做语音 Agent 的人都被同一幕折磨过：用户说完需求，agent 回一句「您稍等，我帮您查一下」，然后是两三秒的死寂。用户以为断线了，开始「喂？喂？」。北京时间 9 月 16 日凌晨，Google 发布的 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 就是冲着这两三秒死寂来的：工具调用挪到后台，模型一边说话一边干活，还把进度实时讲给你听。
动手写这篇之前，我把 Google 官方公告、Live API 能力文档和多份第三方报道逐条对照过，文中每个数字都标了出处；AI Studio 的试玩步骤和 API 代码也一并整理好了，你可以照这条路径直接上手。
两款模型怎么分工
先给结论：这两款不是「标准版和专业版」的关系，是「聊天」和「干活」的分工。
| 模型 | 模型 ID | 定位 | 关键能力 |
|---|---|---|---|
| Gemini 3.8 Live | gemini-3.8-live | 高频简单对话 | 97 种语言自动识别、近实时视觉理解、异步工具调用、约 0.84 美元/小时 |
| Gemini 3.8 Live Extended Thinking | gemini-3.8-live-extended-thinking | 多步任务 | 在 base 全部能力上叠加「边说边推理」：语音进行中后台做多步推理、调工具、播报进度 |
价格和跑分放在一起看更直观，数据来自 OfficeChai 的对比报道：
| 模型 | AA 语音质量指数 | 小时成本（AA 口径） |
|---|---|---|
| Gemini 3.8 Live Extended Thinking | 82.6（第一） | $3.50 |
| GPT-Live-1 Astra | 81.5 | $5.83 |
| Grok Voice Think Fast 2.0 | 81.3 | $4.80 |
| Gemini 3.8 Live | Speech Agent Arena 第二 | $0.84 |
ET 比 GPT-Live-1 便宜 40%，分数还更高；base 模型的价格只有 GPT-Live-1 的七分之一左右。智能体基准上 ET 也占优：τ-Voice 任务完成率 68.6% 对 67.9%，τ³-Banking（退款、客服工单这类多步任务）35.1% 对 32.0%，Big Bench Audio 97.7%。
如果你做的机器人九成对话是「营业时间是几点」这种一轮问答，base 够用；如果流程要查库、算账、回写系统——比如「帮我处理这单退款」——ET 的价值才兑现。
「边说边干」在技术上是什么
这轮发布真正值得拆的不是跑分，是一个架构选择：按 Live API 能力文档的说法，Extended Thinking 只支持异步（async）模式——这不是营销话术，是接口设计。
先看传统语音 Agent 的主流做法，级联管线：音频进来自动语音识别（ASR）转文字，文字丢给 LLM，回复再经 TTS 合成语音。每一环都吃延迟，叠加起来 450 到 1000 毫秒；更麻烦的是转写环节会把语气、迟疑这些韵律信息抹掉，模型听到的是「脱水」后的句子。Gemini 3.8 Live 是端到端 speech-to-speech 单模型，官方目标是端到端延迟 200 毫秒以内，还保留声学上下文。
体验差异落在等待的「质感」上：模型接到一个要查数据的请求，先口头确认（「我帮你查一下」），工具调用在后台跑，语音流不中断，模型还能持续播报「订单找到了，正在核对物流」。「我帮你查一下」在这里不是安抚性的填充语，而是后台真实执行的同步旁白。冷场问题被从架构层拿掉了，而不是靠「请稍候」的提示音糊住。
AI Studio 免费试玩：五分钟出体验报告
两个模型都已经进了 Google AI Studio，不用写代码、不用 API Key，登录就能试。这是它和 GPT-Live-1 在试玩门槛上的实际差别——实时语音 API（比如站内写过的 GPT-Live）得自己搭音频采集和播放链路，AI Studio 这边打开网页就能开口说话。
测试环境：macOS + Chrome，需要能访问 Google 服务的网络（国内读者自备网络条件，这点后面选型部分还会说到）。
- 打开 aistudio.google.com，登录 Google 账号；
- 右侧模型下拉选 Gemini 3.8 Live 或 Extended Thinking，进「Stream Realtime」（实时流）入口；
授权麦克风，直接说中文，重点观察四件事：
中文响应延迟：体感有没有明显等待，和网页版 Gemini 普通对话比差多少；
- 边说边干：让它「帮我算 237 乘 48，再除以 7」，看它是否先口头确认、后台计算、再报结果，中间有无冷场；
- 中途打断：它播报时直接插话，能否自然接住不重启会话；
- 语言切换：中文说到一半切英语，97 种语言的自动检测是否真跟上。
API 接入：会话规格和两段代码
先记规格，写代码前心里有数（口径来自官方文档与 byteiota 的技术拆解，两源一致）：
Gemini 3.8 Live 会话规格（Live API）
─────────────────────────────────
连接方式 有状态 WebSocket
音频输入 16-bit PCM / 16kHz
音频输出 24kHz PCM
上下文窗口 128k tokens
纯音频会话 上限 15 分钟
音频+视频会话 上限 2 分钟
语言 97 种，中途自动检测切换
水印 输出音频带 SynthID运行环境：Python 3.10+，Google 官方 google-genai SDK，装好就能跑：
pip install google-genai最小连接示例——基于 google-genai SDK 的 Live API 既有连接模式，把模型 ID 换成本次发布的两个新 ID：
import asyncio
from google import genai
from google.genai import types
client = genai.Client(api_key="你的 GEMINI_API_KEY")
MODEL = "gemini-3.8-live" # 或 "gemini-3.8-live-extended-thinking"
config = types.LiveConnectConfig(
response_modalities=["AUDIO"],
system_instruction="你是一个中文语音助手，回答保持口语化，数字念清楚。",
)
async def main():
async with client.aio.live.connect(model=MODEL, config=config) as session:
# 实际项目里这里接麦克风波形数据；此处用 16kHz 单声道 PCM 文件代替
audio = open("question.pcm", "rb").read()
await session.send_realtime_input(
media=types.Blob(data=audio, mime_type="audio/pcm;rate=16000")
)
async for response in session.receive():
if response.data is not None: # 24kHz PCM 音频块
play(response.data) # 接入你的播放器
elif response.text is not None:
print("转写:", response.text)
asyncio.run(main())ET 的异步工具调用是这次最值得学的新模式：声明工具后，模型先口头确认，后台执行期间语音流不断，结果回来再汇报。接收循环要按这个时序处理 tool_call 事件：
# Extended Thinking 的异步工具调用：工具在后台跑，语音流不中断
tools = [types.Tool(function_declarations=[{
"name": "query_order_status",
"description": "按订单号查询物流状态，返回快递公司与最新轨迹",
"parameters": {
"type": "OBJECT",
"properties": {
"order_id": {"type": "STRING", "description": "订单号，纯数字"},
},
"required": ["order_id"],
},
})])
async for response in session.receive():
if response.tool_call is not None:
# 后台执行工具；执行期间模型继续语音播报进度
results = []
for fc in response.tool_call.function_calls:
status = query_order_status(**fc.args) # 你的业务函数
results.append({"id": fc.id, "name": fc.name,
"response": {"status": status}})
await session.send_tool_response(function_responses=results)有个版本坑先说在前面：send_realtime_input 的参数名在 google-genai SDK 各版本间有过调整，跑不通先查你装版本的函数签名，再对照官方能力文档确认字段名，别照抄网上的旧示例。
对 Gemini API 生态不熟的读者，可以先看站内这篇 Gemini 3.6 Flash 与 computer use 的开发者指南，Key 申请和计费开通流程是共用的。
价格：把账算到每小时
官方口径：音频输入每分钟 0.005 美元、输出每分钟 0.018 美元（约合每百万 token 输入 3 美元、输出 12 美元）。腾讯新闻的全球科技早参也确认了这两个数字。
换算成整小时账单（以 AA 口径小时成本估算）：一个每月跑 10000 小时的客服机器人，GPT-Live-1 约 58300 美元，ET 约 35000 美元，简单场景直接换 base 只要 8400 美元。对以小时计费的语音业务来说，这不是「降价几个点」，是换了量级的成本结构。
两个容易被忽略的计费项：ET 会对推理 token 额外计费，视频和文档输入也单独收费。所以我的选型规则只有一条：先数任务里有几步工具调用——一步以内的用 base，多步链路再上 ET。简单高频对话套 ET，等于给跑步机装 V8 引擎。
三个坑，迁移前先看
坑一：视频会话只有 2 分钟。 纯音频会话上限 15 分钟，音频+视频只有 2 分钟，差了 7.5 倍。想做「摄像头看着屏幕帮我操作」的视觉接地场景，会话恢复（session resumption）不是可选项而是必选项，这块的工程量在排期和报价时别漏算。
坑二：ET 强制异步，旧代码行为会变。 如果你的 Live API 代码按「调工具→等结果→再说话」的同步假设写的，迁到 ET 上工具不会阻塞语音流。业务逻辑里凡是依赖「结果回来才有下一步」的时序判断，接收循环都要重写。这是 ET 和其他模型的本质差别，不是参数差异。
坑三：级联管线不用急着扔。 站内写过腾讯 Hy ASR 3.0 的接入方案，不少团队的语音链路稳定跑在 ASR+LLM+TTS 上。迁到 speech-to-speech 会失去中间文本层——日志审计、合规抽查、人工接管都依赖那段转写文本。客服、金融这类有合规要求的场景，先想清楚中间文本层怎么补，再谈 200 毫秒的延迟优化。个人判断：这是 speech-to-speech 落地企业级场景最被低估的一步。
选型建议和后续
按场景给建议：
- 多步工具链的语音 Agent → Extended Thinking，价格优势 + 基准领先都在；
- 高频简单对话 → base 模型，0.84 美元/小时目前没有对手；
- 需要中间文本层、合规审计 → 保留级联管线，Hy ASR 那套方案依然是正解；
- 国内项目、无法稳定访问 Google API → 豆包 SeedRealtime 全双工方案是更现实的替代，全双工体验同一档。
语音 Agent 这条线站内已经攒了几篇：GPT-Live、SeedRealtime，还有 xAI 语音 Agent 的上手文；另一边，OpenAI Agents API 把托管式 Agent 做成了文本世界的标配。Gemini 3.8 Live 这次把「对话中后台干活」带进了语音世界，还顺手压了价格——语音 Agent 的工程门槛又降了一档。
语音 Agent 这条线还在快速变化，等延迟体感和中文语音质量有了更多实测样本，我会继续补充。