Google推Gemini 3.8 Live　AI語音代理可邊對話邊執行複雜任務

Google推出Gemini 3.8 Live及Gemini 3.8 Live Extended Thinking兩款人工智慧（AI）語音模型，強化即時語音對話、視覺理解及多步驟推理能力，讓AI代理能在持續與使用者對話的同時，於背景執行工具及API操作。

Gemini 3.8 Live主打大規模部署及成本效率，支援即時視覺輸入，並可在對話中自動切換97種語言；Gemini 3.8 Live Extended Thinking則針對複雜任務設計，能在回應使用者的同時進行更深層的多步驟推理。

AI可邊對話邊執行任務

Google表示，新模型可在語音對話持續進行期間，於背景呼叫工具及API，讓AI可以先回應使用者，再等待外部任務完成，而不必中斷整段對話。模型也能結合即時影像資訊，根據使用者提供的即時影像資訊提供更具上下文的回應。

Extended Thinking版本則能在處理複雜工作時同步推理及說話，例如先以「讓我確認一下」等語句回應，再在背景完成多步驟任務並即時說明進度。

Google表示，Gemini 3.8 Live Extended Thinking在Artificial Analysis的Speech to Speech Quality Index取得82.6分，位居第一；在評估AI語音代理任務完成能力的τ-Voice測試中取得68.6%，並在τ-Voice銀行測試取得35.1%。

主攻企業語音AI市場

Google希望透過Gemini Live API，讓開發者打造客服、金融及其他需要即時語音互動的AI代理。Agora、LiveKit、LangChain、Pipecat及Vercel等平台已支援相關API，協助開發者處理即時音訊串流等基礎設施。

新模型也支援精確處理確認碼、理賠編號及技術資料等英數字資料。Google表示，Gemini 3.8 Live及Extended Thinking目前已透過Gemini API與Google AI Studio陸續提供。

Gemini 3.5 Transcribe支援85種以上語言

此外，Google也提供Gemini 3.5 Transcribe語音轉文字模型，支援85種以上語言。公司表示，該模型在串流及非串流測試中的平均單字錯誤率分別為4.0%及2.6%。

為協助辨識AI生成音訊，Google表示，其AI產品產生的音訊都會加入不可察覺的SynthID浮水印，讓相關內容能被辨識。

隨著AI代理從文字介面逐漸轉向語音互動，Google希望透過即時推理、視覺理解及背景工具執行能力，讓Gemini不只是回答問題，也能直接協助使用者完成更複雜的工作。