用 Gemini Live 音频接口在浏览器里搭一个可打断的语音对话工具

一句话结论

Google 发布了两款语音到语音新模型 Gemini 3.8 Live 和 3.8 Live Extended Thinking，Simon Willison 直接把官方文档丢给 GPT-6 Astra，让 AI 写出一个浏览器语音对话 Web UI：选模型、选音色、设系统提示词、可打断对话，零依赖直连 WebSocket，配套官方 WebSocket 入门教程可直接上手。

新模型与背景

Google 本次发布的 Gemini 3.8 Live 和 3.8 Live Extended Thinking 是两款 speech-to-speech（语音到语音）模型，形态上对标 OpenAI 的 GPT-Live 家族——直接音频进、音频出，不再走「语音转文字→文字模型→文字转语音」的拼接链路。

Speech-to-speech 架构的实际意义在于延迟与自然度：省掉两次中间转换，对话节奏更接近真人，还保留了打断能力——你说到一半插话，模型会立刻停下来听。

工具怎么用

Simon 用 GPT-6 Astra Extra High 读官方文档后生成的这个 Web UI，功能覆盖了试用新模型的全部核心操作：

1. 选择模型与音色预设：在界面顶部下拉选择要对话的 Live 模型和声音。
2. 可选系统提示词：想测试特定人设或行为约束，直接在输入框里写。
3. 开始语音对话：点击 Start session 授权麦克风，即可通过浏览器与模型对话。
4. 随时打断：模型说话过程中直接开口，模型立即让位——界面会实时标记 Interrupted 状态。
5. 完整转写留存：对话文字稿实时显示在界面上，支持一键下载和清空。

想自己跑一个的话，工具已开放：访问 Simon 的 tools 站点即可使用，也可以直接复刻实现——完整源码就是一个单文件 HTML，托管在 GitHub 上。

技术实现要点

这个工具最值得借鉴的是实现方式足够克制：零依赖，不用任何库。核心就两件事：

• 连接 Google 官方 WebSocket 端点 wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent，双向音频流走这一个连接；
• 用浏览器原生 Web Audio API 的 AudioContext 同时完成麦克风采集和音频播放。

对想动手的开发者，Google 提供了官方的 Gemini Live WebSocket API 入门教程，跟着走一遍就能理解端点鉴权、音频分块和双向交互的完整流程。

对 AI 工作流的启示

这篇文章展示了「用 AI 快速造工具」的标准姿势：模型发布当天，把文档喂给一个强推理模型，让它直接生成可用的试用工具，而不是等第三方应用更新适配。文档在、API 在，配一个 AI 编码助手，从「想试」到「能用」的距离被压缩到小时级。

同样的打法可以平移到任何新 API 的评测场景：先让 AI 读文档搭最小可用客户端，再用它实际跑任务，验证效果后决定是否深入投入。

原文信息

原文地址： 作者：Simon Willison（@simonw），Django 联合创始人、Datasette 作者 发布时间：2026-09-15