Google 釋出 Gemini 3.1 Flash Live：語音更自然，即時長程推理大升級

對著手機語音助手說話，最讓人煩躁的體驗大概有兩種：一種是你還沒說完，它就搶著插嘴；另一種是你被生活瑣事搞得火冒三丈，它還在那慢條斯理、毫無感情地背誦說明書。

今天 Google 推出了全新的音訊與語音模型 Gemini 3.1 Flash Live，想解決的就是這種僵硬感。它現在已經接入了 Google AI Studio 的 Gemini Live API 預覽版、企業端的客服平臺，以及普通使用者手裡的 Gemini Live 和 Search Live。

聽得出情緒，還能頂得住打岔

和以前的 2.5 Flash Native Audio 相比，新模型最明顯的提升在兩頭：聲學細節和邏輯推理。

在聲音感知上，它不僅能捕捉音調高低和說話節奏，還能聽出語氣裡的困惑甚至煩躁。比如你在客服電話里語氣越來越衝，模型會根據你的情緒動態調整說話語氣，而不是機械地重複預設臺詞。Verizon、LiveKit 和家得寶已經在內部流程裡測試了它，給出的反饋都集中在交流自然度上。

在技術指標上，它拿下了 ComplexFuncBench Audio 測試的 90.8%，這項基準專門測試模型在多步驟函式呼叫時的嚴謹程度。在 Scale AI 的 Audio MultiChallenge 測試中，開啟思考模式後拿到了 36.1% 的成績，這項評測模擬的是現實對話裡常見的頻繁打斷、猶豫和長距離邏輯推理。

給普通使用者用起來的感受更直接。在 Gemini Live 裡，它的響應速度變快了，對話記憶連貫性達到了上一代模型的兩倍。也就是說，哪怕你中途扯了很遠的話題，它也不會輕易丟掉最開始的思路。

所有由它生成的音訊，底層都直接織入了 SynthID 水印，用來識別 AI 合成聲音，防止被濫用偽造。

帶著攝像頭，Search Live 鋪到 200 個國家

藉著新模型的原生多語言能力，Google 還順手把 Search Live 鋪向了全球 200 多個國家和地區，只要當地支援搜尋的 AI Mode 就能用。

這個功能藏在 Android 和 iOS 版 Google 應用的搜尋欄下方，點選 Live 圖示就能開聊。你在使用 Google 智慧鏡頭掃東西時，螢幕底部也會出現即時對話選項。

它最實用的場景是語音加攝像頭的即時多模態互動。比如你在家裡組裝一個複雜的置物架，完全不需要掏出鍵盤打字，直接拿手機攝像頭對著零件，嘴裡問這顆螺絲該擰在哪，模型就能一邊看一邊用語音教你下一步怎麼走。

為什麼重要

我們認為，Google 這一步走得相當務實，它沒有盲目追求把超大模型塞進語音裡，而是繼續在輕量快速的 Flash 架構上死磕實用性。

對普通使用者來說，語音互動終於脫離了純文本轉語音那種死板的機器味，尤其是在修理東西、做飯這類騰不出雙手的場景下，即時多模態結合能夠直接替代很多繁瑣的圖文搜尋。對話記憶延長一倍，也讓長聊天的可用性大大提升。

對企業和開發者而言，客服 AI 最怕的兩件事就是聽不懂客戶發飆和調錯後臺介面。3.1 Flash Live 兼顧了聲學情緒感知與超九成準確率的多步函式呼叫，看起來會成為企業級語音 Agent 一個門檻很低、現成可用的選擇。

不過挑戰依然存在。雖然它在抗打斷測試裡拿到了同類領先的成績，但複雜多輪對話在真實網路延遲下的體驗到底如何，依然需要全球 200 多個地區的真實網路環境去檢驗。