使用 Gemini 3.1 Flash Live 建構即時對話式 Agent

今天，我們透過 Google AI Studio 中的 Gemini Live API 正式推出 Gemini 3.1 Flash Live。Gemini 3.1 Flash Live 協助開發者建構即時的語音與視覺 Agent，這些 Agent 不僅能處理周遭環境的資訊，還能以對話的速度進行回應。

這在延遲、可靠性以及更自然的對話體驗上實現了跨越式的進步，為下一代語音優先的 AI 提供了所需的品質。

---

體驗更佳的延遲、可靠性與品質

對於即時互動而言，每一毫秒的延遲都會破壞使用者所期待的對話自然流暢感。新模型能更準確地理解語氣、強調重點與意圖，使 Agent 獲得以下關鍵改進：

• 在嘈雜的現實環境中具備更高的任務完成率：我們顯著提升了模型在即時對話中觸發外部工具並提供資訊的能力。透過更有效地從交通聲或電視聲等環境音中辨識出相關語音，模型能更有效地過濾背景雜音，從而保持可靠性並對指令做出回應。

• 更佳的指令遵循能力：對複雜系統指令的遵循能力已大幅提升。即使對話出現意料之外的轉折，您的 Agent 仍能維持在操作規範內。

• 更自然且低延遲的對話：最新模型改進了延遲表現，且與 2.5 Flash Native Audio 相比，在辨識音高與語速等聲音細微差別方面更為有效，讓即時對話感覺更加流暢自然。

• 多語言能力：該模型支援超過 90 種語言的即時多模態對話。

---

觀看 Gemini Live API 的實際應用

開發者正積極使用 Gemini Flash Live 模型建構能以自然流暢的節奏進行溝通，並可靠地執行動作的語音 Agent。以下是一些使用該模型來驅動其對話互動的現實應用範例：

---

Stitch

透過使用 Gemini Live API，Stitch 現在能讓使用者透過語音進行設計交流。該 Agent 可以「看見」畫布與選定的螢幕畫面，並提供設計建議、建立變體等。

---

Hey Ato

在此展示中，針對老年人的 AI 陪伴裝置 Ato，利用 Gemini 3.1 Flash Live 的多語言能力，將日常對話轉化為使用者之間真實的連結。

---

Wits End

看看 Weekend 團隊如何整合 Gemini 3.1 Flash Live 強大的角色塑造能力與擬人化的表達方式，為其 RPG 遊戲《Wit’s end》中的遊戲主持人（Game Master）增添獨特的戲劇性風格。

---

透過不斷擴展的整合生態系統進行建構

Live API 是為生產環境而打造的，但現實世界的系統需要處理多樣化的輸入，從即時影片串流到隨選電話通話。

對於需要 WebRTC 擴展或全球邊緣路由的系統，我們建議探索我們的合作夥伴整合方案，以簡化即時語音與影片 Agent 的開發。

---

開始使用 Live API

Gemini 3.1 Flash Live 即日起透過 Gemini API 與 Google AI Studio 提供使用。開發者可以使用 Gemini Live API 將該模型整合至他們的應用程式中。

觀看此影片教學，了解如何使用 Gemini 3 建構語音 Agent：

探索我們的開發者文件，了解如何建構即時 Agent。

• Gemini Live API 文件：探索多語言支援、工具使用與函式呼叫、工作階段管理（用於管理長時間對話）以及 ephemeral token 等功能。

• Gemini Live API 範例：從您今天可以使用該模型建構的語音體驗類型中獲取靈感。

• Gemini Live API Skill：供程式撰寫 Agent 學習並使用 Live API 進行建構。

開始使用 Google GenAI SDK：

import asyncio
from google import genai

client = genai.Client(api_key="YOUR_API_KEY")

model = "gemini-3.1-flash-live-preview"
config = {"response_modalities": ["AUDIO"]}

async def main():
    async with client.aio.live.connect(model=model, config=config) as session:
        print("Session started")
        # Send content...

if __name__ == "__main__":
    asyncio.run(main())