谷歌近日推出全新實(shí)時(shí)語音模型Gemini 3.1 Flash Live，標(biāo)志著語音交互技術(shù)進(jìn)入新階段。該模型在Gemini應(yīng)用、Search Live及Google AI Studio同步上線，開發(fā)者可通過預(yù)覽版率先體驗(yàn)語音驅(qū)動(dòng)應(yīng)用開發(fā)等創(chuàng)新功能。據(jù)多項(xiàng)評測顯示，其性能已超越GPT-Realtime-1.5、Qwen3 Omni 30B等同類模型，引發(fā)行業(yè)對語音交互革命的廣泛討論。

核心升級聚焦于實(shí)時(shí)語音Agent能力，其中最引人注目的是"語音編程"（vibe coding）功能。開發(fā)者在Google AI Studio中可通過自然語言指令直接修改應(yīng)用界面，例如要求"放大麥克風(fēng)圖標(biāo)"或"添加黃色波點(diǎn)背景"，系統(tǒng)能實(shí)時(shí)生成對應(yīng)視覺效果。這種交互方式突破傳統(tǒng)編程模式，使開發(fā)過程更接近人類思維節(jié)奏，測試中用戶甚至能在單次對話中完成從基礎(chǔ)布局到風(fēng)格重做的全流程調(diào)整。

模型在連續(xù)對話處理方面實(shí)現(xiàn)關(guān)鍵突破。上下文記憶窗口擴(kuò)展至前代兩倍，支持200多個(gè)國家和地區(qū)的跨語言實(shí)時(shí)交互。在復(fù)雜場景測試中，當(dāng)用戶突然切換語言或插入現(xiàn)實(shí)情境信息（如"剛從醫(yī)院回來"），系統(tǒng)仍能保持對話連貫性。這種能力在老年用戶AI硬件設(shè)備Ato的演示中尤為突出，模型可無縫切換英語與西班牙語完成日常陪伴交流。

性能提升獲得第三方評測驗(yàn)證。ComplexFuncBench音頻測試顯示，其函數(shù)調(diào)用準(zhǔn)確率達(dá)90.8%，較去年12月版本提升19.3個(gè)百分點(diǎn)。在Scale發(fā)布的Audio MultiChallenge榜單中，該模型以36.1%的得分領(lǐng)先GPT-Realtime-1.5（34.7%）和Qwen3 Omni 30B（24.3%）。這些數(shù)據(jù)表明，模型在工具調(diào)用、多語言處理等核心指標(biāo)上已形成技術(shù)優(yōu)勢。

技術(shù)突破伴隨商業(yè)落地加速。谷歌公布API定價(jià)策略：文本輸入每百萬token 0.5美元，音頻輸入3美元，支持多模態(tài)混合調(diào)用。目前該版本正分批推送至移動(dòng)端用戶，iOS和安卓設(shè)備已陸續(xù)收到更新。不過初期體驗(yàn)報(bào)告顯示，中文語音交互仍存在機(jī)械感，多輪對話偶爾出現(xiàn)中斷現(xiàn)象，完整連續(xù)性有待進(jìn)一步優(yōu)化。

行業(yè)競合格局呈現(xiàn)新態(tài)勢。國內(nèi)階躍星辰Step-Audio R1.1剛在Artificial Analysis語音推理榜單以96.4%準(zhǔn)確率登頂，展現(xiàn)中國團(tuán)隊(duì)在特定領(lǐng)域的領(lǐng)先優(yōu)勢。對比來看，谷歌側(cè)重構(gòu)建全棧語音能力體系，覆蓋從開發(fā)工具到消費(fèi)級應(yīng)用的完整鏈條；國內(nèi)產(chǎn)品則更強(qiáng)調(diào)用戶粘性，通過情感化交互設(shè)計(jì)積累規(guī)模效應(yīng)。這種差異化競爭正推動(dòng)語音Agent技術(shù)向更深層次發(fā)展。