Google把语音AI劈成了两半，一半负责说话，一半负责思考！
你以为语音助手变聪明了，其实它只是学会了边想边说！
2026年9月15日，Google发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking，前者主打低成本对话，后者主打多步推理，两款模型在语音质量指数上相差6.6分，在真实客服任务完成率上却暴露了语音智能体的共同天花板。
一个模型说人话，另一个模型干人事
Google在2026年9月15日把语音产品线一刀切开，Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking同日登场，前者定位是“规模化与成本效益”，后者定位是“高复杂度任务与多步骤推理”。
这个切法本身就透露出一个尴尬的事实，过去那种“一个语音模型包打天下”的思路，在真实业务里撞墙了，Google自己承认这两款模型针对的是两种完全不同的职责：一个是对话界面，另一个是碰巧会说话的推理系统。
但是，两款模型在Artificial Analysis语音到语音质量指数上的差距，只有6.6分，Extended Thinking拿下82.6分排第一，标准版Live只有76.0分排第五，中间还夹着两个GPT-Live-1配置和一个Grok Voice Think Fast 2.0。
这就怪了！同一个团队同一天发布的两款模型，语音质量差距只够从第一名滑到第五名，但它们宣称的定位却是一个做“流畅对话”，一个做“复杂推理”，那这6.6分到底买的是什么！
边推理边说话，省掉的沉默值多少钱
Gemini 3.8 Live Extended Thinking最核心的卖点叫“边推理边说话”，模型在后台执行多步骤任务时，会先用“让我查一下”这类语言提示确认用户请求，然后用实时进度叙述引导用户走完整个流程。
这个设计的出发点很朴素，语音智能体在生产环境里最大的失败原因不是答错了，而是不说话了，用户在电话那头等三秒就会挂断。
但这里有一个被忽略的成本问题，Extended Thinking的推理在后台烧算力，同时保持语音输出在持续消耗音频输出带宽，根据Google公布的Live API定价，音频输入每分钟0.005美元，音频输出每分钟0.018美元，双向对话一小时约1.38美元。
相比之下，OpenAI的GPT-Live-1语音前端定价是每分钟0.05美元，一小时3美元，Grok Voice Think Fast 2.0定价是每分钟0.08美元，一小时4.8美元。
Gemini在价格上确实便宜了一大截，但是便宜的代价是什么，标准版Live在语音质量指数上落后Extended Thinking 6.6分，这6.6分对应的是一小时1.38美元里有多少被省掉的“思考时间”。
82.6分的第一名，在真实客服里只过了一半
Google公布的成绩单里有一组数字值得反复看，Gemini 3.8 Live Extended Thinking在τ-Voice基准上任务完成率68.6%，在Sierra的τ-Voice-banking基准上完成率只有35.1%。
τ-Voice不是实验室里的语音识别测试，它给模拟用户加上不同口音和背景噪音，模拟真实网络丢包，覆盖航空、零售、电信三个领域共278个真实场景，用任务完成后数据库状态判断是否成功。
68.6%意味着什么，意味着每三个电话里有一个打不完，Sierra银行场景的35.1%更直接，每三个银行客服电话里有两个搞不定，语音质量指数82.6分的第一名，在真实业务里的表现和这个分数完全不在一个叙事里。
回头看Grok Voice Think Fast 1.0在2026年4月τ-Voice上的成绩是52.1%，语音前沿从30%涨到67%只用了八个月，涨得很快，但离“替代人工客服”还差得远。
后台跑工具，前台说废话
异步函数调用是这两款模型最核心的工程能力，模型在后台执行API和工具调用，同时继续向用户推送语音流，用户不会感觉到任务在“等待”。
但是Sierra τ-Voice-banking基准的35.1%暴露了异步调用的真正瓶颈，问题不在模型能不能在后台跑工具，而在模型知不知道该跑什么工具、跑完工具后该说什么话，银行客服场景涉及698份知识文档、21个产品类别、约19.5万tokens的知识库，模型必须在对话中实时检索并准确引用。
Google在EVA-Bench上宣称两款模型推到了帕累托前沿，平衡了任务准确性和对话质量，但这个基准本身是ServiceNow在2026年6月发布的2.0版本，覆盖3个领域、121个工具、213个场景，2025年发布的1.0版本只有大约四分之一的覆盖量。
更值得注意的是，Gartner估计超过40%的“代理式AI”项目会在2027年前被砍掉，原因是成本超支和效果不佳，另一个2026年的企业调研显示88%的AI代理试点项目根本到不了生产环境。
97种语言切换，和说错话的成本
Gemini 3.8 Live支持97种语言的自动检测和中途切换，这个数字在发布稿里反复出现，但它同时是一把双刃剑。
2026年6月，Gemini Live API的早期版本gemini-3.1-flash-live-preview出现了一个系统性回归，多租户环境下所有代理都受到了影响，问题包括VAD轮次抖动和语言检测错误。
一个语音代理如果在对话中途把用户说的西班牙语误判成葡萄牙语，它不会只是说错一句话，它会用错误的语言继续整个对话，用户听到的每一条后续回复都是错的，97种语言的“支持列表”和97种语言的“可靠识别”之间隔着大量生产环境才暴露的边界条件。
水印能证明它是AI，不能证明它说对了
Google对这两款模型生成的所有音频都嵌入了SynthID不可感知水印，水印织入音频输出本身，用来帮助检测AI生成内容、防止虚假信息传播。
SynthID解决的是“这段语音是不是AI生成的”，它不解决“这段语音的内容对不对”，一个带有SynthID水印的语音代理可能在一小时里完成了40个客服电话，其中12个因为任务失败被转接人工，这12个失败通话的录音每一秒都带着水印。
2026年的企业调研把治理失败列为语音AI部署回滚的首要原因，74%的企业在部署后回滚或关停过语音代理，水印技术的存在让“检测”变得容易，但“治理”要回答的是另一组问题：失败通话的根因是什么，是模型选错了工具，还是VAD切错了轮次，还是97种语言里有一种它其实不熟。
一个银行场景的数据矛盾
Google在发布稿里把τ-Voice的68.6%和τ-Voice-banking的35.1%并排放在同一段话里，前者接近七成，后者刚过三成五，两个数字之间几乎隔着一倍。
τ-Voice覆盖航空、零售、电信三个领域，τ-Voice-banking只覆盖银行客服一个垂直场景，银行场景的失败率是综合场景失败率的两倍，这个差距指向一个具体的未解问题：银行客服对话里到底有什么东西，让语音代理的任务完成率直接砍半。
698份知识文档、21个产品类别、19.5万tokens的检索空间是Sierra给出的解释框架，但框架本身没有回答：是模型检索不到正确的文档，还是检索到了但用错了，还是在对话中途用户改变了问题方向导致检索路径失效，Sierra的τ-Voice-banking还在等待一个能把这35.1%拆开看的实验。