Google 正式推出新一代双对话模型，在语音交互人工智能领域实现了值得关注的转变： Gemini 3.8 Live 以及 Gemini 3.8 Live Extended Thinking。这不仅仅是一次普通的响应速度提升更新，而是结合并行推理（parallel reasoning）与实时视觉处理能力的一次重大飞跃。

关注 Google Blog 官方公告，两个新版本经过专门设计，用于解决过去虚拟助手固有的瓶颈：在保持自然对话的同时，还需要进行复杂逻辑思考时出现的停顿问题。

两个 Gemini 3.8 版本之间的核心差异

Google 没有将所有功能集中到一个庞大臃肿的模块中，而是明确区分两种应用目标，以优化企业的基础设施成本和运营性能：

• Gemini 3.8 Live（标准版本）： 针对大规模扩展（scale）和成本节约场景进行了优化。该模型结合了自然对话能力、实时接收图像数据（visual grounding）的能力，并能在对话过程中自动识别并灵活切换97种语言，全程不会中断。
• Gemini 3.8 Live Extended Thinking（扩展思维版）： 面向需要深度多步骤推理（multi-step reasoning）的任务。其独特之处在于，AI可以一边进行对话，一边在后台处理复杂的逻辑算法，并使用“让我快速检查一下这一部分……”等自然的过渡语句 “让我快速检查一下这一部分……” 并向用户讲述处理过程，而不是令人费解地保持沉默。

实际性能指标和衡量标准

Extended Thinking并不止于功能宣传，其强大能力已经通过第三方一系列严格的标准化测试得到证明：

在ServiceNow用于衡量语音虚拟助手的EVA-Bench测试中，该模型通过出色平衡业务准确性与交互流畅度，将Pareto Frontier推向了新的高度。

改变 Voice Agent 体验的 3 项突破性能力

是什么让Gemini 3.8 Live突破了老一代语音聊天机器人的局限？答案在于3种彼此独立但协同流畅的运行机制：

1. 在不中断对话的情况下后台运行工具调用

以前，当你要求机器人： “帮我检查订单 #DPS-882，并将预约改到明天下午3点”，机器人通常必须中断对话几秒钟来调用API。而使用Gemini 3.8 Live时，模型可以在后台执行function call和webhook，同时继续进行对话，并逐步告知处理进度，让用户体验完全保持流畅。

2. 超高速视觉接收与响应（Visual Grounding）

模型可以直接“查看”摄像头或屏幕来提供支持。例如，用户只需将摄像头对准纸上绘制的界面草图，AI就能理解其结构，并实时转换为对应的React源代码。

3. 使用 SynthID 对音频进行透明标记

模型产生的所有音频都嵌入了SynthID数字水印，普通人耳无法听见，但可以通过审核算法轻松识别。这确保了透明度，并最大限度降低语音深度伪造和冒充诈骗的风险。

越南企业的应用机会

对于越南的中小企业（SMEs）而言，Live API 的推出打开了大规模自动化的大门。与其维持成本高昂且高峰期容易超负荷的电话客服团队，公司可以构建智能 Voice Agent：

• 自动咨询与预约： 通过 VoIP 总机连接，识别和理解地区口音，查询价格表，并为诊所、水疗中心或汽车维修厂预约服务。.
• 多渠道运营自动化： 将 Live API 与 n8n 等自动化平台结合，把实时通话数据同步到 CRM 系统、Google Sheets 或 Zalo ZNS。.

如果您的企业正在寻找优化运营成本并通过技术提升客户体验的方案，可以参考 DPS.MEDIA 的 AI 与 n8n 自动化解决方案 以获得最贴近实际系统架构的咨询。.