Google 发布 Gemini 3.1 Flash Live：语音更自然，实时长程推理大升级

对着手机语音助手说话，最让人烦躁的体验大概有两种：一种是你还没说完，它就抢着插嘴；另一种是你被生活琐事搞得火冒三丈，它还在那慢条斯理、毫无感情地背诵说明书。

今天 Google 推出了全新的音频与语音模型 Gemini 3.1 Flash Live，想解决的就是这种僵硬感。它现在已经接入了 Google AI Studio 的 Gemini Live API 预览版、企业端的客服平台，以及普通用户手里的 Gemini Live 和 Search Live。

听得出情绪，还能顶得住打岔

和以前的 2.5 Flash Native Audio 相比，新模型最明显的提升在两头：声学细节和逻辑推理。

在声音感知上，它不仅能捕捉音调高低和说话节奏，还能听出语气里的困惑甚至烦躁。比如你在客服电话里语气越来越冲，模型会根据你的情绪动态调整说话语气，而不是机械地重复预设台词。Verizon、LiveKit 和家得宝已经在内部流程里测试了它，给出的反馈都集中在交流自然度上。

在技术指标上，它拿下了 ComplexFuncBench Audio 测试的 90.8%，这项基准专门测试模型在多步骤函数调用时的严谨程度。在 Scale AI 的 Audio MultiChallenge 测试中，开启思考模式后拿到了 36.1% 的成绩，这项评测模拟的是现实对话里常见的频繁打断、犹豫和长距离逻辑推理。

给普通用户用起来的感受更直接。在 Gemini Live 里，它的响应速度变快了，对话记忆连贯性达到了上一代模型的两倍。也就是说，哪怕你中途扯了很远的话题，它也不会轻易丢掉最开始的思路。

所有由它生成的音频，底层都直接织入了 SynthID 水印，用来识别 AI 合成声音，防止被滥用伪造。

带着摄像头，Search Live 铺到 200 个国家

借着新模型的原生多语言能力，Google 还顺手把 Search Live 铺向了全球 200 多个国家和地区，只要当地支持搜索的 AI Mode 就能用。

这个功能藏在 Android 和 iOS 版 Google 应用的搜索栏下方，点击 Live 图标就能开聊。你在使用 Google 智慧镜头扫东西时，屏幕底部也会出现实时对话选项。

它最实用的场景是语音加摄像头的实时多模态交互。比如你在家里组装一个复杂的置物架，完全不需要掏出键盘打字，直接拿手机摄像头对着零件，嘴里问这颗螺丝该拧在哪，模型就能一边看一边用语音教你下一步怎么走。

为什么重要

我们认为，Google 这一步走得相当务实，它没有盲目追求把超大模型塞进语音里，而是继续在轻量快速的 Flash 架构上死磕实用性。

对普通用户来说，语音交互终于脱离了纯文本转语音那种死板的机器味，尤其是在修理东西、做饭这类腾不出双手的场景下，实时多模态结合能够直接替代很多繁琐的图文搜索。对话记忆延长一倍，也让长聊天的可用性大大提升。

对企业和开发者而言，客服 AI 最怕的两件事就是听不懂客户发飙和调错后台接口。3.1 Flash Live 兼顾了声学情绪感知与超九成准确率的多步函数调用，看起来会成为企业级语音 Agent 一个门槛很低、现成可用的选择。

不过挑战依然存在。虽然它在抗打断测试里拿到了同类领先的成绩，但复杂多轮对话在真实网络延迟下的体验到底如何，依然需要全球 200 多个地区的真实网络环境去检验。