一个只有百来行代码、没有任何第三方打包依赖的纯 HTML 文件，接上浏览器原生的 Web Audio API 和 WebSocket，就能让用户对着屏幕开口说话，还能随时出声打断模型的回答。开发者 Simon Willison 借助 GPT-6 Astra Extra High 查阅开发文档写出的这个极简界面，让不少人觉得端到端语音交互的技术门槛已经彻底消失。
但这种直觉往往来自演示的幸存者偏差。2026 年 9 月 15 日，Google 正式推出基于 Gemini 3 Pro 架构的 gemini-3.8-live 与 gemini-3.8-live-extended-thinking。这一步让原生双向语音从实验性管道推向正式生产环境，也直接把战火引向了 OpenAI 的全双工语音模型 gpt-live-1。
掩盖延迟的话术与双生架构
传统语音系统的积木搭建法并不复杂：语音转文字（STT）、模型推理、文字转语音（TTS）串联排开。这种管道式级联虽然稳定，但数秒的端到端等待和丢失的语音语调，几乎抹杀了所有像真人的对话感。
Gemini 3.8 选择直接走原生音频输入输出，音频协议支持 16 kHz 原始 PCM 输入与 24 kHz PCM 输出，要求客户端按 20 至 40 毫秒分块流式收发，并在 97 种语言之间自动识别切换。音频输出中还永久内嵌了 DeepMind SynthID 水印。
为了解决深层推理带来的停顿尴尬，Extended Thinking 引入了后台思考分级和非阻塞异步工具调用。当模型需要调用外部系统或组织复杂长句时，它不会陷入长时间死寂，而是主动插入“正在查看”这类语气填充词。Google 公布的成绩单相当抢眼，Artificial Analysis 语音质量指数拿下 82.6 分，Big Bench Audio 达到 97.7%。
但官方始终避开了一个核心指标：端到端首音延迟（TTFA）。在早期的 Full-Duplex-Bench-v3 测试中，Gemini 3.1 Live 在特定工具调用场景实测延迟高达 4.25 秒。即便换成了 3.8 架构，在真实网络抖动和深层计算介入时，这种口头填充更像是精心设计的缓冲垫，而非彻底消除了物理推理耗时。
计费账单里的算术游戏
两家厂商在全双工语音上的计费哲学完全不同。
OpenAI 针对 gpt-live-1 采取了一刀切的包时费：每分钟固定收取 $0.05，把音频传输、打断检测和连接损耗打包在内。
Google 则把 Gemini 3.8 拆回了细粒度的 Token 结算：音频输入每百万 Token 收取 $3.00（约合每分钟 $0.005），音频输出每百万 Token 收取 $12.00（约合每分钟 $0.018）。加上文本输入 $0.75 和含思考过程的文本输出 $4.50，官方算出的双向对话基准成本只要 $0.023 / 分钟，看起来便宜了一大半。
天上不会凭空掉馅饼。这笔每分钟 $0.023 的账单，只在对话刚刚开始、毫无上下文包袱的前两分钟成立。
Gemini 3.8 的上下文上限虽然支持到 131,072 个 Token（单次最大输出 65,536 个 Token），但它目前不支持 Prompt Caching。在 WebSocket 长连接中，每一轮客户端与服务端的来回交互，都在按全量历史上下文和转录文本重复扣费。
- 风险.若未自研压缩算法，官方文档标明纯音频会话在 15 分钟左右就会耗尽上下文额度；一旦开启音频加视频的双流多模态，会话仅能维持约 2 分钟。
如果企业按每分钟两分钱的预算上线客服业务，却放任用户进行多轮长谈，月底收到的账单很容易击穿预期。
优雅演示背后的工程暗礁
Simon Willison 的极简代码能在浏览器里流畅跑通，核心原因是开发机上插着耳机。一旦把同一套逻辑搬进日常免提设备或电话线路，工程脆弱点就会暴露无遗。
纸上得来终觉浅，绝知此事要躬行。
OpenAI 在 gpt-live-1 上强调原生全双工边听边说，在第三方 Speak 测试中宣称思考停顿时的打断误判率降低了近 80%。而 Gemini 3.8 的实时打断，在底层仍然依赖客户端 VAD（语音活动检测）与服务端的 serverContent.interrupted 事件协同。
在社区开发者的集中反馈中，Gemini 3.8 缺乏服务端回声消除（AEC）。扬声器播出的声音只要被麦克风重新收录，就会直接触发模型的自我打断机制；要是客户端音频缓冲区清空逻辑出现毫秒级偏差，还会引发 WebSocket 持续连接但模型不再出声的假死状态。
雪上加霜的是，高风控企业所依赖的 Structured Outputs 和原生代码执行，在目前的 3.8 实时流接口里均未开放。
- 建议.当下的 Gemini 3.8 适合作为具有多模态输入需求的极客工具或短平快咨询助手；但如果目标是承接电信级 SIP 外呼系统，架构师必须在边缘网关自建回声抑制与超时看门狗，否则很容易演变为生产事故。
Google 押注的是全模态的广度，把文本、音频、图像和视频全塞进同一个通道；而 OpenAI 押注的是单一听觉通道的打磨。对于开发者来说，辨清这层包装，比为百行代码的简易演示喝彩重要得多。