Gemini 3.8 Live vs. GPT-Live-1：打造语音代理的两种路径

Gemini 3.8 Live 与 GPT-Live-1 一览

下表之外要补充的一点是，两种方案都仍需您的应用实际完成工作，例如运行您的函数并跟踪用户的请求。

什么是 Gemini 3.8 Live 和 GPT-Live-1？

两者都是语音到语音模型：音频输入、音频输出，无需独立转写步骤。

什么是 Gemini 3.8 Live？

Gemini 3.8 Live 是 Google 的低时延实时对话模型。它可接收文本、图像、音频和视频，在轮次之间推理，并异步调用函数。两款 Gemini 变体的模型页面均列出 131,072 个 token 的输入上限，见其模型页面。

Gemini 3.8 Live Extended Thinking 是独立模型，而非开关。它在讲述进度的同时，按低/中/高级别加入后台推理。

Google 的版本说明显示两款模型 ID 均已普遍可用，但Live API 能力指南仍将该 API 标注为预览。

什么是 GPT-Live-1？

GPT-Live-1 是 OpenAI 的全双工语音模型。全双工是我在引言中描述的“边说边听”行为的技术称谓。

OpenAI 将交给后端处理称为“委派”。语音可在这项工作进行时继续说话。

GPT-Live-1 也不同于 OpenAI 的 GPT-Realtime-2 系列或其委派用的后端模型。GPT-Realtime-2.1 将推理与工具保留在一个实时模型中，因此本文关于委派的讨论仅适用于 GPT-Live-1。

Gemini 3.8 Live 与 GPT-Live-1 的主要区别是什么？

要点速览给了简版，这里是完整版。Gemini 3.8 Live 在实时会话内决定函数调用；GPT-Live-1 则将推理交给独立后端。在两种方案中，您的应用都负责运行自己的函数。

两者对“思考”的安置。作者制图。

后文大多由这一分工延展而来，先分述两侧。

Gemini 3.8 Live 如何在单一会话内规划

使用 Gemini 时，无需配置第二个模型。实时模型在需要数据时发出函数调用，您的客户端返回结果，详见 Google 的思考指南。

切换到 Extended Thinking 仍使用同一 WebSocket 端点，也不需要后端模型，但客户端代码会有变更。

GPT-Live-1 的委派如何工作

GPT-Live-1 处理语音并决定何时寻求帮助；后端负责推理、工具与业务规则。OpenAI 的提示指南将完整任务流程写入后端的指令中。

使用 Responses 委派时，由 OpenAI 运行您配置的模型；使用客户端委派时，工作交给您应用运行的任意模型或服务。无论哪种方式，委派指南都指出您应当拥有权限、记录与任务状态。

架构差异为何重要

分层的代价是更多部件：一条语音会话、一个后端，以及两者共享的状态。回报是，您可以在不动语音层的情况下更换推理模型。

如果您尚无后端，这样的取舍看上去更麻烦；但若要在不改动语音的前提下升级既有代理，则更有优势。

Gemini 3.8 Live 和 GPT-Live-1 如何处理打断？

两者都能处理打断，但 GPT-Live-1 围绕打断、停顿与回声反馈（听者发出的“嗯哼”）而设计。Gemini 3.8 Live 支持barge-in（插话打断），而且其前馈音频始终开启，但 Google 文档并未称其为全双工。

轮流说话 vs 同时说话。作者制图。

OpenAI 的发布帖引用语言学习应用 Speak 的说法称，GPT-Live-1 将打断比回合制系统减少了近 80%，这属客户陈述而非独立测试。

在 Gemini 上，前馈音频可让模型忽略并非对它说的话。我们的 Gemini 教程发现，笔记本扬声器外放漏进麦克风也会被视为用户插话，建议分别用/不用耳机进行测试。

Gemini 3.8 Live 和 GPT-Live-1 如何处理推理与工具调用？

Gemini 通过从基础版 Live 切换到 Extended Thinking 来扩展推理；GPT-Live-1 则通过更换后端来扩展。因此请将 Extended Thinking 与完整的 GPT-Live-1 方案对比，而非只看语音模型。

Gemini 3.8 Live vs. Gemini 3.8 Live Extended Thinking

基础版 Gemini 3.8 Live 没有 thinking_level 设置，并接受 BLOCKING 函数以兼容旧代码。Extended Thinking 改变了四处客户端行为：

• 工具：仅支持 NON_BLOCKING 函数；阻塞函数会直接报错。

• 思考级别：没有最低选项，只有上述三档。

• 回合结束：turnComplete: true 不再表示模型已完成，客户端需监测 interaction_status 直至其为 IDLE。

• 调度：不支持函数调度。

Google 建议在多步任务与慢工具场景使用 Extended Thinking，但其代价是更高的时延与输出 Token。

Google 文档里有一点让我困惑。发布帖称 Gemini 3.8 Live 可“在后台任务完成时继续对话”，但思考指南却说基础模型会“在说话前等待工具执行完成”。我们的 Gemini 教程在天气查询中观察到后者表现，因此在 Google 澄清前，我会按指南来规划。

GPT-Live-1 可搭配哪些后端模型？

GPT-Live-1 可置于任意您配置的后端之前。OpenAI 文档指向三款 GPT-6 后端：

• GPT-6 Luna（gpt-6-luna），委派指南建议的起点

• GPT-6 Sol（gpt-6-sol），指南建议用于更难的任务

• GPT-6 Astra，发布帖推荐用于复杂客户问题

Artificial Analysis 中的“GPT-Live-1（Astra，medium）”与“GPT-Live-1（Sol，low）”表示系统配置，而非语音模型版本。Artificial Analysis 未标明 Sol 的代际，且 OpenAI 在那些测试之后发布了GPT-6.1 Sol。

呼叫者在任务中途改口会发生什么

假设呼叫者请求将预订改到周五，查询尚在进行时又说“其实改到周四”。只有第二个请求应作数。

慢任务中的需求变更。作者制图。

在 GPT-Live-1 上，打断语音不会取消后端工作。使用 Responses 委派时，仍可能将旧结果返回给语音；使用客户端委派时，您的代码可先行丢弃旧结果。

在 Gemini 上，您的客户端也可丢弃过期的工具结果。无论哪种方式，当前任务由您的应用来界定。

是否支持图像与视频？

Gemini 3.8 Live 原生支持图像与视频；GPT-Live-1 标注两者均不支持。GPT-Live-1 应用仍可把照片发至独立的视觉后端，但自身无法观看实时摄像头。

对 Gemini 而言，视频帧与音频进入同一会话，因此用户举起线缆时，模型能回答“这是对的那根吗？”但需付出两点代价：默认会发送视频帧，且 Google 的会话指南规定同时含音频与视频的会话上限为 2 分钟，仅音频为 15 分钟，除非开启上下文窗口压缩。

电话来电 vs 相机协助维修。作者制图。

订座热线从不涉及视频帧，而下文的语音榜单也不衡量视觉能力。

Gemini 3.8 Live vs. GPT-Live-1 基准测试

没有任何单一基准能定论这场对比。在两者的四种配置中，Astra 领跑主索引，Sol 领跑会话动态，基础版 Gemini 的 Arena Elo 则在四者中最高。

先看主索引如何计算，因为这能解释大部分差异。

Artificial Analysis 语音到语音索引的工作方式

该索引对四种不同能力等权计分：

• Big Bench Audio：口述的推理问题
• τ-Voice：多步客服任务，例如改签航班
• Arena 评分：盲测的人类偏好投票
• 任务成功率：对话以正确的最终工具调用收尾的频率

会话动态依据v2.0 方法单列报告。

这里是本文相关的四种配置。

两个 GPT-Live-1 的 τ-Voice 分数都来自一次试验，需谨慎看待。

代理任务 vs 人类偏好分

在 τ-Voice 上，Astra 为 74.5%，Extended Thinking 为 68.6%，基础版 Gemini 为 30.1%。一旦工具形成链路，额外的推理很重要。

会话方面则是另一番情形：Sol 最高，且基础版 Gemini 与 Sol 的 Arena 置信区间有重叠。

Astra 与 Extended Thinking 的主索引仅相差 0.6 分，未公布置信区间。二者已互换过名次，我仍将其视为不分伯仲。

哪款响应更快？

基础版 Gemini 3.8 Live 的首次音频时间（TTFA）最快，但四者的差距不足 0.2 秒。TTFA 指模型产出首个音频 Token 的用时。

TTFA 未体现对打断的响应，也未计及完成一次订座或查询的用时；后者更多取决于您的后端与工具。

语音交互中的三种等待。作者制图。

Extended Thinking 与 GPT-Live-1 都能在慢查询时继续说话，但呼叫者仍在等待预订完成。

语音基准未衡量的内容

对于客服热线，榜单无法告诉您：

• 您的电话供应商与编解码器传输是否清晰
• 代理在 10 分钟后是否仍遵循脚本
• 嘈杂环境下、重口音来电者的听感如何
• 计入后端与工具后，通话成本是多少

使用您自己的录音做试点更能回答这些问题。

定价对比：哪款更便宜？

在 Artificial Analysis 的测试中，基础版 Gemini 成本最低，但两者的计费维度不同。每个成功任务的成本比标价更关键。

下述费率为撰文时 Google 定价页与 GPT-Live-1 模型页的标价，Gemini 的每分钟数据为 Google 按 Token 价换算。

思考 Token 使 Extended Thinking 比基础版 Gemini 更贵。Artificial Analysis 估算基础版 Gemini 的输入音频每小时 $0.84，Extended Thinking $3.50，Sol $4.47，Astra $5.83，均不含工具与缓存折扣。Gemini Live 不支持缓存；GPT-Live-1 的后端可以。

通话中各自计量的内容。作者制图。

GPT-Live-1 的时钟在静默中也继续计时，静音不会停止。将表中各项费用与电话成本相加，再除以完成的任务数。

浏览器、服务器与电话的支持情况

浏览器与服务器应用均可连接两种模型，但电话部署将二者区分开来。下图展示了连接方式；运维差异在于连接时长与谁位于通话路径中。

浏览器、服务器与电话的连接路径。作者制图。

Gemini 连接约 10 分钟后会重置，较长通话需要会话恢复。使用 GPT-Live-1 时，请分别记录语音连接与委派到后端的工作。

电话与 SIP 支持

直接 SIP 使 GPT-Live-1 的通话路径少一个厂商。Gemini 的合作方路径会多一项需要配置、监控与调试的服务。

有开发者在OpenAI 论坛反馈 GPT-Live-1 口头承诺执行动作却未创建委派。OpenAI 支持并未将其定性为缺陷，而是指向提示指南，说明口头确认并不代表后端工作已启动。建议将委派事件与语音输出分别记录。

自 11 月 2 日起，OpenAI 也支持所有组织进行外呼 SIP 通话，因此 GPT-Live-1 既可接听也可外拨。

Gemini 3.8 Live vs. GPT-Live-1：该用哪一个？

抉择归结为两问：助手是否需要“看”？您是否已有后端？前者为“是”更偏向 Gemini；后者为“是”更偏向 GPT-Live-1。

直接跳到与您产品相符的场景：

电话客服与预约

电话线需要处理打断，并在不可逆操作前进行确认。GPT-Live-1 很契合，具备上述 SIP 支持，且将订座逻辑保留在后端。

相机与屏幕排障

当用户将手机对准路由器时，模型必须对当下画面进行推理。Gemini 3.8 Live 可在一个会话内完成，无需额外视觉组件，但需考虑图像部分提到的 2 分钟视频上限。

后台的多步工作

对于串联多工具的任务，请将 Extended Thinking 与 GPT-Live-1 搭配 Astra 的方案对比。Astra 在一次试验中领跑 τ-Voice，因此选择仍取决于推理应驻留何处。

为现有代理添加语音

客户端委派可在不重写推理循环的情况下为既有代理加入 GPT-Live-1。使用 Gemini 时，实时模型将成为规划者。

高通话量且预算有限

短而简单的通话更指向基础版 Gemini，它在 Artificial Analysis 的测试中最省钱。多步工具会改变这笔账。

结语

最清晰的表述方式是：Gemini 3.8 Live 将“看、想、说”合于一体；GPT-Live-1 则将语音与其背后的智能分离。两者都不具备全面碾压优势，且在“更像人类、响应更快”上已足够接近，实际决策更多将由架构决定。

更有意思的是，代理任务的领先优势在搭配 Astra 的 GPT-Live-1 上升很快。该分数属于整个系统，而非仅语音模型，这是“委派”优势的直观体现——不过一次试验只是信号而非定论。

另一个值得关注的是 OpenAI 的后端阵容：GPT-6.1 Sol 于 2026 年 9 月下旬发布。每个新后端都能在不触碰语音层的情况下改变 GPT-Live-1 的成绩，而 Google 的相应变更意味着要切换实时模型。

目前，带相机的场景用 Gemini 3.8 Live 更省事；已有后端的电话类产品用 GPT-Live-1 更顺手。不论选哪条路，您的代码都要能处理“周五改到周四”的订座问题。

想要了解两条路径背后的代理概念，我们的AI 代理入门课程涵盖工具、记忆与规划。