谷歌发布 Gemini 3.8 Live 系列模型，支持无依赖浏览器语音交互

一句话结论

谷歌于 2026 年 9 月 15 日发布 Gemini 3.8 Live 及扩展思考版模型，用户可直接通过浏览器 WebSocket 连接实现带打断功能的语音对话。

关键要点

• 谷歌在 2026 年 9 月 15 日正式推出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款语音到语音模型。
• 该模型架构与 OpenAI 的 GPT-Live 系列相似，均支持实时语音交互场景。
• 开发者使用浏览器 Web Audio API 和原生 WebSocket 即可构建无第三方库依赖的对话界面，无需引入额外 JS 框架。
• 支持的系统功能包括选择模型与声音预设、输入可选的系统提示词，以及在模型讲话过程中随时打断。
• 接口端点采用 BidiGenerateContent 双向流协议，通过 wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent 进行通信。

背景与事实

2026 年 9 月 15 日，谷歌官方发布了 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款新模型。此次发布的模型定位于语音到语音交互，其整体形态与 OpenAI 此前推出的 GPT-Live 系列具有可比性，主要面向需要低延迟、自然打断能力的语音应用场景。发布同日，科技博主 Simon Willison 展示了基于该模型文档构建的网页端用户界面示例。该界面允许用户直接在浏览器中发起语音对话，并支持在模型响应过程中进行人工打断，从而模拟真实的人类对话节奏。

技术实现方面，该示例 UI 未使用任何第三方 JavaScript 库或框架。前端通过原生 WebSocket 连接至谷歌生成式 AI 接口端点，具体地址为 wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent?key=...。音频采集与播放环节均采用浏览器原生的 Web Audio API，利用 AudioContext 对象处理实时音频流。用户可在界面中选择特定的模型版本和声音预设，并可选择性输入系统提示词以调整模型行为边界。谷歌同步提供了 Gemini Live 教程文档，指导开发者如何快速接入该 WebSocket API。

从时间线来看，该发布处于 2026 年 9 月中旬，同期市场上其他厂商也在进行模型迭代。Simon Willison 的近期文章还提及了 Claude Opus 5.5、GPT-6 Sol、GPT-6 Luna 等竞品动态，以及 Jev 公司推出的 System One 决策模型，表明当前大模型行业正处于多形态、多赛道并进的密集竞争期。

影响分析

对中文开发者而言，此次发布意味着浏览器端即可实现高质量的语音交互功能，而无需部署复杂的后端音频服务或依赖重型前端框架。由于实现示例不依赖第三方库，大幅降低了技术门槛和项目体积，特别适合需要快速原型验证或资源受限环境的团队。语音打断功能的原生支持，使得智能助手、语音客服等场景的交互体验更接近真人对话，减少了用户等待和打断失败的挫败感。开发者可参考其 WebSocket 直连模式，避免中间代理层带来的额外延迟，从而优化端到端响应速度。

适用边界

上述无依赖浏览器实现方案主要适用于现代主流浏览器环境，对老旧浏览器或移动端弱网场景可能因 WebSocket 长连接稳定性或 Web Audio API 兼容性而受限。此外，直接连接谷歌 API 端点涉及 API Key 管理，在生产环境中需遵循安全规范，不可在前端硬编码密钥，此部分细节未在来源示例中展开。模型性能与扩展思考版的延迟权衡，亦需结合具体业务场景测试确定，并非所有实时场景都适用 Extended Thinking 模式。

孤本观察

编辑判断：谷歌此次选择以 WebSocket 双向流作为浏览器端主要接入方式，并强调无依赖实现，显示出其在降低语音交互前端技术壁垒方面的明确策略，旨在吸引独立开发者与非传统 AI 团队快速集成语音能力。

来源：Simon Willison