Gemini 3.1 Flash Live

Gemini 3.1 Flash Live — голосовая модель Google для приложений, где разговор идёт потоком, а не отдельными запросами и ответами. Официальная документация описывает её как audio-to-audio модель для диалога в реальном времени. Технический идентификатор — gemini-3.1-flash-live-preview. Статус preview важен: интерфейс доступен разработчикам, но лимиты, срок жизни версии и отдельные возможности могут измениться до стабильного релиза.

Главное отличие от обычной текстовой модели — работа с событиями живой сессии. Приложение отправляет фрагменты аудио, получает потоковый ответ и должно корректно обрабатывать перебивание, паузу, отмену и повторное подключение. Для пользователя качество определяется не только правильностью фразы. Значимы задержка до первого звука, способность остановиться, когда человек начал говорить, и восстановление контекста после нестабильной сети.

Google не обещает в краткой карточке одинаковое качество для всех языков, акцентов и каналов связи. Русскую речь следует проверять на собственных записях: имена, адреса, числа, смешанные русско-английские термины, фоновые голоса и микрофон телефона. Отдельно тестируют ложное определение конца реплики. Если модель отвечает слишком рано, она может пропустить условие в последней части вопроса.

Для безопасного пилота начните с информационного режима. Доступ к календарю, CRM или платежам выдавайте отдельными инструментами с минимальными правами. Перед необратимым действием голосовое намерение переводится в явные поля, показывается пользователю и подтверждается. Фраза «да» без отображения суммы, адресата или даты не является достаточным разрешением.

Журналирование нужно продумать до запуска. Хранить исходное аудио бесконечно нельзя: голос может содержать персональные данные. Для большинства проверок достаточно очищенной расшифровки, временных меток, событий перебивания, кодов инструментов и принятого человеком решения. Полные записи сохраняют только при наличии основания, срока удаления и ограниченного доступа.

Карточка подходит разработчикам голосовых тренажёров, справочных линий и интерактивных помощников, которым важна естественная реакция. Для процессов с точными юридическими формулировками или обязательной расшифровкой модульный каскад ASR–LLM–TTS может быть удобнее: каждый этап проще проверить и заменить. Практический выбор следует делать по двадцати реальным сценариям, 95-му перцентилю задержки, числу перебиваний и критическим ошибкам, а не по одной демонстрации.