Gemini 3.8 Live 上手：谷歌语音对语音模型实测

谷歌今天发布了 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款全新的语音对语音（speech-to-speech）模型。从形态上看，它们与 OpenAI 的 GPT-Live 系列相当接近——都主打实时、低延迟的双向语音对话能力。这标志着实时语音交互赛道的竞争进一步升温。

开发者 Simon Willison 第一时间围绕这两款模型做了一次快速实测，并借助 AI 编程能力搭建了一个可以在浏览器里直接试用的网页界面。这篇文章基于他的实践，梳理 Gemini 3.8 Live 的能力表现与技术实现细节。

什么是 Gemini 3.8 Live

Gemini 3.8 Live 属于典型的语音对语音模型：你说话，模型直接以语音回应，中间无需经过“语音转文字—文本推理—文字转语音”的传统级联流程。这种端到端的设计能显著降低对话延迟，让交互体验更接近真人对话。

其中的 Extended Thinking 版本，顾名思义在语音回应前加入了更充分的“思考”过程，适合需要更复杂推理的场景，而标准版则更侧重响应速度。这与 OpenAI GPT-Live 家族的产品分层思路高度相似，反映出两大厂商在实时语音领域正走向类似的技术路线。

Gemini Live 语音聊天网页界面截图

语音对语音（speech-to-speech）模型与传统语音助手的根本区别在于信号处理路径。传统方案通常是"ASR（自动语音识别）→ 文本 LLM → TTS（文本转语音）"三段式串联，每一段都会引入延迟并可能累积错误——例如 ASR 的误识别会直接影响后续推理质量。端到端语音模型则将音频特征直接输入统一的神经网络，输出也直接是音频流，省去了中间的文本转换环节。这不仅降低了往返延迟（通常可压缩到数百毫秒以内），还能让模型捕捉语调、停顿、语速等文本层面无法表达的副语言信息，从而做出更自然的回应。OpenAI 于 2024 年发布的 GPT-4o 语音模式是此类模型的早期标志性案例，Gemini 3.8 Live 的发布意味着这一技术路线正在快速普及。

一个零依赖的浏览器试用界面

Simon Willison 把模型文档丢给 GPT-6 Astra Extra High，让它帮忙生成了一个 Web UI。这个界面功能相当完整：可以选择模型、切换语音预设、填写可选的系统提示词（system prompt），然后直接通过浏览器开启语音对话，甚至支持在模型说话时打断它。

从截图可以看到实际的对话记录：用户询问“加州褐鹈鹕的有趣事实”，Gemini 回答它们以壮观的俯冲捕鱼著称、喉囊能容纳多达三加仑的水和鱼。当用户中途打断并要求“换一些不同的事实”时，模型能被标记为 Interrupted（已打断）并重新组织回答。界面还带有麦克风电平表、计时器、转录下载等实用功能，并贴心提示“建议使用耳机以减少回声”。

这种“打断即响应”的交互，正是语音对语音模型区别于传统语音助手的关键体验点——它更像自然对话，而非一问一答的机械交互。

技术实现：WebSocket + Web Audio API

值得关注的是这个界面的实现方式：完全不依赖任何第三方库。整个应用直接连接 Gemini 的 WebSocket 端点：

wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent?key=...

音频的采集与播放则统一交给浏览器原生的 Web Audio API AudioContext 来处理。也就是说，一个纯 HTML 文件加上原生浏览器 API，就足以搭建起一个可用的实时语音对话客户端。

端点路径中的 BidiGenerateContent（双向生成内容）清楚地表明了这条链路的本质：客户端与模型之间建立一条持续的双向流，音频数据在两端实时来回传输。对于想要接入这套能力的开发者来说，谷歌官方也提供了 Gemini Live WebSocket 教程作为起步参考。

WebSocket 是 HTTP 协议的升级变体，通过一次握手建立持久的全双工 TCP 连接，此后客户端与服务器可以在同一连接上随时互相推送数据，无需反复发起请求。这与传统 HTTP 的"请求-响应"模式形成鲜明对比，后者每次交互都需要新建连接，不适合持续流式传输音频帧。BidiGenerateContent（Bidirectional Generate Content）即"双向生成内容"，端点命名直接揭示了其工作方式：麦克风音频帧持续上行，模型生成的语音帧同步下行，两条流并行运行。浏览器端的 Web Audio API AudioContext 则负责以底层 PCM 格式采集麦克风输入并实时播放接收到的音频缓冲区，整个过程无需 Flash 或任何原生插件，是现代浏览器的标准能力。两者结合，使得一个纯静态 HTML 文件就能完成过去需要桌面应用才能实现的实时双向语音通信。