谷歌掀语音Agent新纪元！开口就是生产力，Siri的最强外挂来了？

智东西
作者｜江宇
编辑｜冰倩

智东西3月27日消息，昨日凌晨，谷歌正式推出其最高质量的音频和语音模型——实时语音模型Gemini 3.1 Flash Live，并在Gemini App、Search Live以及Google AI Studio中同步开放，其中后者以预览版本向开发者提供。

这一版本的核心在实时语音Agent能力升级：语音已可直接驱动应用开发（vibe coding），Gemini App的实时多模态对话能力同步增强，在多项评测中超过GPT-Realtime-1.5、Qwen3 Omni 30B A3B Instruct、GPT-4o Audio preview等模型。

模型一出，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，苹果已获谷歌完整Gemini模型直连权限，将通过蒸馏自研轻量化端侧AI部署iPhone。

这款模型面向实时语音交互，对连续对话进行了整体优化，包括响应延迟、上下文记忆、多语言处理及工具调用等关键能力。

Gemini Live中的上下文窗口已提升至此前的2倍，Search Live支持在200多个国家和地区进行多语言实时交互，整体能力面向连续对话和复杂任务场景。

从公开测试结果来看，这一版本在语音Agent关键能力上提升显著。在ComplexFuncBench audio测试中，Gemini 3.1 Flash Live的函数调用准确率达到90.8%，相比Gemini 2.5 Flash Native Audio去年12月版本的71.5%，以及2025年9月版本的66.0%，都有明显提高。

在Scale发布的Audio MultiChallenge音频输出榜单中，该模型得分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%等模型。

与此同时，这一版本重点优化了实时对话体验。模型在语音识别中对语调、语速和停顿的处理更细；在嘈杂环境下，对背景噪音的过滤能力增强，可以更稳定识别用户指令并执行任务；在复杂指令场景中，对系统约束的遵循能力也有所提升。

已有获得更新的用户开始尝试新玩法，有人直接用语音指令让模型生成简短演唱片段，这类能力已经可以在对话中被触发。

其API价格也已公布：文本输入每百万token约0.5美元、输出约4.5美元，音频输入约3美元、输出约12美元，支持多模态输入调用。

模型一经发布，社区已经出现初步反馈。有网友评价称，这是一次“强势更新”，并指出更快的语音响应是一种“用户体验层面的关键突破”，如果延迟和多轮对话中的连续性能在更长时间的使用中保持稳定，语音交互的采用速度可能会明显提升。

不过，也有用户仍然保持谨慎。一位开发者直言，自己此前已经放弃使用语音模型，因为其回复质量明显不如文本，并反问这一情况是否真的发生了改变。

智东西也对这一功能进行了初步体验。其中文语音表现仍偏机械，多轮对话过程中存在中断情况，暂未能完整体验其连续交互能力。当前该版本正分批推送，iOS和安卓用户已开始陆续收到更新。

一、开口就是改代码：UI、交互、风格一段话全部重做

在这次发布中，谷歌首先展示的是语音驱动应用开发（vibe coding）这一类场景，开发者可以在Google AI Studio里一边说话一边做应用，让开发过程跟上脑暴的节奏。

▲Live Vibe Coder页面，用户可上手实操

用户可以用语音连续调整界面。对话一开始，用户直接提出修改：“把麦克风做大一点”，界面随即发生变化；紧接着补一句“背景加点黄色波点”，页面背景立刻更新。

随后用户继续叠加需求，例如加入“鼠标悬停时的反馈效果”、让背景图案持续滚动，这些改动都在同一段对话中逐步完成。

用户一边说，界面一边变化。中途用户又临时调整方向，说“干脆整体做成波普风”，模型就在已有基础上继续重做视觉风格，整个过程接近和设计师一对一的实时沟通。

二、设计协作、跨语对话、角色扮演，三类场景同时落地

除了应用开发，谷歌还给出了三类实际使用的场景，包括界面设计协作、跨语言陪伴交流，以及游戏中的角色互动。

在设计工具Stitch的案例中，语音也可直接参与到界面编辑流程。用户先让界面跳到“练习模式”，再切到“歌曲库”，随后开始具体挑问题：“这些虚线和方形边框看着有点硬，能不能让数字更贴合圆形？”界面随即往更简洁的方向调整。紧接着又换一套思路：“试一个偏棕色、木质一点的配色”，新的视觉版本便直接生成出来。

在面向老年用户AI硬件设备Ato的交互案例中，重点放在多语言对话的连续性，对话内容围绕日常问候和陪伴展开。用户先用英语聊天，再插入一个条件：“我要跟奶奶说话，但她只会西班牙语”，模型在同一段对话里切换语言继续交流，对话内容并不会因为语言变化而中断。

对话中一旦出现真实场景的插入信息，比如提到“刚从医院出来有点累”，模型会顺着语境回应，给出一段连续的交流。

在RPG游戏《Wit’s End》的案例中，语音被用来驱动角色本身。玩家提问时，模型会用带有设定的语气回应，例如围绕“你有没有实体形态”“你的能力来自哪里”等问题展开，对话始终保持在角色语境里。回答不会跳出设定，会沿着同一世界观继续展开，语气和表达方式也保持一致。

结语：谷歌做“全栈语音Agent”，国内玩家一边抓用户，一边补能力

从这次发布来看，谷歌正在把语音能力做成一套更完整的通用能力体系。无论是编程场景中的vibe coding，还是AI硬件交互、移动端Gemini App入口，多个形态都在同时推进，覆盖范围扩展到不同使用场景。

在产品形态上，Gemini App与国内的豆包等产品已有明显相似之处，都是以对话为核心入口，承接搜索、工具调用和多轮交互。但在实际体验上，两者并不相同。豆包在中文表达、语气风格以及互动感上更为主动，调侃式表达更容易形成用户黏性，也已经在国内积累了一定用户规模。

相比之下，谷歌当前的重心仍放在能力拓展上，尤其是在语音驱动开发这一类场景中，vibe coding所体现的连续修改能力和实时交互节奏，已经领先于现有产品形态。

与此同时，国内在语音模型能力上的进展也在加快。阶跃星辰Step-Audio R1.1在Artificial Analysis语音推理榜单中拿下第一，以96.4%准确率超过Grok、Gemini、GPT-Realtime等模型，成为当前语音推理方向的代表性成果之一。

一边是谷歌不断拉高能力上限，尝试覆盖更多场景；另一边是国内玩家在用户规模与模型能力两端同时推进，语音Agent的竞争态势，正愈演愈烈。