GPT-Live-1 与 Gemini 3.8 Live：语音智能体的门槛挪到了哪里？

九月十号，OpenAI 把它的实时语音模型 GPT-Live-1 放进 API，按每分钟五分钱计价；五天之后，谷歌发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking。两家做前沿模型的公司，在同一周把语音单独做成了一层模型。这件事改的不是声音像不像人，而是做语音助手的老办法：过去要把语音转文字、语言模型、文字转语音三段串起来，现在这层由同一个模型同时处理进来的声音和出去的声音，再在后面挂一个更会推理的模型。12

两条路线。 OpenAI 把语音层和推理后端拆开：GPT-Live-1 负责听和说，推理与工具调用交给 GPT-6 Astra、Codex 或第三方模型，语音层每分钟五分钱，后端调用另计；它支持电话外呼，也提供关键词偏置和原生转写。1 谷歌则把推理放回语音会话：3.8 Live 面向低延迟对话，Extended Thinking 边说话边做多步推理，会先用一句「让我查一下」接住用户，再在后台跑工具并播报进度；两个模型支持 97 种语言中途切换，接口里的函数调用默认为异步，生成音频带 SynthID 水印，输入音频每分钟 0.005 美元、输出每分钟 0.018 美元。234

独立评测里的差距。 独立评测机构 Artificial Analysis 把语音模型放在同一套指标下比较：综合指数上 Gemini 3.8 Live Extended Thinking 是 82.6，GPT-Live-1 接 Astra 后端是 81.5；同一家两个版本之间的差距更值得看——客服场景基准 τ-Voice 上，Gemini 3.8 Live 是 30.1%，换用 Extended Thinking 是 68.6%，GPT-Live-1 接 Astra 是 67.9%。同榜按每小时输入音频折算成本：Gemini 3.8 Live 为 0.84 美元，Extended Thinking 为 3.50 美元，GPT-Live-1 接 Astra 为 5.83 美元；首字音频延迟均在 1.18 至 1.35 秒之间。该榜注明部分模型结果只跑了一次（含 GPT-Live-1 接 Astra 一行），另一些跑三次取平均。5 据 TechRepublic 报道，OpenAI 称 GPT-Live-1 在自家 Full Duplex Bench 上的轮次切换延迟为 0.798 秒、工具调用准确率 87%，并称全双工表现比上一代高出 30 个百分点。6

证据边界。 厂商跑分只属厂商披露。谷歌的模型卡写明：这两个模型会有大模型常见的幻觉，越狱抵抗仍在加强，偶尔出现变慢或超时，知识截止在 2025 年 1 月；前沿安全评估并未单独进行，而是参照上一个 Flash 版本的结果推断不会触及需要追踪的能力等级，这属于厂商披露的方法而非外部核验的结论。7 OpenAI 这次的发布中未见同类水印说明。1 关于这类模型可能被用于更逼真的自动外呼与冒充，目前只有分析判断，没有已发生的事实支持。6

本期的分析判断是：这一周真正变化的是门槛的位置。语音自然度前两年已基本解决，现在的差异落在「边听边把事办成」上——同一家的快版本与推理版本在客服基准上相差三成九，说明流畅与办成是两件事。做产品的团队可以先测插话与停顿，把推理放在哪一层当作自己的架构决定，并按真实通话时长核算每分钟定价对应的月度成本；做内容的人可以换一个判断标准：能分辨的不再是「AI 能打电话」，而是它打完电话有没有把事办成。