Gemini 3.1 Flash Live 用于语音代理

Gemini 3.1 Flash Live：专为代理设计的实时语音 AI

谷歌推出了 Gemini 3.1 Flash Live——一款专为实时语音和视觉代理设计的模型。目前通过 Google AI Studio 中的 Live API 预览版提供。与 Gemini 2.5 Flash Native Audio 相比，新版本降低了延迟，提高了可靠性，并提升了对话的自然度。

该模型能有效过滤背景噪音：电视声、街头交通或其他干扰不会影响用户语音识别。它能在意外的对话转折中保持上下文，并准确遵循指令。支持超过 90 种语言，实现多模态对话。改进了对声学特征的识别：语调、语速、口音。

产品与集成中的应用

开发者已在真实场景中测试该模型：

• Stitch (Google)：设计界面的语音控制。代理分析画布，点评布局，并建议替代方案。
• Ato：老人伴侣设备。利用多语言支持实现自然沟通。
• Wit's End (Weekend studio)：配备地下城主宰的 RPG 游戏。该模型实时生成戏剧化台词。

这些案例突出了对低延迟和逼真对话至关重要的任务的关注。

Gemini 系列按任务碎片化

谷歌继续对其模型进行专业化：

• Flash-Lite：针对低成本批量任务优化。
• Flash：速度与质量的平衡。
• Flash Live：优先考虑零延迟和高自然度的语音代理。

这种细粒度让开发者能为特定需求选择合适的模型：从批量处理到交互式对话。对于中高级专家，这打开了构建多模态输入代理（语音 + 视觉）的大门。

通过 Live API 集成简化了原型开发：连接音频/视频流，为特定领域代理定制提示。该模型能处理不完美输入条件，非常适合移动和嵌入式应用。

关键要点

• 与 2.5 Flash Native Audio 相比，对话延迟大幅降低。
• 噪音过滤确保真实场景中的稳定性。
• 支持 90+ 种语言，强调声学细微差别。
• 集成示例：设计、伴侣、游戏。
• 是 Gemini 针对特定任务碎片化策略的一部分。

— Editorial Team