Gemini 3.1 Flash：实时测试与比较

丽莎·恩斯特 · 02.04.2026 · 人工智能 · 8 分钟

实时 AI 的演进：深入探索 Gemini 3.1 Flash Live

在迅速发展的人工智能世界中，实时交互已成为用户体验和实际应用的关键基准。作为一名报道该领域的记者，我见证了无数的进步，但 Google 最新的音频模型 Gemini 3.1 Flash Live 代表了对话式 AI 的重大飞跃。该模型于 2026 年 3 月 26 日发布，旨在重新定义我们与 AI 交互的方式，迈向更自然、响应更迅速的对话。

来源: 此图片描绘了三个人沉浸在虚拟或增强现实体验中，象征着 AI 先进的交互能力。

Google 将 Gemini 3.1 Flash Live 定位为其最高质量的音频和语音模型，专门设计用于无缝实时对话。更多详细信息，请参阅官方DeepMind 模型卡. 。它处理连续的音频、视频或文本流，生成即时、类似人类的口语响应，如Gemini API 文档. 所述。此功能有望改变开发人员构建语音驱动代理的方式以及最终用户体验 AI 助手的方式。

快速摘要

• 发布日期: 2026年3月26日
• 用途: 专为自然可靠的实时音频和视频交互而设计。
• 主要特点: 用单一的本地音频到音频处理取代了旧有的转录-思考-合成管道，显著降低了延迟。
• 多模态: 支持文本、图像、音频和视频输入，并提供文本和音频输出。
• 性能: 在 ComplexFuncBench Audio 的多步函数调用中达到 90.8%，在 Scale AI 的 Audio MultiChallenge 中达到 36.1%（启用思考功能）。
• 多语言: 天生多语言，支持 90 多种语言，覆盖 200 多个国家/地区。
• 安全: 所有生成音频均带有 SynthID 水印，以防止虚假信息传播。
• 可访问性: 开发人员可通过 Google AI Studio 中的 Gemini Live API 访问，最终用户可通过 Gemini App/Search Live 访问。

Gemini 3.1 Flash Live 的构建模块

Gemini 3.1 Flash Live 是 Gemini 3 模型系列的一部分，该系列以其多模态推理能力而闻名，您可以在DeepMind Gemini 模型页面. 上了解更多。该模型与内部安全和责任团队合作开发，经过广泛评估和红队活动，以增强其性能和安全性，如Gemini 3.1 Flash Live 模型卡. 中详述。其安全准则遵循 Google 的标准框架，旨在防止有害内容的生成，该框架发布在DeepMind Gemini 模型卡.

Flash Live 的核心技术进步是从旧的转录-思考-合成管道过渡到单一的本地音频到音频处理。正如DeepMind 模型卡. 中所述，这一变化显著降低了延迟，而延迟是自然对话的关键因素。根据Gemini API 文档. ，该模型擅长处理文本、图像、音频和视频输入，并提供文本和音频输出。其输入令牌限制为 131,072，输出令牌限制为 65,536，这一点也在Gemini API 文档.

中突出显示。

Gemini 3.1 Flash Live 在专注于复杂对话任务的各种基准测试中表现出色。在多步函数调用基准 ComplexFuncBench Audio 上，该模型取得了 90.8% 的分数，表明其在语音交互期间预订日历事件或发送电子邮件等链式任务中具有高可靠性，如Gemini 3.1 Flash Live 模型卡 和ComplexFuncBench GitHub 页面.

来源: ai-souken.com

此条形图展示了 Gemini 3.1 Flash Live 在 ComplexFuncBench Audio 基准测试中的强劲表现，突显了其在多步对话任务中的能力。

在包括中断和背景噪音在内的动态、真实世界对话条件下，Gemini 3.1 Flash Live 在 Scale AI 的 Audio MultiChallenge 中，当其“思考”功能被激活时，得分率为 36.1%，如Scale AI 排行榜. 所示。在“高思考”设置下，该模型在 BigBench Audio Benchmark 中达到了 95.9%，仅次于 Step Audio R1.1 Realtime。即使在为了速度而优化的“最小思考”模式下，其质量仍保持在 70.5%，响应时间为 0.96 秒，根据Gemini 3.1 Flash Live 模型卡.

其最显著的改进之一是其对音调的增强理解，比其前身 Gemini 2.5 Flash Native Audio 更有效地识别音高和节奏等声学细微差别，DeepMind 模型卡. 中详细说明。这使得模型能够动态调整其响应以适应用户的沮丧或困惑的表达，如Gemini 3.1 Flash Live 模型卡. 中概述。它还可以将对话线索保持两倍长，从而促进长时间的头脑风暴会议。

根据DeepMind 模型卡. ，该模型本质上是多语言的，支持超过 90 种语言的实时多模态对话，并可在 200 多个国家/地区使用。此外，所有由 3.1 Flash Live 生成的音频都带有 SynthID 水印，旨在检测 AI 生成的内容并打击虚假信息，如DeepMind 模型卡.

来源: yourstory.com

SynthID 水印符号

此图片描绘了一个代表 SynthID 水印的符号，这是识别 Gemini 3.1 Flash Live 生成的 AI 音频的关键功能。

Gemini 3.1 Flash Live 作为语音驱动产品和对话代理的关键组成部分，如其模型卡. 所述。它能够在同一通话中回答问题和处理操作，这使其在集成任务中尤为强大。最终用户可以通过 Gemini 应用和 Search Live 访问它。

对于开发人员，该模型可通过Gemini Live API 在Google AI Studio 中使用模型字符串gemini-3.1-flash-live-preview访问，并提供免费测试层级，如Gemini 3.1 Flash Live 模型卡. 中所述。希望利用此技术改善客户体验的企业可以通过Gemini 企业级客户体验.

实现。据DeepMind.

报道，Verizon、LiveKit 和 The Home Depot 等公司已经对其 3.1 Flash Live 的使用体验提供了积极反馈，表明其在不同环境下的实际效用。

AI 领域竞争激烈，Gemini 3.1 Flash Live 进入了一个拥有其他强大模型的领域。虽然 OpenAI 的高级语音模式通常被认为是具有亚 320 毫秒响应时间的原始对话流畅度的基准，但 Scale AI 的语音对决（一项人类偏好基准）显示 Gemini 2.5 Flash Audio 和 GPT-4o Audio 的表现统计上与Scale AI 排行榜. 所示相当。值得注意的是，Flash Live 代表了对 2.5 Flash Native Audio 的重大升级。

来源: the-decoder.com

此条形图比较了 Scale AI 语音对决中的对话式 AI 模型，突出显示了 Gemini 2.5 Flash Audio 和 GPT-4o Audio 的相似表现。

在 Gemini 系列中，Flash Live 专注于实时音频到音频的交互，使其与 Gemini 3.1 Flash Lite 等其他模型有所区别。Gemini 3.1 Flash-Lite 于 2026 年 3 月 3 日发布，专注于成本效益和高吞吐量场景，例如翻译和摘要，支持 1,000,000 令牌的上下文窗口，如Gemini 3.1 Flash Live 模型卡. 中所述。虽然 Flash Live 不支持批处理 API、缓存或结构化输出（这些功能在标准 Flash 和 Flash-Lite 中存在），但其优势在于其低延迟的口语响应，如Gemini API 文档.

中所示。

了解 Google 的 Flash 模型之间的细微差别对于开发人员选择适合其特定需求的工具至关重要。以下是比较概述：

gemini-3.1-flash-live-preview

结论

Gemini 3.1 Flash Live 标志着在实现更自然、更直观的 AI 交互方面取得了重大进展。通过优先考虑低延迟、对声学敏感以及多语言对话能力，Google 已将此模型定位为推动语音控制应用创新并增强各种领域的用户体验。虽然技术改进无疑将继续进行，但当前版本为实时 AI 通信的未来提供了引人注目的愿景。