谷歌Gemini 3.1 Flash Live发布：实时语音Agent能力跃升，集成vibe coding与多模态对话

3月27日消息，谷歌于昨日凌晨正式发布了其迄今最高质量的音频与语音模型——Gemini 3.1 Flash Live。这款专为实时语音交互优化的模型，已同步在Gemini App、Search Live以及Google AI Studio中开放，后者以预览版形式向开发者提供。

此次更新的核心在于实时语音Agent能力的全面升级。语音现在能够直接驱动应用开发（即vibe coding），同时，Gemini App的实时多模态对话能力也得到了增强。从公开的评测数据看，该模型在多项关键测试中超越了包括GPT-Realtime-1.5、Qwen3 Omni 30B A3B Instruct、GPT-4o Audio preview在内的多个竞品。

模型一经发布，便被海外社区视为对Siri等现有语音助手的一次强力挑战。巧合的是，就在同一天，有外媒爆料称苹果将在2026年WWDC上主推AI并发布新版Siri，且苹果已获得谷歌完整Gemini模型的直连权限，计划通过蒸馏技术自研轻量化端侧AI部署于iPhone。

性能提升：响应、记忆与精准度的飞跃

Gemini 3.1 Flash Live针对连续对话场景进行了整体优化，重点提升了响应延迟、上下文记忆、多语言支持及工具调用等关键能力。

• 更长的记忆：Gemini Live中的上下文窗口长度提升至此前的2倍，能够更好地保持对话细节。
• 更广的覆盖：Search Live现支持在超过200个国家和地区进行多语言实时交互。
• 更强的功能调用：在ComplexFuncBench audio基准测试中，Gemini 3.1 Flash的函数调用准确率达到了90.8%，显著高于去年12月版本（71.5%）和去年9月版本（66.0%）。

• 领先的音频输出：在Scale平台的Audio MultiChallenge音频输出榜单中，该模型以36.1%的得分位列前列，高于GPT-Realtime-1.5（34.7%）、Qwen3 Omni 30B A3B Instruct（24.3%）等模型。

此外，新模型在实时对话体验上做了细致打磨：对语调、语速和停顿的感知更为细腻；在嘈杂环境下的背景噪音过滤能力增强；在复杂指令场景中，对系统约束的遵循能力也有所提升。已有用户尝试用语音指令让模型生成简短的演唱片段，这类创意交互已能在对话中被直接触发。

定价与社区反馈

谷歌也同步公布了该模型的API价格：

• 文本：输入每百万Token 0.50美元，输出4.50美元。
• 音频：输入每百万Token 3.00美元，输出12.00美元。
• 图像/视频：输入每百万Token 1.00美元。

模型发布后，技术社区反应迅速。有网友评价这是一次“强势更新”，认为“更快的语音响应是一种用户体验层面的关键突破”，若能保持低延迟和多轮对话的一致性，语音交互的普及速度将会加快。

当然，也有开发者持谨慎态度。有人直言曾因语音模型回复质量远不如文本而放弃使用，并质疑这一现状是否真正得到了改变。

初步体验显示，其中文语音表现仍略显机械，且在多轮对话中可能出现中断，其宣称的连续交互能力有待进一步验证。目前，该更新正分批向iOS和安卓用户推送。

核心场景：开口改代码的“vibe coding”

本次发布最引人注目的演示之一是 “语音驱动应用开发（vibe coding）” 。在Google AI Studio中，开发者可以像与设计师沟通一样，通过纯语音实时修改应用界面。

演示中，用户只需说出指令：“把麦克风做大一点”，界面元素随即调整；紧接着补充“背景加点黄色波点”，页面背景立刻更新。后续如“加入鼠标悬停反馈效果”、“让背景图案持续滚动”，甚至中途改变主意要求“整体改成波普风格”，所有修改都在一段连续的对话中流畅完成，实现了真正的实时、动态编码交互。这种将Agent能力深度融入开发流程的场景，展示了人工智能作为生产工具的新范式。

多元落地：设计、陪伴与游戏

除了开发，谷歌还展示了该模型在三个不同场景下的应用潜力：

1. 设计协作：在设计工具Stitch中，用户可通过语音直接编辑界面。从切换模式到调整视觉细节（如“让数字更贴合圆形”、“试一个偏棕色的木质配色”），指令能被快速理解并执行，极大提升了设计迭代效率。
2. 跨语言陪伴：在面向老年用户的AI硬件Ato的案例中，模型展现了强大的多语言连续对话能力。用户可以用英语聊天，然后无缝切换条件：“我要跟奶奶说话，但她只会西班牙语”，对话便能以西班牙语继续，且上下文不丢失，实现了自然的跨语言陪伴交流。
3. 游戏角色互动：在RPG游戏《Wit‘s End》中，语音用于驱动游戏内角色。玩家就角色的实体形态、能力来源等问题提问时，模型能始终保持在角色设定内进行回应，语气和世界观保持一致，增强了游戏的沉浸感。

竞争态势：全栈能力与本土化路径并行

从此次发布可以看出，谷歌正致力于构建一套完整的“全栈语音Agent”能力体系。无论是vibe coding、硬件交互还是移动端入口，其语音能力正快速渗透到多种场景中。

在产品形态上，Gemini App与国内的豆包等产品类似，都以对话为核心入口。但在体验侧重上有所不同：豆包在中文语境、语气互动和用户黏性构建上更具优势；而谷歌目前更侧重于拓展能力的边界，尤其是在类似vibe coding这类需要高强度、连续逻辑交互的场景中，展现了领先性。

与此同时，国内厂商在语音模型能力上也进展迅速。例如，阶跃星辰的Step-Audio R1.1曾在Artificial Analysis语音推理榜单中获得第一，显示了国内团队的技术实力。

当前的竞争格局已经清晰：一方在持续拉高语音Agent的技术上限，试图覆盖更复杂的应用场景；另一方则在用户规模和模型能力上双线推进。语音Agent的赛场，正变得越发拥挤和激烈。对于开发者而言，关注这些前沿动态并思考如何将其融入自己的前端或全栈项目，将是把握下一代交互趋势的关键。