Google 推出新一代即時語音模型 Gemini 3.8 Live，以取代 Gemini 3.1 Flash Live。新模型採用 Speech-to-Speech 架構，可直接處理及生成語音，並在對話持續進行期間於背景執行工具及 API 調用，進一步把即時語音 AI 由單純問答推向可實際執行任務的 Voice Agent。
Gemini 3.8 Live 分為標準版，以及支援調節推理強度的 Gemini 3.8 Live Extended Thinking。第三方 AI 模型評測機構 Artificial Analysis 測試顯示，Extended Thinking 在 High reasoning effort 設定下，於其 Speech to Speech Index 取得 82.6 分，排名第一；其 Tau Voice 語音 Agent 測試亦錄得 68.6%，同樣排名第一
評測分數與版本定位
不過多項測試亦顯示，Extended Thinking 並非在所有語音場景都較標準版優勝。標準版 Gemini 3.8 Live 在真人語音偏好、任務完成率、延遲及成本方面反而更具優勢，顯示企業未來部署 Voice AI，可能需要按工作複雜程度分配不同推理層級，而非所有請求都使用最高推理設定。
Artificial Analysis 的 Speech to Speech Index 綜合 Speech Reasoning、Agentic Performance、真人偏好及任務成功率等指標。Gemini 3.8 Live Extended Thinking（High）取得 82.6 分，排名第一，高於 GPT-Live-1（Astra，medium）的 81.5、Grok Voice Think Fast 2.0 High 的 81.3，以及 GPT-Live-1（Sol，low）的 80.1。標準版 Gemini 3.8 Live 則取得 76.0 分，排名第五。相比上一代 Gemini 3.1 Flash Live High 的 71.5 分，Extended Thinking 提升 11.1 分，標準版亦增加 4.5 分。然而，綜合分數只能反映整體能力，不同測試進一步顯示，兩個版本實際上有相當不同的定位。
Artificial Analysis 的 Speech Agent Arena 並非傳統選擇題式 benchmark，而是讓真人與不同模型進行即時語音對話，在不知道模型身份的情況下，再選出自己較偏好的模型。結果顯示，標準版 Gemini 3.8 Live 取得 Elo 1083，排名第二，僅次於上一代 Gemini 3.1 Flash Live 的 1096，並高於 GPT-Live-1（Sol，low）的 1053。在 Task Success Rate 方面，標準版 Gemini 3.8 Live 完成 93.2% 任務，同樣排名第二，僅次於 Grok Voice Think Fast 2.0 High 的 94.6%。相反，Gemini 3.8 Live Extended Thinking（High）的 Elo 只有 990，Task Success Rate 為 89.1%。這組結果反映，增加推理深度不一定會令真人即時對話體驗同步改善。對需要快速來回、自然互動及高頻處理的客服或查詢場景而言，標準版反而可能更適合。
當測試轉向需要模型進行推理、工具操作及多步任務的 Agentic 工作時，結果則完全不同。Artificial Analysis 的 Tau Voice benchmark 專門評估語音 Agent 執行任務的能力。Gemini 3.8 Live Extended Thinking（High）取得 68.6%，排名第一，高於 GPT-Live-1（Astra，medium）的 67.9%、GPT-Live-1（Sol，low）的 59.3%，以及 Grok Voice Think Fast 2.0 High 的 56.5%。上一代 Gemini 3.1 Flash Live High 在同一測試只有 37.7%，而標準版 Gemini 3.8 Live 只有 30.1%。這顯示 Extended Thinking 最大價值並非令一般語音對話變得更自然，而是明顯提升需要理解複雜指令、持續推理、調用工具及完成多步工作的 Voice Agent 能力。對企業而言，這亦代表同一個語音 AI 平台內，可能需要同時存在兩種執行模式：簡單查詢由標準版處理，真正涉及後台系統及工作流程的任務，再交由 Extended Thinking 處理。
在 Big Bench Audio 語音推理測試中，Gemini 3.8 Live Extended Thinking（High）取得 97.7%，略高於 Grok Voice Think Fast 2.0 High 的 97.2%，但低於 Qwen Audio 3.0 Realtime Plus 的 99.2%。標準版 Gemini 3.8 Live 則取得 91.7%。這再次反映 Extended Thinking 的主要優勢集中於需要更深入理解及推理的語音任務，而非所有即時互動指標都全面領先。
延遲與成本考量
延遲是 Voice Agent 能否真正投入客服、銷售支援及前線工作的另一關鍵。Artificial Analysis 在 Big Bench Audio 測試中錄得，Gemini 3.8 Live 平均 Time to First Audio 為 1.18 秒，Extended Thinking（High）則為 1.35 秒，均明顯低於上一代 Gemini 3.1 Flash Live High 的 2.99 秒。標準版 1.18 秒亦略快於 GPT-Realtime-2.1 High 的 1.21 秒、GPT-Live-1（Sol，low）的 1.24 秒，以及 GPT-Live-1（Astra，medium）的 1.34 秒。在 Artificial Analysis Speech to Speech Index 排名前五的模型之中，只有 Grok Voice Think Fast 2.0 High 能將首次語音回應時間壓低至 1 秒以下，錄得 0.70 秒。對即時語音應用而言，這類差距十分重要。即使模型本身能力足夠，如果每輪對話都需要等待數秒，真人交談的自然感便會明顯下降。
成本可能是 Gemini 3.8 Live 對企業部署最直接的另一變化。按 Artificial Analysis 計算，Gemini 3.8 Live 的輸入語音成本約為每小時 0.84 美元（約港幣 HK$6.55），是其 Speech to Speech Index 所涵蓋模型中最低，亦約為上一代 Gemini 3.1 Flash Live High 每小時 1.75 美元（約港幣 HK$13.65）的一半。Gemini 3.8 Live Extended Thinking（High）則為每小時 3.50 美元（約港幣 HK$27.3）。雖然較標準版高出約 4 倍，但仍低於 GPT-Live-1（Sol，low）的 4.47 美元（約港幣 HK$34.87）、Grok Voice Think Fast 2.0 High 的 4.80 美元（約港幣 HK$37.44），以及 GPT-Live-1（Astra，medium）的 5.83 美元（約港幣 HK$45.47）。Artificial Analysis 指出，Extended Thinking（High）的成本亦約為 GPT-Realtime-2.1 High 每小時 10.75 美元（約港幣 HK$83.85）的三分之一。對需要處理大量電話客服或語音查詢的企業而言，每小時成本差距在大規模部署後會被迅速放大，因此所有請求都使用最高推理模式未必是最具成本效益的架構。
企業 Voice AI 開始由單一模型走向分層調度
Gemini 3.8 Live 的測試結果帶出一個更值得企業留意的變化：Voice AI 的競爭已不再只是比較「說話是否像真人」，而是開始同時衡量對話體驗、推理深度、Agentic 任務成功率、延遲及每小時成本。
標準版 Gemini 3.8 Live 在真人偏好、任務成功率、延遲及成本方面表現較突出；Extended Thinking 則在 Agentic Performance 及複雜語音推理測試中取得較高分數。這種差異意味企業未來部署 Voice Agent 時，未必需要選擇單一「最強模型」，而是可以按照任務複雜程度進行分層調度。
一般 FAQ、身份確認、簡單查詢及大量高頻對話，可交由低延遲、低成本的標準版處理；當系統判斷任務涉及多步推理、工具調用、API 操作或跨系統流程時，再交由 Extended Thinking 處理。真正影響企業採用的問題，因此已由「哪個語音模型跑分最高」，逐步變成「如何在不同工作之間分配推理能力」，並在用戶體驗、任務成功率與營運成本之間取得平衡。
