Gemini 3.8 Live 配上实时头像：企业版今日上线，头像说话一分钟约 $0.37
Google 给 Gemini 3.8 Live 加了一路实时生成的头像视频并在企业侧上线：连同分模态价格、按分钟换算的头像成本，以及 Artificial Analysis 的独立语音指数一起给出。
Google 在 2026 年 9 月 24 日给上周发布的 Gemini 3.8 Live 补上了一路视频输出：模型在说话的同时实时生成一张与口型、表情同步的人像，官方把这项能力叫 Live Avatar，当天起在企业侧的 Gemini Enterprise 上线。12官方博客由 Gemini Audio 团队的 Shuo-yiin Chang 与 CJ Zheng 署名，Google Cloud 一侧的公告写明它已经可以部署到企业生产环境。12
先说结论
- 它长在已经发布的模型上。 承载这项能力的是
gemini-3.8-live，官方模型页把发布时间记为 2026 年 9 月 24 日、阶段标为 GA，Live Avatar 是这个模型新增的视频输出这一路，而不是另起一个基座。3 - 多出来的是三件事。 除了与语音同步的人像视频，官方强调的是后台工具调用（工具在后台取数，对话不中断）和实时画面理解（摄像头画面与屏幕共享可以和语音同时进来），语言覆盖 97 种并自动检测。12
- 价格按模态分开算。 企业侧价目表里，文本输入 $0.75、音频输入 $3.00、图像与视频输入 $1.00，文本输出 $4.50、音频输出 $12.00、头像视频输出 $1.00，单位都是每百万 tokens。4同一页给出的换算是头像视频每秒 6,192 个 token，并且只在头像正在说话时计费，按这个数算下来，头像说话一分钟的视频输出约 $0.37。4
- 独立评测把两档拉开了。 Artificial Analysis 的语音到语音指数给 Gemini 3.8 Live 76.0 分、给 Gemini 3.8 Live Extended Thinking（High）82.6 分，每小时输入音频成本分别是 $0.84 与 $3.50；高分的 Extended Thinking 目前仍在私有预览。25
快速核对
| 项目 | 内容 | 来源 |
|---|---|---|
| 发布时间 | 2026 年 9 月 24 日，官方博客与 Google Cloud 公告同日发出 | 官方博客 、Cloud 公告 |
| 发布方 | Google，公告由 Gemini Audio 团队署名 | 官方博客 |
| 模型 ID | gemini-3.8-live，GA，发布日期记为 2026 年 9 月 24 日 | 官方模型页 |
| 参数规模 | 官方未披露 | 官方模型卡 |
| 输入模态 | 文本、图像、音频、视频 | 官方模型页 |
| 输出模态 | 文本、音频；带 Live Avatar 时另有视频（mp4） | 官方模型页 、Live API 概览 |
| 上下文与输出上限 | 最大输入 128K tokens、最大输出 64K tokens；带 Live Avatar 时输出上限为 24K tokens | 官方模型页 、官方模型卡 |
| 知识截止 | 2025 年 1 月 | 官方模型页 |
| 可用范围 | Gemini Enterprise；端点覆盖多区域 us、eu 与 us-central1 | Cloud 公告 、官方模型页 |
| 自定义头像 | 企业可凭白名单与验证流程，用一张高质量参考图生成保留参考相似度的头像 | 官方博客 |
| 水印 | 音频与视频输出均带 SynthID 不可见水印 | 官方博客 |
| 连续交互时长 | 官方模型卡写明支持数分钟的连续交互 | 官方模型卡 |
| 计费入口 | 企业侧 Agent Platform 价目页；开发者侧 Gemini API 价目页 | Agent Platform 价目页 、Gemini API 价目页 |
这一路视频加在哪里
Live API 本身是把连续的音频、视频或文本流送进模型、换回即时语音的接口，走的是有状态的 WebSocket 连接；官方给的输入格式是 16kHz、16 位小端的原始 PCM 音频，图像和视频按每秒 1 帧的 JPEG 送，输出音频是 24kHz 的原始 PCM，头像视频则以 mp4 回传。6这次新增的正是最后那一格：模型在回话时同步生成一张会动的人像，官方描述为近实时的视频生成与语音在同一个模型里耦合。1
官方博客把这项能力的用处落在企业对话场景：客服、互动导览、自助设备上的讲解员。1Google Cloud 的 GA 公告补了三条更具体的能力：头像在被打断之后能接着对话而丢掉上下文；工具调用在后台执行，模型先应答再继续聊，任务完成后再回来；摄像头画面与屏幕共享可以和语音同时送进模型。2
多语言这一项有两处口径要分开看。官方博客说 Gemini 3.8 Live 理解并会说 97 种语言、能自动检测语言，口型与表情在切换语言时跟着变；1同一套 API 文档在「配置语言与声音」一节写的是支持 24 种会话语言。6做多语言代理的人按后者配置，按前者估计覆盖范围。
能力支持上有一张清单值得先看：这个模型支持系统指令、Google Search 接地与函数调用，不支持思考模式、结构化输出、上下文缓存、Count Tokens、RAG Engine、Chat Completions、URL context、代码执行、Computer Use、微调与批量推理。3
价格怎么算
| 计价项（每百万 tokens） | 单价 | 官方给出的换算 |
|---|---|---|
| 文本输入 | $0.75 | — |
| 音频输入 | $3.00 | 25 tokens / 秒音频，约 $0.005 / 分钟 |
| 图像、视频输入 | $1.00 | 258 tokens / 张图 |
| 文本输出 | $4.50 | 含思考 token |
| 音频输出 | $12.00 | 25 tokens / 秒音频，约 $0.018 / 分钟 |
| 头像视频输出 | $1.00 | 6,192 tokens / 秒视频，仅在头像说话时计费 |
| 来源 | Agent Platform 官方价目页 | Gemini API 官方价目页 |
头像视频那一行是一条可以自己验算的乘法：6,192 tokens/秒 × 60 秒 ÷ 1,000,000 × $1.00，得到每分钟约 $0.37。4语音的两条路便宜得多：音频输出每分钟约 $0.018、音频输入每分钟约 $0.005，十分钟里各占一半的话，这两路加起来不到 12 美分；同样十分钟里头像开口五分钟，视频这一路约 $1.85，账单的大头落在头像上。真正容易算漏的是下面这一条。
Live API 的计费单位是一轮，也就是一次用户输入加模型的这一次回应，而计费的对象是这一轮里整个会话上下文窗口包含的全部 token：前几轮的内容会随着上下文累积，在之后的每一轮里被重新计费一次，直到触达你配置的上下文上限。4会话越长、轮数越多，同一段话被计费的次数越多，按模态单价乘以秒数估算出来的成本会明显低于实际账单。
还有两处口径差异要带上。企业侧这张表标的是非全球端点价，语音这一路的价格在
us、eu 之外的区域会另算；4开发者侧的 Gemini API 价目页虽然列出了 gemini-3.8-live，里面只有文本、音频、图像视频的输入价和文本、音频的输出价，没有视频输出这一行，头像视频的计价目前只出现在企业侧价目表上。7官方自测与第三方独立分数
Google 把这几项评测写进了一份独立的方法论文档，并逐项标出由谁执行：语音到语音的指数、智能体表现与成本由 Artificial Analysis 跑，银行场景的工具调用由 Sierra 跑，多轮语音会话的体验与准确率由 ServiceNow 在 Gemini Enterprise Agent Platform 上跑。5Artificial Analysis 自己那份榜单独立发布了同一批模型的完整条目，两边的数字对得上。8
| 指标 | Gemini 3.8 Live | Gemini 3.8 Live Extended Thinking（High） | GPT-Live-1（Astra, medium） | Grok Voice Think Fast 2.0（High） |
|---|---|---|---|---|
| 语音到语音指数 | 76.0 | 82.6 | 81.5 | 81.3 |
| 语音推理（Big Bench Audio） | 92% | 98% | 90% | 97% |
| 对话动态（Full Duplex Bench） | 96.1% | 91.9% | 94.9% | 95.1% |
| 智能体表现（τ-Voice） | 30.1% | 68.6% | 67.9% | 56.5% |
| 首个音频时间 | 1.18 秒 | 1.35 秒 | 1.34 秒 | 0.70 秒 |
| 每小时输入音频成本 | $0.84 | $3.50 | $5.83 | $4.80 |
数据为 Artificial Analysis 的语音到语音榜单，评测经由 Gemini API 以
gemini-3.8-live-preview 与 gemini-3.8-live-extended-thinking（thinking 设为 high）执行，出自Artificial Analysis 语音到语音榜单与官方评测文档。Sierra 的银行业务基准是另一套结论。τ³-Banking 上 Extended Thinking（High）拿到 35.1%，GPT-Live-1（Astra, medium）32.0%，xAI Realtime 16.5%，Gemini 3.1 Flash Live（High）11.3%，GPT-Realtime 2（High）10.3%，这一张图里没有出现不带 Extended Thinking 的 Gemini 3.8 Live。5
ServiceNow 的 EVA-Bench 是官方这组评测里唯一没有给逐项分值的一项，它只给了一张散点图，横轴是任务准确率、纵轴是体验得分，Gemini 3.8 Live 落在体验一侧最高的位置。5
能用在哪，要改什么
- 企业侧当天可用，开发者侧还没有这一路。 官方写明 Live Avatar 在 Gemini Enterprise 上线，端点覆盖多区域
us、eu与us-central1，支持 Provisioned Throughput 与标准按量付费，批量推理不支持。23 - 自定义头像要走白名单。 预设头像库可以直接挑；要用自己品牌或真人的形象，需要企业白名单与验证流程，再拿一张高质量参考图生成。12
- 先说几分钟的短会话。 官方模型卡写明带头像的版本支持几分钟的连续交互，长时段值守的用法需要按会话切分。9
- 输出上限会变。 不带头像时最大输出 64K tokens，带 Live Avatar 时降到 24K；接入方式仍是 Live API 的有状态 WebSocket。69
- 合成内容都带水印。 官方称所有输出都嵌入 SynthID 不可见水印，用于事后识别 AI 生成内容。1
- 知识截止在 2025 年 1 月。 需要更新事实的场景要接 Google Search 接地。3
该不该试：三条能自己核对的判断
- 你的代理要跑多步工具调用，还是一直聊天。 榜单上最陡的一条差在 τ-Voice：Extended Thinking（High）68.6%，不带扩展思考的 Live 30.1%，两者每小时音频成本是 $3.50 与 $0.84。8多步任务为主的场景，先确认这条差距在你的任务集上是否成立，再看预算。
- 高分的那个档今天拿不到。 Google Cloud 明确写着 Extended Thinking 仍在私有预览，当天向企业开放的是 Gemini 3.8 Live 与它的 Live Avatar。2
- 按你自己的轮数算一遍账。 拿你的平均会话时长、轮数与头像开口时间，套进上面的模态单价，再按每轮重算上下文的规则加一遍，得到的数字才接近账单。4
还没有的数字
References
- 1Introducing Gemini 3.8 Live with Live Avatar
blog.google
- 2Gemini 3.8 Live with Live Avatar is now generally available
cloud.google.com
- 3Gemini 3.8 Live 官方模型页
docs.cloud.google.com
- 4Agent Platform 官方价目页
cloud.google.com
- 5Gemini 3.8 Audio 评测方法与结果
deepmind.google
- 6Gemini Live API 概览
docs.cloud.google.com
- 7Gemini API 官方价目页
ai.google.dev
- 8Artificial Analysis 语音到语音榜单
artificialanalysis.ai
- 9Gemini 3.8 Audio 官方模型卡
deepmind.google
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.