dev.to | 📄 原文链接 | 2026-09-17 收录

用 Gemini 3.8 Live 与 3.5 Transcribe 构建实时语音应用

来源：dev.to — 2026-09-16

📋 概述

谷歌发布 Gemini 3.8 Live、3.8 Live Extended Thinking 与 3.5 Transcribe，把实时语音优先的产品能力补齐到 Gemini API 与 AI Studio。3.8 Live 主打边对话边执行任务，Extended Thinking 版本在 Artificial Analysis 的语音对语音榜单上排名第一；3.5 Transcribe 覆盖 85 种以上语言，平均词错率为 4.0%（流式）与 2.6%（非流式）。

🔑 核心要点

异步函数调用让工具调用在后台执行，语音回复继续流式输出，不必等结果。
模型支持视觉上下文，语音 Agent 既能听懂也能看到现场画面。
针对确认码、保单号这类信息做了字母数字精度优化，语言覆盖 97 种以上。
3.5 Transcribe 平均词错率 4.0%（流式）/ 2.6%（非流式），可与 3.5 Live Translate、3.1 Flash TTS、Lyria 3.5 组合成完整语音链路。
官方同时放出 Live API 的编程 Agent Skill，方便在编辑器里直接搭原型。

💡 金句

麦克风交给你了，我们很想知道你会做出什么。

← 返回 dev.to 首页