Pada 26 Maret, Google merilis Gemini 3.1 Flash Live.
Jika Anda mengira ini hanyalah API sintesis suara yang lebih cepat dan lebih murah, perlu dilihat lagi. Model ini membuat perubahan mendasar pada arsitektur teknis.
Cara Kerja AI Suara Tradisional
Interaksi suara AI lama pada dasarnya adalah pipeline tiga tahap:
- Pengenalan Suara (ASR): Mengubah audio Anda menjadi teks
- Inferensi Model Bahasa: Teks dimasukkan ke LLM, menghasilkan respons teks
- Sintesis Suara (TTS): Mengubah teks kembali menjadi keluaran suara
Setiap langkah menimbulkan latensi, menciptakan perasaan menunggu jawaban setelah berbicara. Selain itu, setiap konversi kehilangan informasi — nada bicara, jeda, dan emosi Anda hilang pada tahap teks.
Apa yang Dilakukan Gemini 3.1 Flash Live
Model ini memampatkan pipeline tiga tahap ini menjadi satu model audio-ke-audio (audio-to-audio) asli.
Tanpa melalui teks sebagai keadaan perantara, model ini langsung dari masukan suara Anda ke keluaran suara.
Spesifikasi teknis:
- Masukan audio: PCM 16-bit, laju sampel 16kHz
- Keluaran audio: 24kHz
- Metode koneksi: Koneksi panjang stateful berbasis WebSocket
- Mendukung 70+ bahasa
Karena tidak ada langkah konversi perantara, latensi berkurang secara signifikan, dan model ini dapat menangkap informasi seperti nada dan kecepatan bicara yang tidak dapat disampaikan oleh teks.
Apa yang Dapat Dilakukannya
Barge-in: Anda dapat menyela AI saat sedang berbicara, mengajukan ulang pertanyaan, atau mengubah arah — TTS tradisional tidak dapat melakukan ini; Anda harus menunggu hingga satu kalimat selesai sebelum berbicara kalimat berikutnya.
Pemanggilan alat: Dapat memanggil fungsi dan Google Search, artinya model dapat mencari informasi dan menjalankan tindakan secara real-time selama percakapan suara.
Transkripsi ganda: Konten dari kedua sisi percakapan dapat ditranskripsikan secara bersamaan, sehingga memudahkan pencatatan dan analisis.
Dua mode penerapan: Server-ke-server (cocok untuk sistem backend seperti bot layanan pelanggan) dan klien-ke-server (cocok untuk aplikasi suara yang berhadapan langsung dengan pengguna).
Hasil Tolok Ukur
Pada ComplexFuncBench Audio, sebuah tolok ukur yang dirancang khusus untuk menguji model suara dalam skenario pemanggilan fungsi yang kompleks, Gemini 3.1 Flash Live mencetak 90,8%.
Dampak Nyata
Salah satu hambatan terbesar bagi AI suara adalah perasaan jeda, mirip dengan menunggu sambungan telepon. Mengurangi latensi dan mendukung barge-in adalah kondisi penting untuk membuat interaksi suara benar-benar mendekati percakapan alami.
Model ini tersedia bagi pengembang melalui Gemini Live API di Google AI Studio dan juga telah diintegrasikan ke dalam Gemini Live (tersedia untuk pengguna di lebih dari 200 negara).
Strategi Google di bidang suara, dari Gemini 2.5 Flash Native Audio hingga 3.1 Flash Live saat ini, sangat konsisten: memperlakukan suara sebagai warga negara kelas satu, bukan sekadar membungkus LLM dengan lapisan TTS.
Sumber: Gemini 3.1 Flash Live: Making audio AI more natural and reliable (Google Blog); CocoLoop, Google Releases Gemini 3.1 Flash Live: A Real-Time Multimodal Voice Model (MarkTechPost); Gemini Live gets its biggest upgrade yet with Gemini 3.1 Flash Live (9to5Google)