Gemini 实时音频

# 工具：Gemini Live 音频 来源：https://simonwillison.net/2026/Sep/15/gemini-live/ 今日，谷歌发布了Gemini 3.8 Live与3.8 Live扩展思考版本（https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/）——这两款新的语音转语音模型与OpenAI的GPT-Live（https://openai.com/index/introducing-gpt-live/）系列形态相似。 我指导GPT-6 Astra Extra High研究文档，并让它为我构建了这个网页界面（https://gist.github.com/simonw/067b7430c5b1f743af9419b0184c38ef），用于试用新模型。你可以选择模型与语音预设，输入可选的系统提示，然后通过浏览器开始语音对话，甚至能在模型说话时进行打断。 一个语音聊天网页界面的截图，带有对话记录。顶部按钮：开始会话、结束会话、麦克风静音，外加麦克风音量指示器和显示0:33的计时器。状态：正在聆听。使用耳机以减少回声。开始会话时会请求麦克风权限。对话记录（带有下载记录和清除按钮）。Gemini：是的，运行完美。我能清晰听到您。今天能为您做些什么？您：好的，这相当不错。请告诉我一些关于加州褐鹈鹕的有趣事实。Gemini：它们以壮观的俯冲捕鱼方式闻名，拥有巨大的喉囊，最多可容纳三加仑的水和鱼类。它们在濒危后也实现了伟大的恢复——标注为“已打断”。您：不，请告诉我其他事实。Gemini：它们在离岸岛屿上群居筑巢，喉囊最多可容纳三加仑的水。界面底部是一个文本输入框，显示“或输入消息...”，带有发送按钮，以及说明：发送消息会打断当前的回复。记录可能包含在播放前被中断的语音。 该实现（https://github.com/simonw/tools/blob/main/gemini-live.html）未使用任何库。它连接到`wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent?key=...` WebSocket端点，并使用Web Audio API的`AudioContext`进行捕获与播放。 以下是入门WebSocket API的Gemini Live教程（https://ai.google.dev/gemini-api/docs/live-api/get-started-websocket）。