、能下单、能改地址的语音客服，项目量大半花在拼接空白上——用环境音乐填、用提示音填、用请稍等硬填。现在，模型自己把这段空白接住了。

语音Agent的开发门槛，被实质性砍掉了一大块。

切换语种和看屏幕，都成了默认能力

还有两个细节值得单独拎出来。

97种语言自助切换。对话中途换语种，它自己检测、自己切，同声传译层级的体验成了默认能力。

近实时视觉理解。摄像头对着什么它几乎同步知道。演示里它当编程家教，你指着屏幕上一行代码问这儿为什么报错，它看得见你指的是哪行。以前这要靠截图、上传、等待三步走，现在是一句话的事。

两张榜单要拆开看

这次的成绩单得分开看，一张考会不会聊天，一张考会不会办事。

聊天角度：Extended Thinking语音品质82.6分登顶，基准版在真人盲听投票中也排第二。谷歌说明开销压得住，体量化铺开的底子有了。

办事角度，数据更冷静：

注意银行那个场景：核身份、查流水、改额度，一步错就得从头来。即便是当下最强的语音Agent，也只办成了三成多。

这说明语音Agent早已能上岗，但离独当一面还很远。真正值钱的能力，仍然藏在那些复杂、多流程、不能出错的场景里。

补充一个工程视角的验证方法。评估语音Agent不能只看单轮问答准确率，要构造多轮中断测试：在模型思考期间插入新指令，看它能否保留原始任务上下文。判定标准可以定为——打断后任务完成率下降不超过10个百分点。这个指标比τ-Voice更贴近真实客服场景。

三个判断

交互形态的迁移比模型跑分更重要。谷歌这次真正的突破，不是分数从67涨到68，而是人和机器的协作方式变了——从下指令、等结果，变成边聊边并行干活。模型能力的兑现，越来越依赖交互形态的创新。

接住用户是一种被低估的能力。先说“我查一下”再思考，看似简单，实则是把人类的社交直觉搬进了AI。好的产品细节，通常就藏在这些不让你冷场的地方。

RSI的狂欢该降降温了。谷歌用一款语音模型回应：产业吵了一周的递归自我改善，实际意义不在概念有多炸。对从业者来说，盯住能落地的项目进步，比追逐宏大叙事更有性价比。

部署时要注意什么

这里有个坑。异步后台执行听起来美好，但工具调用链一旦涉及支付、改单这类写操作，必须做幂等设计。模型可能在后台重试，如果接口没有幂等键，就会出现重复下单。

实测这样更稳：在Agent层维护一个会话级任务队列，同一任务ID的写操作只允许提交一次，后台结果通过事件回调注入对话流。

不建议在生产环境直接开放模型自主调用写接口。先跑只读查询类工具，观察两周的调用日志，确认没有异常重试和上下文丢失，再逐步放开写权限。

语音Agent的竞争，接下来比的不是谁更会聊天，而是谁能在复杂流程里不掉链子。

上面这段伪代码展示的是任务队列的幂等控制逻辑：每个任务分配唯一ID，提交前检查是否已存在，后台执行完成后通过回调把结果推回对话上下文。这是目前比较稳妥的工程模式。

编辑：武晓燕
来源：架构精进之路
Gemini 3.8
谷歌
Google