82.6 分与每分钟 0.005 美元：原生语音对话被拆成两条生产线
2026 年 9 月 15 日，Google DeepMind 与 blog.google 同一天交出两条原生 speech-to-speech 实时对话模型：`gemini-3.8-live` 与 `gemini-3.8-live-extended-thinking`。Google 官方博文直接引用 Artificial Analysis Speech-to-Speech Quality Index——Extended Thinking 在 High 档拿到 82.6，列该指数第一；同一口径下 τ-Voice 代理任务完成率 68.6%，Sierra τ-Voice-banking 35.1%，Big Bench Audio 97.7%。开发者博文则把价格写成另一枚钉子：音频输入 0.005 美元/分钟、输出 0.018 美元/分钟。两条线都不是 Gemini 3.8 Flash，也不是 Gemini Agentic Video；模型卡将其归入 Gemini 3 Pro 家族，输入覆盖音频、图像、视频与文本（约 128K–131072 tokens），输出为音频加文本（约 64K–65536 tokens），知识截止 2025 年 1 月，所有 AI 音频输出带 SynthID 水印。Artificial Analysis 的分项表必须和 Google 的头条引用对着读：ET 赢在语音推理与代理闭环，Live 赢在人类偏好、全双工流畅与小时成本。语音实时赛道已经从“能不能端到端说话”变成“谁能在说话时把工具跑完，还把每分钟账单压到开发者愿意接”。
一、Live 管开口与规模，Extended Thinking 管边说边想
Google 对分工写得很硬。Live 面向低延迟、规模与性价比，强调流畅对话和近实时视觉 grounding；Google 博文突出其 Speech Agent Arena 偏好第二，AA 表则给出 Index 76.0、Arena Preference Elo 约 1083、Task Success Rate 93.2%、Full Duplex Bench 的 Conversational Dynamics 96.1%、Big Bench Audio 上 Time to First Audio 约 1.18 秒，τ-Voice 仅 30.1%，BBA 约 92%。Extended Thinking 面向高复杂度、多步背景推理：人还在说话，模型已在后台想、已在异步调工具。AA Index 的 82.6 与 τ-Voice 的 68.6% 都挂在 High 档；同一张表里它的 Arena Elo 只有 990，Task Success 89.1%，Conversational Dynamics 91.9%，TTFA 1.35 秒，AA 子集小时成本约 3.50 美元（含思考 token），对照 Live 的 0.84 美元。会办事不等于更好听、更快开口，两条模型从第一天就不要当成同一套皮肤。ai.google.dev 的 Live API thinking 文档把差异写成协议约束。普通 Live 用交错推理、延迟相对固定，不支持 `thinking_level`，工具可以 BLOCKING 也可以 NON_BLOCKING，客户端见到 `turnComplete: true` 即可视为一轮闲置。Extended Thinking 必须配置 `thinking_level` 为 low / medium / high（MINIMAL 不受支持）；工具只能 NON_BLOCKING，阻塞式调用直接硬错误；工具在跑时模型会往对话里填 filler；服务端先发 `interaction_status: IN_PROGRESS`，完成后到 `IDLE`。一个逻辑回合可以拆成多段话语，客户端必须跟踪 `interaction_status`，不能只盯 `turnComplete`。相对此前 Flash Live，proactive audio 被永久打开，affective dialogue 被撤掉。音频通路是有状态 WebSocket Live API：16 kHz PCM 进、24 kHz PCM 出。97 种语言可在对话中途自动切换，视觉 grounding 近实时可用——这是家族能力，不是 ET 专属演示。
二、同一张音频价目，两套分发，思考才是隐藏账单
Google 开发者博文把 Live 与 Live Extended Thinking 的基础音频费率写成同一行：输入每分钟 0.005 美元、输出每分钟 0.018 美元，脚注说明来自约 3 美元/百万输入 token、12 美元/百万输出 token 的折算。评测侧的 AA cost/hr 子集把 ET 的推理 token 算进去，于是“官方同价”和“实际不同小时成本”可以同时成立。产品铺开按两条管道走。Live 进入 Gemini API 与 AI Studio，Gemini Enterprise 走私有预览，Search Live 对所有人开放。ET 同样进入 API 与 AI Studio 及 Enterprise 私有预览，客户体验与 Workspace 商务侧即将跟上；消费端进入 Gemini Live 应用，Docs Live 面向 AI Pro / Ultra，Gmail 与 Keep 的 Live 能力对所有 Google AI 订阅者开放。官方博文点名的实时栈包括 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agents，业务侧出现 Salesforce、Genspark、Lumeris。Google 在用公开音频底价抢接入，用 Search、Workspace 与 Gemini 应用把同一套原生音频铺进已有分发，而不是把 Live 留在实验室。对要上线的人，合同要从三处一起读：开发者博文的分钟价、AA 表里被点亮的思考 token、以及 Live API 文档里 NON_BLOCKING 与 `interaction_status` 的硬错误——少读任何一处，都会把“便宜的语音模型”误装成“会在说话时把航班查完的代理”。
三、竞品对照：可接的 Realtime，和不能拿来比的 Voice Mode
公开原生 S2S 的对标对象应是开发者可接的 Live / Realtime 接口，而不是所有带麦克风的消费产品。OpenAI 的 `gpt-realtime-2.1` 是原生 speech-to-speech，浏览器走 WebRTC、服务端也可 WebSocket，临时客户端密钥，单会话最长约 60 分钟，24 kHz PCM，带语义 VAD、工具与 MCP 连接器、打断与截断，声音侧推荐 marin / cedar。AA High 口径下 Index 约 73.9，τ-Voice 约 45.7%，Big Bench Audio 96%，TTFA 1.21 秒，cost/hr 子集约 10.75 美元。另一条独立路径 GPT-Live-1（Astra medium）Index 约 81.5、τ-Voice 67.9%，代理分数靠近 Gemini ET，但不是 Realtime-2.1 生产接口的同一张成绩单。OpenAI 的长处是事件协议成熟、MCP 与审批模式、WebRTC 一等公民；缺口是 Realtime-2.1 High 的 τ-Voice 明显低于 Gemini ET 的 68.6%，AA 子集小时成本也高一个数量级。Amazon Nova 2 Sonic（`amazon.nova-2-sonic-v1:0`，2025 年 12 月 2 日 GA）走 Bedrock 双向流：对话继续的同时异步调工具，多语种与语码转换，覆盖英语、法语、意大利语、德语、西班牙语并延伸葡萄牙语与印地语，文本与语音可跨模态，电话栈接 Amazon Connect、Twilio、Vonage、Audiocodes，编排侧同样出现 LiveKit 与 Pipecat。AA 上 BBA 约 88%，Arena Elo 974，TTFA 约 1.14 秒，价格列约每小时输入 0.27 美元、输出 1.08 美元。它的资产是 Alexa+ 与 AWS 语音/电话运维；缺口是语音推理低于 Gemini ET、Grok Voice 与 OpenAI High。xAI 的 Grok Voice Think Fast 2.0 走 `wss://api.x.ai/v1/realtime`，产品设计就是边说边想。官方价为音频 0.08 美元/分钟（另加文本输入事件 0.004 美元）。xAI 官博曾报 Index 82.9%、τ-Voice 56.5%、BBA 97.2%、TTFA 0.70 秒；AA 表 High 档记 Index 81.3、τ-Voice 仍为 56.5%、BBA 97%、TTFA 同样 0.70 秒、cost/hr 子集 4.80 美元。对 Gemini 应优先采用 Google 引用的 82.6，对 Grok 把官博 82.9% 与 AA 81.3 并陈，不把两套分揉成同一个冠军。Grok 在所列前沿同伴里 TTFA 最快、综合指数与 Gemini ET 咬得很紧，代理完成率仍低于 68.6%。Anthropic 的 Claude App Voice Mode（Opus / Sonnet / Haiku）是消费端“听—想—答”，可接 Gmail、Slack 等连接器，多语言需显式切换；它不是可与 Gemini Live API、OpenAI Realtime、Nova Sonic、Grok Voice 并列的公开原生 S2S 开发者接口。Apple Intelligence 的端侧 Live Translation，以及 Meta 的 Ray-Ban / AI 眼镜实时翻译，只作为封闭消费表面存在，不进入 API 同行名单。
四、赛道已经分叉：好听便宜，和边说边办
把四家公开 API 摊开，竞争不再是谁先取消 STT→LLM→TTS 级联，而是三条几乎正交的轴。延迟轴上，Grok Voice 2.0 的 0.70 秒 TTFA 仍是刺眼下限；Nova 2 Sonic 约 1.14 秒、Gemini Live 约 1.18 秒、OpenAI Realtime-2.1 约 1.21 秒、Gemini ET 约 1.35 秒挤在第二集团。代理轴上，Google 引用的 τ-Voice 68.6% 把 ET High 拉到与 GPT-Live-1 的 67.9% 同一量级，Realtime-2.1 的 45.7% 与 Grok 的 56.5% 说明“会说话”和“能打完客服流程”已经不是同一张榜；银行场景的 Sierra τ-Voice-banking 35.1% 则提醒：即便拿下指数第一，高风险任务完成率仍远未到可以放手的程度。成本轴上，0.005 / 0.018 美元每分钟是公开报价里最激进的音频底价；AA 把思考 token 计入后 ET 约 3.50 美元/小时，对照 Realtime-2.1 的 10.75 与 Grok 的 4.80，价格战已经从文本 token 蔓延到每一分钟麦克风。更值得记下的是文档里的克制，而不是发布会里的第一。ET 禁止阻塞工具，必须自建对 `interaction_status` 的状态机；Live 不允许 `thinking_level`，情感对话被删；知识停在 2025 年 1 月；会话绑在 WebSocket 上，不是无限上下文；SynthID 给所有 AI 语音盖印。Search Live 对所有人开放，Docs、Gmail、Keep 进入订阅包，分发会把“能听见、能看见、能插话”变成默认交互；真正吃掉 68.6% 红利的，是那些愿意把工具改成 NON_BLOCKING、接受 filler 与 IN_PROGRESS、并把 Live 与 Extended Thinking 签成两份合同的人。要电话与 AWS 运维看 Nova 2 Sonic，要 WebRTC 与 MCP 事件看 OpenAI Realtime，要开口速度看 Grok Voice，要公开代理完成率与音频底价看 Gemini 3.8 Live 家族——指数可以并排引用，模型不能混着采购。