Gemini AI 电话功能深度解析：三层架构下的能力边界与未来展望

AI 化身私人秘书代打电话，完成订餐、查库存、确认送货上门等事务，曾是科幻作品中的经典场景。在 2026 年 Google I/O 开发者大会上，官方正式宣布 AI 将支持 "代拨电话" 功能，可一键完成订票订位等操作。这一消息引发国内开发者广泛关注：Gemini 究竟进化到了何种程度？它真的能在云端毫无破绽地替人类完成电话沟通吗？

如果将 Google 这套 "智能通信系统" 拆解开来，可以清晰地看到一个由三层构成、层层递进的技术架构。

第一层（交互层）：具备拟人化语音能力的聊天伙伴

Gemini Live 是这个架构的基础，也是大众最为熟悉的入口。如今的它早已不是冷冰冰的问答工具 —— 在 2026 年的新版本中，Gemini Live 已无缝融入主界面，打字与语音输入之间无需生硬切换。通勤路上你可以对着它倾诉日常，它不仅能准确理解语义，还能用带有自然停顿和语气变化的拟人化声音进行回应。

但需要明确的是，这一层的 "AI 秘书" 本质上仍是对话伙伴。在执行 "打电话" 这一动作时，它扮演的是 "传声筒" 角色，能够与你进行语音交流，但无法独立自主地替你拨出预约电话并完成完整交涉。要让 AI 真正具备执行能力，需要依靠架构中更深层次的核心模块。

第二层（执行层）：实现自主通话的 Google Duplex

这才是国内技术圈最为关注的核心问题：Gemini 真的能替人类拿起话筒吗？

答案是肯定的，但这项能力并非凭空出现，而是建立在已有多年历史的 Google Duplex 技术之上，且实际体验与演示视频存在一定差距。

早期版本的人机混合模式

根据《纽约时报》2019 年对初代 Duplex 的深度实测报道，记者通过 Pixel 手机内置助手进行了十余轮测试后发现：在成功完成的 4 次餐厅预订中，有 3 次实际上是由 Google 呼叫中心的人工坐席拨打的，完全由 AI 独立完成的仅有 1 次。Google 官方当时也坦承，约 25% 的 Duplex 预订电话由人工发起，另有约 15% 的 AI 发起电话需要人工中途介入。

Google 的这一设计逻辑其实十分务实：与其让 AI 被前台识破身份导致预订失败，不如在 AI 无法处理的临界点由人工兜底；而这些人工通话的录音又会反过来用于模型训练，形成一种 "负责任的工程迭代"。

2026 年的技术演进

到 2025 年末至 2026 年，这项功能已被整合为 "Let Google Call" 服务，并融入 Google 的 AI Mode 搜索体验中：

• 当你在 Google 搜索 "附近某款太阳镜是否有现货" 时，页面会出现 "Let Google call" 按钮
• Gemini 会替你拨通商店电话，不仅询问库存情况，还能进一步确认是 2025 款还是 2026 款
• Duplex 负责模拟人类的自然停顿和口语习惯，Gemini 则承担多步推理的 "大脑" 角色

尽管技术已有显著进步，但现实限制依然存在：该功能目前仅在美国地区可用，主要服务于本地商户，且 Google 明确允许商家主动选择 "拒接" 此类 AI 来电。在国内，不仅无法直接使用这项服务，连基础的运行条件（Google 服务框架 + 本地商户数据接入）都尚不具备。

📌 重要说明：25% 人工介入的比例源自 2019 年对早期 Duplex 版本的实测数据，主要用于说明 "全自动 AI 通话" 的演示效果与工程现实之间的差距。到 2026 年，随着 Gemini 模型能力的提升，AI 自主通话的比例已有明显提高，但全自主通话的覆盖范围、商户接受度以及法律合规性仍是制约其大规模推广的主要瓶颈。

第三层（基础层）：系统级通信基座 Jetpack Telecom v1.1.0

如果说前两层属于软件功能层面的创新，那么 2026 年 Android 生态正在搭建的则是更深层次的系统级基础设施。

Google 近期正式发布了 Jetpack Telecom v1.1.0 更新，其核心并非直接实现 "AI 打电话"，而是让 WhatsApp、Signal、Google Meet 等第三方 VoIP 应用的通话记录直接显示在系统原生拨号器中，用户可以像回拨普通蜂窝电话一样，从系统通讯录或通话记录里一键回拨 VoIP 联系人。

表格

该功能要求设备运行 Android 16.1（SDK 36.1）及以上系统，目前已从 Google Meet 开始分阶段推送。

这一更新的意义远超表面：它意味着 AI Agent 未来有机会获得系统级通信权限。当 Gemini Spark 这类常驻智能体不再满足于 "帮你查询信息"，而是要将无数 VoIP 通道整合到同一个电话界面时，它可能在架构层面接管用户的信息传递与社交交易链路。当然，为了防止滥用，Google 采用了严格的白名单机制和包名校验。

三层架构全景图

plaintext

┌─────────────────────────────────────────┐
│  L1  Gemini Live  │ 聊天伴侣，拟人语音，  │ ← 能"说话"，但不能
│                   │ 但不是执行者           │   自主拨出办事
├─────────────────────────────────────────┤
│  L2  Duplex/Let Google Call              │ ← AI代打电话（美区）
│  (Gemini当大脑+语音合成当嘴)              │   目前仍有人工兜底
│  历史实测：早期25%人工发起               │   地理围栏严格限制
├─────────────────────────────────────────┤
│  L3  Jetpack Telecom v1.1.0 系统电话基座  │ ← 为AI Agent铺好
│      VoIP通话记录→原生拨号器/回拨         │   通向"系统级接管"的
│      白名单机制+Android 16.1+            │   底层管道
└─────────────────────────────────────────┘

结论：Gemini 能当 AI 秘书打电话吗？

能，但存在明确的能力边界：

• 已实现的能力：Gemini 作为移动助手，可以通过手机系统电话应用帮你拨出号码（如 "嘿 Google，给 XX 餐厅打电话" 将调用原生拨号器）；在美国地区，Duplex/AI Mode 能够代你向商户发起自动语音通话，完成库存查询和预约确认。
• 尚未实现的能力：官方明确表示 AI 不能替用户接听或拒接来电；全自主的自然对话式交涉并未在全球范围内开放，距离 "AI 自己拿话筒与前台讨价还价" 还隔着商户接受度、法律合规和反欺诈识别三重障碍。
• 对开发者的启示：Gemini 3.5 Flash Live 模型已在 Google AI Studio 开放，开发者可以基于此构建类似 Duplex 风格的语音 Agent 或对话式 IVR 系统。但在国内，开发者面临的不仅是技术壁垒，更是基础设施的缺失 —— 没有 Google 商户数据层，没有系统级 Assistant 框架，还需遵守国内相关通信法规。

归根结底，Gemini 的 "AI 电话秘书" 更像是一个精准的产品定位：交互层提供语音陪伴，执行层在特定地区实现有限的自主通话，基础层则在悄悄将通话功能从应用孤岛整合回系统底盘。真正 "坐在云端拿起话筒为你谈判" 的那天或许还未到来，但技术的地基已经在稳步浇筑。

对于国内开发者而言，尽管直接使用 Google 原生服务存在诸多限制，但通过专业的 AI 大模型服务平台，同样可以便捷地接入全球领先的 AI 能力，构建自己的智能语音应用。UseAIAPI 作为全球领先的 AI 大模型服务提供商，整合了 Gemini、Claude、ChatGPT、DeepSeek 等多款全球热门 AI 大模型，为用户提供一站式接入解决方案。平台支持支付宝、微信人民币直充，无需复杂的外币卡配置和海外网络环境，注册即可快速上手。

针对不同规模的用户需求，UseAIAPI 还提供完善的分级服务体系：个人用户可享受便捷的自助式服务与灵活的充值方案；企业用户则可获得专属技术支持、99.9% 以上的 SLA 服务保障、定制化接口开发与全方位的数据安全解决方案，让企业能够专注于业务创新，无需为底层技术对接与运维问题分心。在价格方面，UseAIAPI 推出了极具竞争力的长期优惠政策，折扣最低可达官方价格的 50%，大幅降低了 AI 应用的开发与运营成本，让开发者不再为高强度内容生成带来的高额消耗而担忧。