昨晚（美西时间9月15日，北京时间今天凌晨），谷歌甩出两款新模型：Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。到今天白天，第三方评测机构 Artificial Analysis 的语音对语音榜单第一名已经易主——Extended Thinking 版以 82.6 分空降第一，把 OpenAI 的 GPT-Live-1（81.5 分）挤到了第二。知乎
这个 9 月本来就是"模型流星雨"：GPT-6 Astra、Claude Fable 5.1、Gemini 3.8 Flash、DeepSeek V4.1 Flash……13 天里 7 家公司发了 11 个前沿模型。如果你已经追新模型追到腻，这篇只回答一个问题：语音这波，值不值得你花时间跟进、要不要掏钱。微博
先说结论：值得知道，但不必连夜上车。理由往下看。
一、"边说边干"到底改了什么
以前的语音助手，基本都是三段式流水线：你的话转成文字→大模型思考→文字再合成语音。每转一手就丢一层东西，你的语气、犹豫、不耐烦，全在转文字那步被抹平了；模型一旦要查资料、调工具，你只能拿着电话干等，三秒还能忍，十秒后就开始怀疑是断线了还是它没听懂。
Gemini 3.8 Live 这次是原生语音对语音（speech-to-speech），把流水线拆了：
能边听边说：支持随时打断（官方叫 Barge-in），你话说一半它能停下来让你讲；第三方实测首段音频延迟约 1.18 秒，比 GPT-Live-1 的 1.35 秒快了一截——语音这东西，快 0.2 秒，体感就是"像人"和"像机器"的区别。知乎知乎
能看着画面聊：开启摄像头，画面直接进对话上下文。官方演示里用户把镜头对准水管问"这个阀门怎么关"，不需要先用语言描述现场。知乎
能后台干活：跟你聊天的同时调用工具去查、去写、去排日程，语音通道不中断。
Extended Thinking 版更狠，“边想边说”：复杂问题不再沉默卡顿，它会先说一句"让我查一下"接住节奏，然后边推理边播报进度，官方的说法是 reasons and speaks simultaneously。
另外两个细节：一是它支持大约 97 种语言。二是所有生成音频都嵌入 SynthID 隐形水印，可以检测出"这话是不是 AI 说的"。在 AI 语音诈骗越来越猖狂的当下，从源头打水印比事后鉴定实在，这点值得给谷歌鼓掌。知乎知乎
二、刷屏的"价格打到 OpenAI 十分之一"，先别照单全收
今天传播最广的一个数字：Gemini 3.8 Live 音频输入定价每分钟 0.005 美元，而 OpenAI 7 月发布的 GPT-Live-1 是每分钟 0.05 美元——十倍差距，“价格战开打”。知乎
这个数字是真的，但它是"价目表口径"。Artificial Analysis 按"每小时输入音频实际成本"测算（把音频和文本的输入输出、推理 token 全算进去再折算），3.8 Live 是每小时 0.84 美元，ET 是 3.50 美元。集微网援引的第三方测算结论则是"一小时语音对话成本约为 GPT-Live-1 的一半"。十倍和一半，差的就是口径。价格战确实在打，但没打到骨折。知乎微博
更关键的是，这次的两款模型根本不是"普通版和高级版"的关系，而是两种活：
Gemini 3.8 Live | 3.8 Live Extended Thinking | |
|---|---|---|
官方定位 | 规模与成本效率 | 高复杂度任务 |
实测成本（每小时输入音频） | 0.84 美元 | 3.50 美元（贵 4 倍多） |
τ-Voice 客服任务完成率 | 30.1% | 68.6% |
Conversational Dynamics（对话自然度） | 96.1%（占优） | 91.9% |
Arena Elo | 1083 | 990 |
大众端入口 | Search Live | Gemini Live、Workspace（Docs/Gmail/Keep） |
这张表的坑在哪？便宜档在复杂客服任务上完成率只有 30.1%——十单里七单办不成。而一旦把成本折算到"每办成一单"，4 倍的价差会缩到约 1.8 倍。便宜不等于办同样的事花更少的钱，失败和重试都是要付钱的。知乎
对个人用户还有个更实际的坑：语音是按分钟计费，不是按 token。知乎有博主一句话点破——"每分钟 0.005 美元"里那个"起"字最骗人：真跑长推理加实时视觉，分钟单价会上去，而目前全网还看不到一份完整的长会话账单样例。知乎
三、反常识的一点：语音榜前排，站着的其实是中国模型
谷歌发布的同一天（9 月 15 日），阶跃星辰发布了 StepAudio 3 系列，一口气五款模型（Realtime、ASR、TTS、Gen、Music）。按 Artificial Analysis 榜单：StepAudio 3 Realtime 在对话自然度榜（Conversational Dynamics）以 98.9% 排全球第一——比 Gemini 3.8 Live 的 96.1% 还高；语音识别词错率做到 1.7%，同样全球第一；阿里 Qwen Audio 3.0 RP 也咬在榜单前排。财新、IT之家、艾瑞网都做了报道。微博微博微博
也就是说：Gemini 3.8 Live Extended Thinking 拿下的是"语音对语音综合指数"第一，但在对话自然度、语音推理、语音识别这些细分赛道，榜首是中国名字。
这对你的钱包很实际：如果你的主要场景就是中文语音对话，豆包的全双工实时语音通话今年 4 月已接入 Seeduplex 全双工语音大模型。通话支持随时打断，还能用四川话、粤语或英语通话。再加上阶跃星辰开放平台，现在零门槛就能用，不需要为追 Gemini 语音专门折腾账号和网络环境。小红书小红书
四、现在想上手？分三种人
普通用户，想在 Gemini app 里体验"边说边干"：先解决渠道——谷歌服务在大陆没有官方入口，需要海外账号和相应网络环境，且语音数据会走境外服务器。消费端入口这次是分叉的：3.8 Live 进 Search Live，Extended Thinking 进 Gemini Live 和 Workspace。已有谷歌 AI 订阅的，可以留意推送节奏；没有订阅的，不建议为它专门开一个。知乎
开发者，想做语音 Agent：两款模型都已通过 Gemini API 和 AI Studio 开放，可以先用 AI Studio 免费试 Live API，再拿一百条真实任务做双跑——高频轻量对话走 3.8 Live（每小时 0.84 美元），长链路高价值任务走 ET（每小时 3.50 美元）。生态这次给得很齐：实时链路有 LiveKit、Pipecat、Agora，编排有 LangChain，部署有 Vercel。
国内场景用户（客服、陪伴、车载）：先看 StepAudio 3 和 Qwen Audio 的实测，再决定要不要碰 Gemini——榜单上它们领先，数据合规也省事。参考一个行业锚点：Klarna 的 AI 客服上线首月处理 230 万通对话、相当于 700 个人工客服的工作量，但那是文字优先的场景；语音客服要过的关，是 τ-Voice 那个 30.1% / 68.6% 的任务完成率。知乎
五、先别急着掏钱，盯住三个信号
中文实测：97 种语言听着唬人，但多语言语音模型的通病是"英语惊艳、其他语言露怯"。等有人拿中文实测打断、抢话、方言的处理，再信宣传。知乎
长会话账单：只要还没人晒出 Extended Thinking 跑长对话的真实账单，"每分钟 0.005 美元起"就只能当广告语听。
OpenAI 的反击：GPT-Live-1 被挤到第二不会坐视，B站资讯 UP 主已经在传"OpenAI 本周有重磅发布"。语音价格战刚开打，省钱党再等等，只会更便宜。哔哩哔哩
语音这一仗，模型下饺子，榜单一天一换。但对普通用户来说，先分清楚哪款是给企业客服算账的、哪款是给办公场景干活的、哪款你现在打开 app 就能用——比追每一个"第一"重要得多。
