OpenAI的语音模型不会思考。这正是关键所在。
内容提要
谷歌与OpenAI在五天内相继推出语音代理方案。谷歌Gemini 3.8 Live Extended Thinking可在单一会话内完成语音、推理与工具调用，工具非阻塞时能持续对话；OpenAI的GPT-Live-1则分离语音与后端推理，需开发者自行协调。两者均面临用户打断的难题。谷歌称其模型在嘈杂环境表现更佳，但双方测试不同，无法直接比较。
延伸解读
架构差异决定开发负担
谷歌将语音、推理与工具调用整合在单一会话中，开发者无需自行协调中间层，但更依赖其运行时环境。OpenAI则分离语音与后端推理，虽增加编排复杂度，却允许灵活选择推理模型和第三方工具。选择哪种方案，取决于团队对控制力与开发效率的权衡。
打断处理是共同难题
用户中途打断或改变意图时，后台可能仍在执行已无用的任务。Gemini将这类工作保留在同一会话内，但开发者难以精确知晓工具调用何时停止；OpenAI把清理责任交给开发者，需主动取消任务并防止过期结果混入对话。两者都未完全解决这一交互痛点。
成本结构差异显著
标准Gemini 3.8 Live按音频输入每分钟0.005美元、输出0.018美元计费，Extended Thinking额外收取推理token及视频、文档等输入费用。GPT-Live-1仅前端语音层就达每分钟0.05美元，后端推理、函数调用和外部代理运行均单独计费。频繁调用强推理模型的语音代理成本会快速上升。
基准测试不可直接对比
谷歌称Gemini 3.8 Live Extended Thinking在语音转语音质量指数得分82.6，并在τ-Voice等任务完成基准上领先；OpenAI的GPT-Live-1搭配GPT-6 Astra在Tau3客服评估中Pass@1达86.2%，全双工基准领先30个百分点。但双方测试集与设置不同，且谷歌提醒开发者模型与ChatGPT等成品语音模式并非同类比较。
Q&A
谷歌和OpenAI最近发布的语音代理方案有什么不同？
谷歌的Gemini 3.8 Live Extended Thinking将语音、推理和工具调用保留在单一有状态会话中，工具调用非阻塞时可继续对话；OpenAI的GPT-Live-1则分离语音与后端推理，由开发者自行协调两层。
Gemini 3.8 Live Extended Thinking如何处理工具调用时的延迟？
当函数设置为NON_BLOCKING时，Gemini可以在等待工具响应的同时继续说话，比如提出后续问题或给出更新，等结果返回后再继续。
GPT-Live-1的架构是怎样的？开发者需要承担哪些工作？
GPT-Live-1负责全双工对话，后端模型（如GPT-6 Astra、Luna或第三方）独立处理推理和工具执行。开发者需要通过边带通道在语音模型和后端推理器之间传递上下文，并决定后台工作运行时对话如何进行，编排负担完全在应用层。
这两种语音代理方案在用户打断时面临什么挑战？
两者都面临用户打断或中途改变主意时，后台工作可能不再需要却仍在运行的问题。Gemini中工作留在同一会话内，但开发者对工具调用何时停止的可见性较低；OpenAI则将更多清理工作留给开发者，需要取消待处理任务并确保过时答案不会回到对话中。
Gemini 3.8 Live Extended Thinking和GPT-Live-1的定价分别是多少？
标准Gemini 3.8 Live按Gemini Live API费率收费：音频输入每分钟0.005美元，输出每分钟0.018美元；Extended Thinking增加推理token，并对实时视频和文档等输入额外收费。GPT-Live-1前端语音层每分钟0.05美元，后端推理模型、函数调用和外部代理运行均单独计费。
Gemini 3.8 Live Extended Thinking在哪些基准测试中表现突出？
在Artificial Analysis的Speech-to-Speech Quality Index上得分为82.6，在τ-Voice上任务完成率为68.6%，在Sierra的τ-Voice-banking基准上为35.1%。谷歌称其在语音到语音质量指数上排名第一，并在复杂任务完成基准上领先。
谷歌和OpenAI的语音模型测试结果可以直接比较吗？
不能直接比较。谷歌和OpenAI使用了不同的测试和设置，谷歌还指出一些比较是将开发者模型与成品消费产品进行对比。
