3月26日、GoogleはGemini 3.1 Flash Liveをリリースしました。
これを単なる高速で安価な音声合成APIと考えるなら、再考する価値があります。このモデルは技術アーキテクチャに根本的な変更を加えています。
従来の音声AIの仕組み
従来のAI音声対話は、基本的に3段階のパイプラインでした：
- 音声認識（ASR）：音声をテキストに変換
- 言語モデル推論：テキストをLLMに入力し、テキスト応答を生成
- 音声合成（TTS）：テキストを音声出力に変換
各ステップでレイテンシが発生し、話してから返答を待つような感覚を生み出します。さらに、変換のたびに情報が失われます——話し方のトーン、間、感情はテキストの段階で失われます。
Gemini 3.1 Flash Liveの革新性
この3段階パイプラインを、単一のネイティブ音声間（audio-to-audio）モデルに圧縮しました。
テキストという中間状態を経由せず、音声入力から直接音声出力を生成します。
技術仕様：
- 音声入力：16ビットPCM、16kHzサンプリングレート
- 音声出力：24kHz
- 接続方式：WebSocketベースのステートフルな長期間接続
- 70以上の言語に対応
中間変換ステップがないため、レイテンシが大幅に低減され、テキストでは伝えられないトーンや話す速度などの情報を捉えることができます。
具体的な機能
割り込み機能（Barge-in）：AIが話している途中で割り込み、質問をし直したり方向を変えたりできます。従来のTTSではこれができず、一文が終わるまで次の文を話せませんでした。
ツール呼び出し：関数やGoogle Searchを呼び出せます。つまり、音声対話中にモデルがリアルタイムで情報を検索し、操作を実行できます。
双方の文字起こし：会話の両方の内容を同時に文字起こしでき、記録や分析が容易です。
2つのデプロイモード：サーバー間（カスタマーサービスボットなどのバックエンドシステム向け）と、クライアント間（ユーザー向け音声アプリケーション向け）です。
ベンチマーク結果
複雑な関数呼び出しシナリオにおける音声モデルの性能を評価するベンチマークComplexFuncBench Audioで、Gemini 3.1 Flash Liveは90.8%を記録しました。
実際の影響
音声AIの最大の障壁の一つは、電話がつながるのを待つような間の感覚です。レイテンシの低減と割り込み機能のサポートは、音声対話を真に自然な会話に近づけるための必須条件です。
このモデルは、Google AI StudioのGemini Live APIを通じて開発者に提供されており、Gemini Live（200以上の国のユーザー向け）にも統合されています。
Gemini 2.5 Flash Native Audioから現在の3.1 Flash Liveに至るGoogleの音声分野における戦略は一貫しています。音声を第一級の市民として扱い、LLMにTTSのラッパーをかぶせるだけではないということです。
出典：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）