저지연 실시간 음성·영상·도구 사용을 한 모델에서 처리하는, 지금까지 최고 품질의 오디오·음성 모델이라는 포지션이거든요

구글이 개발자 프리뷰로 Gemini 3.1 Flash Live를 공개했어요. 저지연 실시간 음성·영상·도구 사용을 한 모델에서 처리하는, 지금까지 최고 품질의 오디오·음성 모델이라는 포지션이거든요.

핵심은 기존 음성 AI의 대기 구간을 줄였다는 점이에요. 예전엔 VAD→STT→LLM→TTS를 순차로 거쳤지만, 3.1 Flash Live는 오디오를 네이티브로 처리해 억양·말속도 인식이 2.5 Flash Native Audio 대비 크게 좋아졌어요.

Multimodal Live API도 꽤 실전형이에요. WebSocket 기반 양방향 스트리밍으로 연결을 유지하고, 입력은 16kHz 16-bit PCM, 출력도 PCM으로 바로 내려줘요. 영상은 JPEG/PNG를 약 1FPS로 함께 흘려보낼 수 있어요.

결국 음성 에이전트가 “내 말 끝날 때까지 기다리는” 느낌에서 벗어나, 시끄러운 실제 환경에서도 자연스럽게 반응하는 단계로 넘어가고 있다는 신호예요.