3 月 26 日，Google 發布了 Gemini 3.1 Flash Live。
如果你以為這只是一個更快、更便宜的語音合成 API，那值得重新看一下。這個模型在技術架構上做了一個根本性的改變。
傳統語音 AI 是怎麼運作的
原來的 AI 語音互動，基本上是三段式管線：
- 語音辨識（ASR）：把你的音訊轉成文字
- 語言模型推理：文字輸入 LLM，生成文字回答
- 語音合成（TTS）：把文字再轉成語音輸出
每一步都有延遲，加起來就是那種說完等一會兒再回答的感覺。而且，每次轉換都會遺失資訊——你說話的語氣、停頓、情緒，在文字這一步就沒了。
Gemini 3.1 Flash Live 做了什麼
它把這三段管線壓縮成了一個原生音訊到音訊（audio-to-audio）的模型。
不經過文字這個中間狀態，直接從你的聲音輸入，產生語音輸出。
技術規格：
- 音訊輸入：16-bit PCM，16kHz 取樣率
- 音訊輸出：24kHz
- 連接方式：基於 WebSocket 的有狀態長連接
- 支援 70+ 語言
因為沒有中間轉換步驟，延遲顯著降低，而且能捕捉到語調、語速這些文字裡沒有的資訊。
具體能做什麼
打斷功能（Barge-in）：可以在 AI 說話過程中打斷它，重新提問或者更改方向——傳統 TTS 做不到這個，說完一句話你才能說下一句。
工具呼叫：可以呼叫函式和 Google Search，意味著語音對話過程中模型可以即時查資料、執行操作。
雙方轉錄：對話雙方的內容都可以同時轉錄，方便記錄和分析。
兩種部署模式：伺服器對伺服器（適合客服機器人等後台系統），以及客戶端對伺服器（適合直接面向用戶的語音應用）。
基準測試成績
ComplexFuncBench Audio，這個測試專門測語音模型在複雜函式呼叫場景下的表現，Gemini 3.1 Flash Live 拿了 90.8%。
實際影響
語音 AI 目前最大的障礙之一，就是那種像在打電話還沒接通時的停頓感。降低延遲加上支援打斷，是真正讓語音互動接近自然對話的必要條件。
這個模型透過 Gemini Live API 在 Google AI Studio 向開發者開放，也已經整合進了 Gemini Live（面向 200 多個國家的用戶）。
Google 在語音這條線上的佈局，從 Gemini 2.5 Flash Native Audio 到現在的 3.1 Flash Live，方向很一致：把語音當作一等公民來做，而不是往 LLM 上貼一層 TTS 包裝。
參考來源：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）