新智元報道

編輯：元宇

【新智元導(dǎo)讀】語音AI最煩人的一句話，可能終于要被谷歌干掉了。Gemini 3.1 Flash Live 正在逼近「像人與人說話那樣響應(yīng)」的體驗：不僅更快、更自然，連在交通聲、電視聲這樣的真實噪音里，也更能聽清你在說什么。

剛剛，谷歌把語音AI最煩人的一句話狠狠干掉了：「請再說一次?！?/p>

這次谷歌新發(fā)布的 Gemini 3.1 Flash Live，直接瞄準了現(xiàn)實生活中最亂、最吵的那些場景。

https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-3-1-flash-live/

更重要的是，它不只是「聽」，它還能看，還能調(diào)用工具，還能守住設(shè)定邊界。

谷歌稱，這是在延遲、可靠性和更自然的對話表現(xiàn)上的一次躍遷式提升。

你說話的速度

就是它思考的速度

谷歌官方博客中提到，實時交互里，每一毫秒的延遲，都會破壞用戶期待的自然對話流。

因此，Gemini 3.1 Flash Live的一個目標，就是把語音Agent推進到「接近對話本身速度的響應(yīng)」。

因為現(xiàn)實體驗中，語音AI最勸退人的不是答錯，而是那種你已經(jīng)張嘴說完，它還在后臺轉(zhuǎn)圈帶來的「斷片」感。

谷歌這次改進的方向，不是某一個點，而是語音Agent最容易掉鏈子的整條實時交互系統(tǒng)：

一邊增強對音高、語速、重音和意圖的識別能力；一邊強化復(fù)雜系統(tǒng)指令遵循，讓Agent即便在對話突然轉(zhuǎn)向時，也能守住既定邊界、不輕易跑偏。

更關(guān)鍵的是，谷歌還專門強調(diào)了它在真實噪音環(huán)境中的任務(wù)完成率提升：

面對交通聲、電視聲等背景干擾，模型能更有效地區(qū)分有效語音與環(huán)境噪聲，在實時對話中更穩(wěn)定地觸發(fā)工具、返回信息。

并且，相比2.5 Flash Native Audio，新模型在這些方面都有明確提升。

AI終于走出實驗室

想象在一個嘈雜的咖啡廳：

隔壁兩個人正在吵架，你一邊盯著明天的航班，一邊對手機說：幫我改簽到上午。

結(jié)果你說3遍，它仍是回答你3次：「抱歉，請再說一次?！?/p>

這樣的情景是不是很熟悉？

語音AI這些年最大的問題，并不是它「能不能聊天」，而是它能不能在你需要它的時候和它聊天。

這些需要和它聊天的場景，往往是在地鐵站、車上、開著電視的客廳、菜市場這些噪聲環(huán)境，所以，谷歌這次把「噪聲」放到了非常核心的位置。

新模型顯著提升了在嘈雜、真實環(huán)境中的任務(wù)完成率，能更準確地區(qū)分有效語音和交通聲、電視聲等環(huán)境噪音。

這些改進，讓語音AI能夠更適應(yīng)真實場景的需要。

設(shè)計師、老人、玩家

三個人的AI已經(jīng)不一樣了

谷歌官方列舉了Gemini 3.1 Flash Live在設(shè)計、陪伴和游戲三個代表性的案例。

設(shè)計師

語音第一次變成創(chuàng)作工具

谷歌官方稱，借助Gemini Live API，用戶現(xiàn)在可以直接用語音做創(chuàng)意設(shè)計，AI不僅能聽，還能看到你的畫布和當(dāng)前選中的界面，然后給出設(shè)計點評、生成變體。

小功能背后，設(shè)計工作流也在改變。

以前你跟設(shè)計工具的關(guān)系，是手點。后來是手點+文字框?，F(xiàn)在開始變成：你一邊看畫布，一邊開口，AI一邊理解、一邊改。

這意味著設(shè)計師不再只是「操作軟件」，而是在「調(diào)度一個實時搭檔」。

你不用停下來把腦子里的感覺翻譯成一大段prompt，而可以直接說：這個卡片太滿了、留白拉開、主按鈕再有互動性一點、這個版本偏保守，給我三個更大膽的……

這正是語音在創(chuàng)作場景里的真正價值，它將大大縮短靈感到執(zhí)行之間的距離。

在Stitch這種場景里，語音已經(jīng)不是輸入法了，而成了創(chuàng)作指揮棒。

老人

陪伴終于不是假聊天了

第二個案例，是Hey Ato。

這是一個面向老年人的AI陪伴設(shè)備。

谷歌給出的重點是，Ato利用Gemini 3.1 Flash Live的多種語言支持能力，把日常對話變成真正的聯(lián)系。

「AI陪伴」過去最大的問題不是功能少，而是太假、太模板化，而老年場景，對「實時感」「打斷恢復(fù)」「語言自然度」的要求，遠比年輕人想象得更高。

對很多老人來說，他們不會有耐心和能力去調(diào)參數(shù)，也不會切來切去看屏幕。

Gemini 3.1 Flash Live的多語言、低延遲和更自然對話，在這樣的場景中成了一個入門級的能力。

當(dāng)AI設(shè)備真的能用父母更熟悉的母語，穩(wěn)定地接住日常閑聊時，它才能真正讓「人機交互」切入「陪伴關(guān)系」這一高挑戰(zhàn)場景。

玩家

游戲里的NPC終于不像木頭人了

第三個場景最有戲劇感。

它來自Weekend團隊的RPG游戲Wit’s End。

谷歌官方說，他們把Gemini 3.1 Flash Live的「強角色塑造能力」和「類人的表達方式」結(jié)合起來，給Game Master加上了獨特的戲劇風(fēng)格。

游戲也是實時語音AI最危險、也最容易炸場的場景，因為玩家對「卡頓」和「出戲」的容忍度極低，這也是為什么游戲行業(yè)會特別敏感地擁抱這類能力。

他們不需要一個「會回答問題的模型」，而是需要一個「能演、能接、能控場」的實時角色。

從Stitch到Ato，再到Wit’s End，谷歌Gemini 3.1 Flash Live其實都是在印證這樣一個變化：

語音+視覺Agent，正在同時滲透進創(chuàng)造、陪伴、娛樂這三種最貼近個體生活的場景。

實時AI競賽的戰(zhàn)火

正在燒向App

對于大廠來說，最值得警惕的，往往不是它們某個單點功能有多強，而在于它什么時候開始變成基礎(chǔ)能力。

Gemini 3.1 Flash Live這次最讓競爭對手感到危險的，也正是在這里。

自3月26日起，Gemini 3.1 Flash Live已通過Gemini API和Google AI Studio提供，當(dāng)前為預(yù)覽版，開發(fā)者可通過Live API集成。

官方文檔中特別強調(diào)了tool use、session management、ephemeral tokens等關(guān)鍵能力，這些都直接對應(yīng)實時Agent落地時最核心的工程問題。

https://ai.google.dev/gemini-api/docs/live-api/get-started-sdk

按照官方文檔，Gemini Live API基于有狀態(tài)WebSocket連接，支持連續(xù)的音頻、圖片和文本流輸入，并以低延遲方式返回語音結(jié)果。

輸入側(cè)可接收16kHz、16-bit PCM音頻，輸出側(cè)則返回24kHz、16-bit PCM音頻。

換句話說，它不是傳統(tǒng)那種「說一句、等一次結(jié)果」的調(diào)用方式，而更像一個持續(xù)在線的實時交互回路。

文檔還明確列出了多語言支持、用戶隨時打斷、函數(shù)調(diào)用與Google Search等工具接入、輸入輸出轉(zhuǎn)寫、主動音頻控制等能力。

對開發(fā)者來說，這些能力組合起來，意味著它已經(jīng)不再只是一個會語音對話的模型，而是一個可直接接入應(yīng)用工作流的實時Agent接口。

Google AI for Developers的版本說明也確認了模型名為gemini-3.1-flash-live-preview。

由此看，這次更新不再只是谷歌自家產(chǎn)品里的一個新功能，而是一個可被復(fù)制、可被集成、可被規(guī)模化嵌入的能力層。

不僅如此，谷歌還在博客中專門提到了兩類合作伙伴能力：WebRTC擴展，以及全球邊緣路由。

這說明谷歌考慮的已經(jīng)不只是模型演示效果，而是更接近真實生產(chǎn)部署的要求。

視頻流、電話場景、跨區(qū)域低延遲分發(fā)，這些都不是「實驗室demo」會提前考慮的東西。

這次升級，官方不只開了API，還給了Live API文檔、示例，以及GenAI SDK代碼入口。

也就是說，下一波實時AI應(yīng)用的爆發(fā)，不一定從大廠內(nèi)部開始，很可能是從一批動作快的開發(fā)者和創(chuàng)業(yè)團隊開始。

很多人還在把「實時語音助手」理解成一個獨立產(chǎn)品，但未來真正可能發(fā)生的，并不是你去下載一個新的AI App，而是你原來每天就在用的App，某天突然多了一個按鈕。

它可以與你實時交互，會看、會聽、能做事，那時整個交互范式可能已經(jīng)開始變化。

語音AI真正的敵人

也許不是技術(shù)

谷歌官方這次推出的是預(yù)覽版（preview），即Gemini 3.1 Flash Live現(xiàn)在仍處在預(yù)覽階段。

官方文檔已經(jīng)提示了兩種典型接入模式：要么由后端中轉(zhuǎn)，與Live API進行服務(wù)器到服務(wù)器通信；要么由前端直接建立WebSocket連接，但在生產(chǎn)環(huán)境里推薦改用臨時Token，而不是直接暴露標準API Key。

當(dāng)然，這套能力距離「無摩擦落地」還有一段距離。

因為，實時語音Agent并不只是模型問題，它還疊加了持續(xù)連接、音視頻流傳輸、狀態(tài)保持和安全控制等工程約束。

也就是說，Gemini 3.1 Flash Live雖然已經(jīng)把「實時多模態(tài)交互」這層能力打開了，但要真正把它打磨成穩(wěn)定產(chǎn)品，還需要回答以下現(xiàn)實性的問題：

成本會不會壓垮高頻使用？長時對話穩(wěn)定性到底怎么樣？多人環(huán)境下的說話權(quán)分離能做到多穩(wěn)？隱私、誤觸發(fā)、持續(xù)監(jiān)聽的邊界怎么畫……

這些問題解決，實時語音Agent才有望真正成為「下一代入口」。

但至少這次Gemini 3.1 Flash Live發(fā)布讓我們看到：語音AI終于不那么像一個總在掉鏈子的笨助手了。

過去，人類用API調(diào)AI。接下來，AI會越來越頻繁地替你調(diào)用世界。

一旦響應(yīng)速度追平人類開口的節(jié)奏，很多今天看起來還不成立的場景，明天就會突然成立。

比如，它能替你打電話、改簽、盯屏幕、陪父母聊天、打游戲……我們?nèi)粘５亩鷻C、手機、眼鏡也可能改變，我們經(jīng)常使用的App也可能被重新定義。

那時，我們與機器溝通的習(xí)慣方式，可能真的是要改變了。

參考資料：

https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-3-1-flash-live/

https://x.com/OfficialLoganK/status/2037187750005240307