智东西云开体育
智东西3月27日音书，昨日凌晨，谷歌矜重推出其最高质地的音频和语音模子——及时语音模子Gemini 3.1 Flash Live，并在Gemini App、Search Live以及Google AI Studio中同步绽放，其中后者以预览版块向开辟者提供。
这一版块的中枢在及时语音Agent智商升级：语音已可获胜驱动诳骗开辟（vibe coding），Gemini App的及时多模态对话智商同步增强，在多项评测中特出GPT-Realtime-1.5、Qwen3 Omni 30B A3B Instruct、GPT-4o Audio preview等模子。
模子一出，就被外网网友称作Siri“救星”。就在昨日，外媒曝2026苹果WWDC将主打AI并将推新版Siri，苹果已获谷歌竣工Gemini模子直连权限，将通过蒸馏自研轻量化端侧AI部署iPhone。
这款模子面向及时语音交互，对蚁集对话进行了举座优化，包括反应延长、险阻文驰念、多语言贬责及用具调用等要道智商。
Gemini Live中的险阻文窗口已耕种至此前的2倍，Search Live解救在200多个国度和地区进行多语言及时交互，举座智商面向蚁集对话和复杂任务场景。
从公开测试限制来看，这一版块在语音Agent要道智商上耕种显耀。在ComplexFuncBench audio测试中，Gemini 3.1 Flash Live的函数调用准确率达到90.8%，比拟Gemini 2.5 Flash Native Audio前年12月版块的71.5%，以及2025年9月版块的66.0%，齐有昭彰提高。
在Scale发布的Audio MultiChallenge音频输出榜单中，该模子得分36.1%，高于GPT-Realtime-1.5的34.7%、Qwen3 Omni 30B A3B Instruct的24.3%、GPT-4o Audio preview的23.2%等模子。
与此同期，这一版块重点优化了及时对话体验。模子在语音识别中对语调、语速和停顿的贬责更细；在嘈杂环境下，对配景杂音的过滤智商增强，不错更牢固识别用户辅导并实施任务；在复杂辅导场景中，对系统贬抑的辞退智商也有所耕种。
已有获取更新的用户初始尝试新玩法，有东说念主获胜用语音辅导让模子生成节略演唱片断，这类智商已经不错在对话中被触发。
其API价钱也已公布：文本输入每百万token约0.5好意思元、输出约4.5好意思元，音频输入约3好意思元、输出约12好意思元，解救多模态输入调用。
模子仍是发布，社区已经出现初步反馈。有网友评价称，这是一次“强势更新”，并指出更快的语音反应是一种“用户体验层面的要道打破”，若是延长和多轮对话中的蚁集性能在更长手艺的使用中保持牢固，语音交互的罗致速率可能会昭彰耕种。
不外，也灵验户仍然保持严慎。一位开辟者直言，我方此前已经烧毁使用语音模子，因为其回复质地昭彰不如文本，并反问这一情况是否真是发生了改变。
智东西也对这一功能进行了初步体验。其汉文语音阐扬仍偏机械，多轮对话过程中存在中断情况，暂未能竣工体验其蚁集交互智商。刻下该版块正分批推送，iOS和安卓用户已初始陆续收到更新。
一、启齿即是改代码：UI、交互、作风一段话沿途重作念在此次发布中，谷歌首先展示的是语音驱动诳骗开辟（vibe coding）这一类场景，开辟者不错在Google AI Studio里一边话语一边作念诳骗，闪开辟过程跟上脑暴的节律。
▲Live Vibe Coder页面，用户可上手实操
用户不错用语音蚁集颐养界面。对话一初始，用户获胜提倡修改：“把麦克风作念大小数”，界面偶而发生变化；紧接着补一句“配景加点黄色波点”，页面配景坐窝更新。
随后用户赓续类似需求，举例加入“鼠标悬停时的反馈效果”、让配景图案络续迁徙，这些篡改齐在吞并段对话中厚重完成。
用户一边说，界面一边变化。半途用户又临时颐养标的，说“干脆举座作念成波普风”，模子就在已有基础上赓续重作念视觉作风，总共这个词过程接近和打算师一双一的及时相通。
二、打算趋奉、跨语对话、脚色演出，三类场景同期落地除了诳骗开辟，谷歌还给出了三类实质使用的场景，包括界面打算趋奉、跨语言随同交流，以及游戏中的脚色互动。
在打算用具Stitch的案例中，语音也可获胜参与到界面剪辑经由。用户先让界面跳到“训诲模式”，再切到“歌曲库”，随后初始具体挑问题：“这些虚线和方形边框看着有点硬，能不可让数字更贴合圆形？”界面偶而往更温顺的标的颐养。紧接着又换一套念念路：“试一个偏棕色、木质小数的配色”，新的视觉版块便获胜生成出来。
在面向老年用户AI硬件开辟Ato的交互案例中，重点放在多语言对话的蚁集性，对话内容围绕正常致敬和随同伸开。用户先用英语聊天，再插入一个要求：“我要跟奶奶话语，但她只会西班牙语”，模子在吞并段对话里切换语言赓续交流，对话内容并不会因为语言变化而中断。
对话中一朝出现真确场景的插入信息，比如提到“刚从病院出来有点累”，模子会顺着语境回复，给出一段蚁集的交流。
在RPG游戏《Wit’s End》的案例中，语音被用来驱动脚色自己。玩家发问时，模子会用带有设定的口吻回复，举例围绕“你有莫得实体格式”“你的智商来自那儿”等问题伸开，对话长久保持在脚色语境里。回答不会跳出设定，会沿着吞并生界不雅赓续伸开，口吻和抒发相貌也保持一致。
结语：谷歌作念“全栈语音Agent”，国内玩家一边执用户，一边补智商从此次发布来看，谷歌正在把语音智商作念成一套更竣工的通用智商体系。不管是编程场景中的vibe coding，如故AI硬件交互、迁徙端Gemini App进口，多个格式齐在同期推动，淹没领域膨胀到不同使用场景。
在居品格式上，Gemini App与国内的豆包等居品已有昭彰相似之处，齐所以对话为中枢进口，衔接搜索、用具调用和多轮交互。但在实质体验上，两者并不雷同。豆包在汉文抒发、口吻作风以及互动感上更为主动，嘲谑式抒发更容易造成用户黏性，也已经在国内积攒了一定用户限制。
比拟之下，谷歌刻下的重点仍放在智商拓展上，尤其是在语音驱动开辟这一类场景中，vibe coding所体现的蚁集修改智商和及时交互节律，已经最初于现存居品格式。
与此同期，国内在语音模子智商上的进展也在加速。阶跃星辰Step-Audio R1.1在Artificial Analysis语音推理榜单中拿劣等一，以96.4%准确率特出Grok、Gemini、GPT-Realtime等模子，成为刻下语音推理标的的代表性着力之一。
一边是谷歌束缚拉高智商上限云开体育，尝试淹没更多场景；另一边是国内玩家在用户限制与模子智商两头同期推动，语音Agent的竞争态势，正愈演愈烈。