Google 拆分语音产品线！Gemini 3.8 Live 登顶语音排行榜，定价打到 GPT-Live-1 的 1/10！

admin@yesmiracle.net (万戈) — Wed, 16 Sep 2026 00:00:00 +0000

昨天你还在为 OpenAI 的 $0.05/分钟语音定价肉疼——今天 Google 就甩了一张 $0.005/分钟的牌，外加一张 82.6 分的排行榜第一。

核心数据：一个模型，两次拆分，四倍差价。

模型	S2S 指数	τ-Voice 任务完成率	每小时音频成本
Gemini 3.8 Live (标准)	76.0	30.1%	$0.84 🟢
Gemini 3.8 Live Extended Thinking	82.6 🥇	68.6%	$3.50
GPT-Live-1 (Astra, Medium)	81.5	67.9%	$5.83
Grok Voice Think Fast 2.0 High	81.3	56.5%	$4.80
GPT-Live-1 (Sol, Low)	80.1	59.3%	—
GPT-Realtime-2.1 High	73.9	—	$10.75

表格里最炸裂的不是 Gemini 登顶——是 Extended Thinking 比 GPT-Live-1 (Astra) 贵吗？便宜 40%。标准版更是把每小时成本卷到 $0.84——比第二名低了几乎一个数量级。OpenAI 的 GPT-Realtime-2.1 High 每小时 $10.75，是 Gemini 标准版的 12.8 倍。

这不是一次普通的模型升级。这是一次产品线的哲学分裂。

两个模型，两种哲学

Google DeepMind 的官方博客把这件事说得很清楚：

Gemini 3.8 Live：Built for scale and cost efficiency, combining conversational intelligence with fluid dialogue and visual grounding.

Gemini 3.8 Live Extended Thinking：Built for high-complexity tasks, with increased intelligence and multi-step reasoning.

翻译成人话：一个当话务员，一个当项目经理。

3.8 Live（标准版）做的事情是——实时视觉输入处理、97 种语言中自动切换、后台执行 Tool/API 调用且不中断对话。它是一个真正能「一边查资料一边聊天」的语音接口。

3.8 Live Extended Thinking 做的事情是——边思考边说话。它在执行多步任务时，会用「Let me check that…」这类口头语来续住对话，而不是沉默地等计算结束。这不是小聪明——这是用户对语音 Agent 最大的抱怨之一：沉默 = 断开连接。

由 OrcaRouter 的分析拆开八个维度后发现，这两个模型的核心差异不在「谁更强」，而在「谁更适合什么」：

维度	Extended Thinking	标准版
S2S 总指数	82.6 🥇	76.0
智能体任务完成 (τ-Voice)	68.6%	30.1%
语音推理 (Big Bench Audio)	98%	92%
对话动态评分	91.9%	96.1%
Arena 偏好 (Elo)	990	1083
任务成功率	89.1%	93.2%
首次发声时间	1.35s	1.18s
每小时音频成本	$3.50	$0.84

有趣的事来了：标准版赢了四个维度。更快、更受欢迎、对话更自然、任务成功率更高。它输的那一个——30.1% vs 68.6% 的 τ-Voice 任务完成率——恰好是语音 Agent 和语音接口的分界线。如果你的 Agent 只需要接电话、传话、查信息，标准版就够了。如果你的 Agent 需要在对话中完成任务链，「等等我查一下」，你得多付 4 倍每小时成本换那个 38 分的差距。

定价悬崖：1/10 是怎样炼成的

Google 这次在定价上极其激进。两个模型共享同一张价目表：

音频输入：$0.005/分钟
音频输出：$0.018/分钟
整整一小时语音对话 ≈ $1.38
同样的对话量，OpenAI GPT-Live-1 至少 $3.00，GPT-Realtime-2.1 High 更是 $10.75

文本定价也一并刷新：Gemini 3.8 Live 文本 token $0.75/M 输入、$4.50/M 输出、$3.00/M 音频 token 输入、$12.00/M 音频 token 输出。粗看不便宜，但在语音场景下——你一小时说不了几个 token——按分钟计费的方式反而把账单压到最低。

这意味着如果你在跑语音客服，每天 1000 小时对话量：

Gemini 3.8 Live → $1,380/天
GPT-Live-1 → $3,000+/天
月差：$48,600

对 CTO 来说，这差距大到不需要做 A/B 测试。

能力清单：不只是便宜

便宜不等丐版。3.8 Live 的能力清单其实很耐看：

97 种语言自动切换（对话中无需中断） — 不是「预选一种语言」，而是「你说什么语言我就切换」。这对跨国客服场景是核武器。

实时视觉输入 — 可以「看着你做」并实时反馈。Google 的 demo 中展示了实时下棋、员工入职指导。这对远程支持/维修场景很实用。

后台 Tool/API 执行 + 不断话 — Agent 可以在后台调 API、查数据库、发邮件的同时继续聊。这看起来「应该有的」能力，在今天的语音产品中反而是少数——大多数语音 Agent 在调 API 时会沉默等待返回。

SynthID 水印 — 所有生成音频自带水印，不可感知但在检测时可以被识别。对合规敏感的企业场景来说，这个 feature 比任何 benchmark 分数都重要。

竞品定位：谁被夹击了

打开 Artificial Analysis 的 Speech-to-Speech 排行榜（2026-09-16 截图），前三名是：

Gemini 3.8 Live Extended Thinking — 82.6
GPT-Live-1 (Astra, Medium) — 81.5
Grok Voice Think Fast 2.0 High — 81.3

Extended Thinking 和 GPT-Live-1 Astra 的差距只有 1.1 分，在 τ-Voice 上也只有 0.7 个百分点（68.6% vs 67.9%）——这个差距很薄，薄到可能只是噪声。但结合定价：GPT-Live-1 Astra 每小时 $5.83，Extended Thinking $3.50——便宜 40% 的情况下打平甚至略胜，OpenAI 的压力很大。

Grok Voice Think Fast 2.0 排在第三（81.3），成本 $4.80/小时——比 Gemini 贵 37%，得分低 1.3。xAI 在语音赛道上的优势被直接打掉了。

标准版 Gemini 3.8 Live 排第五（76.0），但它每小时 $0.84 的定价让这个位置完全不丢人——它用其它模型 1/6 的价格打平了对话质量，甚至更受欢迎（Arena Elo 1083 vs GPT-Live-1 的 ~1000）。

「Private Preview」这个限定词

Google 的品宣图文非常坦诚地使用了「Private Preview」这个词。两个模型都不是 GA（一般可用），意味着：

开发者可用：在 Gemini API、Live API 和 Google AI Studio 里直接用，定价已公布
企业可用：Gemini Enterprise 的 Private Preview
消费级可用：3.8 Live Extended Thinking 已在 Gemini Live、Gmail Live、Keep Live 中上线
缺失的：GA 承诺、SLA、定价锁定期

如果你在做语音 Agent 原型、内测、MVP——今天就能接入，api 路径是 gemini-3.8-live 和 gemini-3.8-live-extended-thinking。如果你要把关键客户电话放到这条线上——等 GA。

写在最后

这次发布最值得关注的不是 Benchmark 分数。是这个定价策略背后的信号：Google 不再在模型能力上跟 OpenAI 拼刺刀，它选择在成本结构上制造不对称。

OpenAI 的 GPT-Live-1 价格 $0.05/分钟，Google 的 $0.005/分钟——10 倍的价差不可能是巧合。这是 Google 在用 GCP 的规模优势碾压推理成本。当 OpenAI 还在打磨模型时，Google 已经建造了一台「语音生成空压机」——每分钟出气成本压到对手的 1/10。

下一波 AI 语音 Agent 的战争，比的不是谁的模型更聪明，是谁更敢在大规模对话中免费说话。

对开发者来说，今天就是你开始跑语音 Agent 的最好时机。

延伸阅读：如果你在关注 AI Agent 的安全性，可以看《Anthropic 自曝 Claude 四起越权事件！Mythos 5 上 PyPI 投毒、Opus 4.7 攻击真实公司——METR 启动独立调查！》。

📌 本博客所有原创内容采用 CC-BY-NC-ND 4.0 协议。

VoiceAgent on AI博士 万戈