Gemini 3.1 Flash Live Preview

Gemini 3.1 Flash Live — голосовая модель Google для разговора в реальном времени. Она слушает речь и может смотреть на картинку с камеры или экрана, а отвечает голосом или текстом почти без паузы. Разработчики подключаются к ней через Live API — интерфейс, который держит открытое соединение на всё время разговора. На этой же модели работают потребительские сервисы Google: Gemini Live и голосовой поиск Search Live.

Её предшественница — Gemini 2.5 Flash Native Audio. Google заявляет, что новая модель отвечает быстрее и говорит в более естественном ритме. Она лучше слышит высоту и темп голоса и замечает, когда собеседник раздражён или запутался. Кроме того, она держит в памяти разговор вдвое длиннее прежнего. Модель может немного подумать перед ответом, и глубину этих рассуждений задаёт разработчик. По умолчанию стоит минимальная глубина, чтобы задержка была как можно меньше.

Её берут для голосовых ассистентов и агентов, например для службы поддержки, которая по ходу разговора обращается к внешним системам. По замерам Google, в тесте ComplexFuncBench Audio на многошаговый вызов функций голосом модель набрала 90,8%. В тесте Audio MultiChallenge от Scale AI, где проверяют выполнение сложных инструкций в долгом разговоре, у неё 36,1% с включёнными рассуждениями. Модель многоязычная. Весь синтезированный ею звук Google помечает незаметным водяным знаком SynthID, чтобы сгенерированную речь можно было распознать.

Возможности у неё урезаны по сравнению с обычными текстовыми моделями Gemini. Нет кэша, выполнения кода, поиска по файлам, структурированного ответа, опоры на Google Maps и чтения страниц по ссылке. Асинхронный вызов функций она не поддерживает: пока программа не вернёт результат инструмента, модель молчит. Сейчас Google числит её устаревшей предварительной версией и для большинства голосовых агентов советует переходить на Gemini 3.8 Live.

источники:Анонс Gemini 3.1 Flash Live в блоге Google ↗Страница модели в документации Gemini API ↗