Gemini 3.8 Live 语音模型与浏览器实时对话界面

Google 发布了 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，这是两款新的语音到语音模型，形态上接近 OpenAI 的 GPT-Live 系列。

围绕这两款模型，有开发者基于官方文档制作了一个浏览器端 Web UI，用于快速试用 Gemini Live 的实时语音能力。

这个界面能做什么

该 Web UI 支持以下功能：

• 选择不同的 Gemini Live 模型
• 选择语音预设
• 输入可选的系统提示词
• 通过浏览器开启语音对话
• 在模型说话时直接打断回复
• 查看对话转录文本
• 下载或清空转录记录
• 通过文本输入发送消息，并中断当前语音回复

界面示例中，用户可以先开始会话，浏览器会请求麦克风权限。会话状态会显示为正在监听，并提供麦克风音量指示与计时器。

转录内容中也会标记被打断的模型回复。例如，当模型正在介绍加州褐鹈鹕时，用户可以中途要求“换一些不同的事实”，模型会停止当前回复并继续新的回答。

技术实现

这个实现没有使用额外库，主要依赖浏览器原生能力：

• 使用 WebSocket 连接 Gemini Live 的双向生成接口
• 使用 Web Audio API 的 AudioContext 处理音频采集与播放

其连接的 WebSocket 端点形如：

wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent?key=...

也就是说，浏览器端可以直接通过 WebSocket 与 Gemini Live API 建立双向音频通信，同时用 Web Audio API 管理麦克风输入和模型语音输出。

值得关注的点

这类工具展示了实时语音模型在浏览器中的一种轻量集成方式：不依赖复杂前端框架，也不需要专门的原生应用，就可以完成实时语音对话、播放、录音、打断和转录展示。

对于想实验语音代理、浏览器 AI 助手或实时客服原型的开发者来说，这种实现方式有参考价值。