Google发布Gemini 3.8 Live与 3.5 Transcribe语音模型
Gemini 3.8 Live与 3.8 Live Extended Thinking支持边对话边执行任务，在Artificial Analysis语音到语音榜单排名第一；Gemini 3.5 Transcribe覆盖 85 种以上语言，流式转录平均词错率 4.0%。
AI解读：Google把语音模型从“能对话”推向“能边聊边干活”。Gemini 3.8 Live和 3.8 Live Extended Thinking可以在保持对话的同时执行任务，异步函数调用让API和工具调用在后台跑，音频回复继续往前流。对做语音客服、语音助手的开发者来说，这省掉了一层“先转文字、再调模型、再合成语音”的级联拼装。
价格是这次最实在的信息：音频输入每分钟 0.005 美元，音频输出每分钟 0.018 美元。Extended Thinking版本还支持可配置思考，复杂多步推理放在后台跑，同时能在主对话里回应或播报进度。Google称 3.8 Live Extended Thinking在Artificial Analysis语音到语音榜单排名第一，但这是厂商引用的第三方榜单成绩，只看单项排名，不代表所有场景都更好。
Gemini 3.5 Transcribe上个月发布，是专门的语音转文字模型，覆盖 85 种以上语言，平均词错率流式 4.0%、非流式 2.6%。它支持自动语码切换、最多 1000 条自定义词汇偏置，以及去掉口头语和自我更正的智能转录模式。做字幕、呼叫中心、实时音频分析的团队可以关注；没有公开的效果对比数据，所以别急着按WER数字推断具体产品能省多少人力。
Google于 2026 年 9 月 15 日通过Gemini API和Google AI Studio发布新的Gemini Live模型：Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking。同一天，Google也向开发者介绍了上个月已发布的专用语音转文字模型Gemini 3.5 Transcribe。
3.8 Live支持边对话边执行任务
根据Google AI官方博客，Gemini 3.8 Live是原生语音到语音模型，能够“在执行任务的同时保持对话”。3.8 Live Extended Thinking面向复杂请求提供更深的推理，Google称其在Artificial Analysis的语音到语音榜单上排名第一。
Google列出的关键能力包括：异步函数调用，在后台执行API和工具调用的同时继续向用户流式传输音频回复；视觉上下文，让对话基于实时视觉输入；字母数字精度，准确解析确认码、索赔编号和技术数据；多语言支持，覆盖 97 种以上语言并保持口音一致性；增量内容更新，把实时音频与结构化数据合并后返回结合上下文的回复。
Google表示，这些模型相比此前的live模型是一次“台阶式变化”，也是级联架构更精简的替代方案。3.8 Live与 3.8 Live Extended Thinking均可通过Live API使用。
- 音频输入定价为每分钟 0.005 美元，音频输出为每分钟 0.018 美元
- 开发者也可通过Agora、Fishjam、LiveKit、LangChain、Pipecat、Vercel和Vision Agents访问模型
- Google称这些集成合作伙伴负责媒体流基础设施，供实际部署使用
- 3.8 Live Extended Thinking支持可配置思考，在后台处理复杂多步推理，同时可在主对话中回应或播报进度
3.5 Transcribe：85 种以上语言，流式WER 4.0%
Gemini 3.5 Transcribe是Google上个月发布的专用语音转文字模型，主打低延迟、高精度转录。Google称其平均词错率在流式场景为 4.0%，非流式场景为 2.6%，覆盖 85 种以上语言。
该模型支持自动语码切换，能够处理句子内部和句子之间的语码与语言切换，无需手动配置；支持自定义词汇偏置，通过传入最多 1000 条术语的custom_vocabulary列表，引导识别模型偏向领域术语、生僻行话、公司名和专有名词；还提供智能转录模式，输出带结构化格式、自我更正并去除口头语（disfluency）的整理后文本。
Google表示，3.5 Transcribe可用于语音体验，也适用于亚秒级字幕、呼叫中心代理和实时音频分析等无状态任务。开发者还可以通过Interactions API转录最长 1 小时的音频文件，并获得结构化时间戳和说话人分离。
- 流式平均WER 4.0%，非流式平均WER 2.6%
- 支持 85 种以上语言
- 自定义词汇列表上限 1000 条术语
- Interactions API支持最长 1 小时音频、结构化时间戳和说话人分离
Google音频模型套件与上手方式
Google在博客中列出了其面向开发者的完整音频套件：Gemini 3.5 Live Translate支持 70 种以上语言的语音到语音翻译；Gemini 3.1 Flash TTS提供高度可配置的语音生成，Google称更多更新即将推出；Lyria 3.5用于生产级音乐生成。这些模型均可在Gemini API中使用。
开发者可以在ai.studio/live试用模型，从GitHub克隆示例应用，或为代理配置live api skill。