Gemini Live 音频

判断

要接语音代理的团队，可以把服务端音频中转这一步从排期里删掉，直接在浏览器里连 Gemini 3.8 Live；但它只吃实时语音这一段，与 OpenAI 的 GPT-Live 是同一形态，选型仍得逐项比。

依据

Simon Willison 在 15th September 2026 的记录里说，Google 当天发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking，两个 speech-to-speech（语音进、语音出，不经文字中转）模型，形态与 OpenAI 的 GPT-Live 家族相似。他把 GPT-6 Astra Extra High 对着文档指过去，让它搭出试用页面：选模型与音色、填可选 system prompt，然后在浏览器里开始语音对话，并且能在模型说话时打断。机制上这个页面不用任何库，直接连 BidiGenerateContent 的 WebSocket（一种保持长连接的双向通信协议）端点，用 Web Audio API 的 AudioContext（浏览器里负责采集与播放音频的接口）同时做采集和播放——省掉的是服务端音频中转，留下的是必须一直挂着的实时会话。他站内标签计数里 websockets 是 21、speech-to-text 也是 21，都远小于 google 的 416 和 llms 的 1,958，这类实时语音条目在他长期跟踪的样本里仍是少数。