Gemini 替你打电话,预约从“自己开口”变成“交给代理”
Gemini 正把 Duplex 的电话能力装进 Tasks,让 AI 代用户联系商家。它从早期的窄范围订餐模型,演变为结合 Gemini 多模态理解、规划与对话,以及专用声学模型的统一系统;用户提出任务后,系统可询问商家、确认条件并完成预约。

- Gemini 可代订餐厅、预约美发
- 电话交互依赖实时理解与生成
- Duplex 演进为 Gemini 统一栈
本文依据 Google Research 官方博客及其介绍的产品能力,文中关于功能、架构与历史数据的描述均来自厂商披露,未见第三方实测。
2026 年 11 月 20 日,Google 把 Duplex 的通话能力接进 Tasks in Gemini:订餐厅、约美发,交代一句,它替你拨通商家、谈妥条件。变化不在 AI 会不会聊天,而在你把一次现实沟通交了出去。
Gemini 能替我打什么电话?
Gemini 现在不只会给餐厅留消息,还能替用户拨通商家的电话,把订餐、预约美发这类现实杂务交给它处理。
Duplex 不是新功能,早年在 Google 内部就是让 AI 与本地商家自然通话的那套东西,此后陆续进入多个产品,这次直接装进了 Tasks in Gemini。
Tasks in Gemini 的定位是协调现实杂务的个人 AI 助手(替你处理现实事务的 AI 助手)。它和普通语音助手的区别不在能不能拨号,而在拨通之后:与商家沟通、把订餐和预约的请求一路处理下去。
“打电话”的边界因此换了一层:过去是你问餐厅、Gemini 转达,现在是你把订位或美发预约交给它,由它代表你谈完。
它能不能在真人与 AI 来电之间听清需求、接住变化,才是这套能力真正的考题。
半秒的停顿,为什么能毁掉一通电话?
预约规则未必复杂,难的是真人在通话中不断改变节奏。AI 得同时听懂、判断并及时接话。
真人打电话很少照脚本走。商家可能在句子中途改口,刚说出的要求又被新想法取代;另一方还可能插话,把原本简单的确认变成一串临时变化。AI 不能只识别固定问题,还要根据前文理解对方现在真正提出了什么要求。
更难的是判断“现在该谁说”。电话里没有按钮可提示,双方常靠细微的语气变化交接轮次。停顿超过半秒,对方会以为电话已经断线;提前开口,两边就同时说起来,原本礼貌的沟通立刻变成互相打断。
所以系统要控制的不只是“说什么”,还有“什么时候说”。只让文字模型生成一句正确回复、再把它念出来,不够用。
高质量的语音理解、情境推理和语音生成,需要在同一个低延迟系统(响应足够快、能协同处理声音的系统)里协同工作。语音理解负责听清内容,情境推理负责跟上改口和插话,语音生成则要选对时机、用自然语气回应。

从会打电话,到能临场办事
Duplex 的变化,是让原本服务于单一任务的电话系统,逐步拥有理解对话、临场应对和完成目标的通用能力。
早期 Duplex 像一位只会固定流程的接线员。它使用按任务定制的循环神经网络(按时间顺序处理信息的神经网络),训练材料来自匿名化、特定任务的电话对话。系统能完成预设边界内的工作,却无法灵活应对所有请求。
转折点出现在 2022 年。那一年,Google Duplex 已在实时通话中使用 LaMDA(Google 的大语言模型)。
LaMDA 本身是 2018 年推出的模型,从登场到被塞进一通真实的电话里,隔了四年。这四年里变的不只是模型,还有它要面对的东西:电话里的变化可能来自对方,而非测试集中预设的路径,模型不再只沿着特定任务脚本推进,还要处理意外转折与题外话。
Google 对最新变化的概括很明确:Duplex 已从定制神经管线(围绕特定任务搭建的模型与处理流程),演进为由 Gemini 驱动的统一技术栈(由同一套底层能力支持不同任务)。过去按任务分别构建的能力,开始汇入一个可同时支持对话与任务完成的系统。

Gemini 接手后,电话处理多了一道分工
Gemini 把原来分散在不同模型里的电话能力合并到一个统一技术栈,再把容易出错的线路细节交给专用模型处理。
Gemini 现在承担整通电话的主干工作:理解对方在说什么,判断用户想完成什么,规划下一步怎么沟通,并生成合适的回应。它把多模态理解(同时处理语音等不同信息形式)、规划和对话能力放在同一套系统中,不再让每类预约都依赖单独定制的对话模型。
专用模型处理更靠近电话现场的部分。声学模型负责在背景噪声、线路压缩和嘈杂电话中辨认说话内容;对话节奏模型负责处理停顿、抢话和话轮切换,判断此刻该继续听、开口,还是把话留给对方。Gemini 决定“说什么、怎么处理”,专用模型把“何时听、何时说”校准到真实通话的节奏。
这套分工能不能撑住真实商家通话,要看它在噪声、抢话和临时改口下的表现。
同一套对话能力,已经跨进搜索、地图和设备
Duplex 已进入设备、搜索和地图,共用同一套对话基础设施。代理不只回答问题,还能替用户推进现实事务。
这套基础设施最早用于商家信息核验。新冠疫情期间,营业时间和商家服务频繁变化,Duplex 自动核验这些信息,并更新 Google 搜索和地图中的商家资料。仅通话所得信息在 Search 和 Maps 中展示的次数就超过 1 万亿次。一次电话产生的信息,由此进入用户查找商家的路径。
通话模型随后进入设备场景,成为 Call Screen 与 Hold for Me 的技术支撑。Call Screen(来电识别与过滤功能)帮助用户处理陌生来电,Hold for Me(代等人工接通功能)在等待客服接通时替用户保持电话联系。两个功能都靠对语音和对话状态的实时处理,一个挡在通话入口,一个守在等待中间。
到了 2025 年和 2026 年,基础模型进一步推动 Google Search 和 Ask Maps 中更广泛的代理式通话能力。同一套模型能力可以服务不同入口:在设备上管理通话,在搜索中发起查询与任务,在地图中处理地点相关事务。任务入口变了,底层能力仍可复用。
我们的判断:这套能力已经过了单点验证,接下来能不能铺开,前提是用户愿意把「替我说」的边界交给它;在涉及价格、时间和承诺的场景里,这个前提并不自动成立。
当 AI 代表你与商家谈妥条件时,你是否清楚它能替你决定到什么程度?
信源:Google Research《How Google Duplex evolved to also call businesses for you in Gemini》(2026年11月20日)及 Gemini Drops、BPDATA、TideReach 补充材料;产品能力、架构演进与历史展示次数均为 Google 官方披露,相关材料未提供第三方实测。
术语小典 · 本篇出现的人话注解
深度、研究解读、工具教程的全文和全部播客,都在会员区。