商傳媒｜何映辰／台北報導
Google 於近日推出兩款新的 AI 模型，Gemini 3.8 Live 和 Gemini 3.5 Transcribe，旨在革新對話式人工智慧（conversational AI）的互動方式。這些模型將讓開發者能夠打造出反應更即時、互動更流暢、甚至能理解視覺情境的語音助理，大幅提升使用者體驗。
Gemini 3.8 Live：即時對話與多模態能力
Gemini 3.8 Live 是 Google 為實現快速語音對話而設計的內建模型。這款模型的一大特色是能在對話進行的同時，在背景執行應用程式介面（API）與工具呼叫（tool calls），並持續音訊回應，確保對話不被中斷。《ExtremeTech》指出，這使得 AI 能夠在處理複雜任務時，仍能維持流暢的互動。The Futurum Group 分析師 Bradley Shimmin 表示，這種架構讓開發者能根據不同需求客製化 AI 的行為模式，實現更自然的對話流程，即便使用者即時中斷或注入新的情境，AI 也能不間斷地處理。
Gemini 3.8 Live 更具備多模態（multimodal）能力，意即它能同時處理多種形式的資料。此模型能以每秒一張的速度分析即時圖像與影片，將使用者的語音與其所見的視覺內容連結起來，讓 AI 能更好地理解對話情境。它支援多達 97 種語言，擁有真實的口音，並能自動在對話中切換語言，讓跨語種溝通更加便利。Gemini 3.8 Live 的音訊對話時長可達 15 分鐘，若同時包含音訊和影像，則最長可持續 2 分鐘。
此外，Google 也推出了 Gemini 3.8 Live 的 Live Extended Thinking 版本，允許使用者配置 AI 模型的內部推理（reasoning）功能。《AI Business》報導，Tekonyx 創辦人 Sid Nag 解釋，這意味著 AI 可以在對話過程中同時進行背景思考，而非停下來等待思考完成再回應，實現了「快速且深思熟慮」的即時互動。這項技術透過分離互動延遲（interactive latency，指使用者動作到系統回應的時間）與推理延遲（指 AI 內部處理資訊的時間），確保 AI 代理在回應快速的同時，也能進行更深入的分析。
Gemini 3.5 Transcribe：高精準語音轉文字
與 Gemini 3.8 Live 同步推出的 Gemini 3.5 Transcribe，則是一款專為語音轉文字設計的模型。它支援 85 種語言，具備自動偵測語種和處理區域口音的能力。Google 表示，該模型的字詞錯誤率（word error rate）在即時串流情境下約為 4%，非串流模式下則降至約 2.6%，顯示其高精準度。開發者可透過兩種 API 介面使用：Live API 支援即時串流語音轉文字，能提供亞秒級延遲的即時字幕；Interactions API 則可用於處理最長一小時的預錄音檔，並提供語者分離（diarization，能識別對話中不同說話者的聲音）及字詞時間戳功能。
開發者取用與防偽機制
開發者可透過 Google AI Studio 和 Gemini API 取用這兩款模型。Google 強調，所有由 Gemini Live 模型生成的 AI 音訊內容都將包含 SynthID 浮水印，這有助於偵測 AI 生成的內容，進而防止假資訊的傳播。此次發布的 Gemini 3.8 Live 和 Live Extended Thinking 已於 9 月 15 日上線，而在此兩週前，Google 也已推出了 Gemini 3.8 Flash 和 Gemini 3.8 Cyber 基礎模型。
