Todo el mundo en mi timeline de Twitter habla de Gemini Omni. Lo entiendo: la filtración es emocionante, Google I/O es la próxima semana, el enfoque en el modelo de video es amigable para los medios. Pero quiero dedicar 1500 palabras a un modelo que se lanzó silenciosamente en abril y en el que casi nadie está construyendo todavía.
Gemini 3.1 Flash Live es lo más infravalorado que Google lanzó en 2026. Si eres un desarrollador independiente pensando en interfaces de voz, deberías prestar atención ahora mismo, antes de que el anuncio de I/O lo ponga brevemente de moda.
El discurso de treinta segundos
Gemini 3.1 Flash Live es un modelo en tiempo real, de audio a audio. Transmites el audio del micrófono, recibes audio de voz sintetizado, la latencia se mide en unos pocos cientos de milisegundos, y puede manejar interrupciones a mitad de frase como lo hacen los humanos.
Algunos detalles importantes:
- Gratuito en la API para Desarrolladores de Gemini al momento de escribir esto (con una insignia de "sin costo" en la página de precios oficial de Google). Los usuarios de Europa/Reino Unido/Suiza necesitan un nivel pago, pero todos los demás lo obtienen gratis.
- Soporte para conversaciones con múltiples hablantes: el modelo puede mantener el contexto en un intercambio con varias voces.
- Modelo nativo de audio, no un pipeline STT-to-LLM-to-TTS unido. La ventaja de latencia y el comportamiento de "interrupción natural" provienen de esto.
- Disponibilidad pública desde el anuncio de abril de Google. No es una lista de espera de vista previa. No está restringido a empresas. Simplemente está ahí.
He estado construyendo silenciosamente el modo de voz de /chat sobre esto durante dos semanas, y el resultado se siente más como un asistente de voz de Pixar que cualquier otra cosa que haya lanzado.
Por qué nadie habla de ello
Tres razones, ninguna técnica.
La filtración de Omni se llevó todo el oxígeno. Razonable. Gemini Omni será una historia de consumo mucho más grande cuando ocurra I/O. Pero para los desarrolladores independientes, el modelo de voz que está disponible HOY por $0 es un objetivo de construcción más interesante que el que aún no se ha lanzado.
Las interfaces de voz tuvieron un ciclo de hype en 2023 que mayormente decepcionó. ¿Recuerdas "Hey ChatGPT, háblame como Scarlett Johansson"? La gente construyó aplicaciones de voz, la latencia era de 2 a 3 segundos, las personalidades eran extrañas, los casos de uso no se acumulaban y la atención de los desarrolladores se fue. Gemini Live es la primera tecnología de voz que he usado que es genuinamente lo suficientemente rápida para sentirse como hablar con una persona, pero el campo tiene TEPT del ciclo de 2023.
La API es más difícil que HTTP. Gemini Live usa un protocolo de streaming basado en WebSocket con fragmentos de audio bidireccionales. Si estás acostumbrado a "hacer POST de un prompt, obtener GET de una respuesta", hay una curva de aprendizaje. La documentación es buena, pero no es una línea de código. Te mostraré el código real a continuación: no es malo, simplemente no es lo que la mayoría de los desarrolladores independientes están acostumbrados.
Cómo se ve el código
El bucle de voz mínimo viable es más corto de lo que esperarías. Aquí está la forma de lo que se ejecuta detrás del modo de voz de /chat:
// En una ruta de API del lado del servidor (el navegador nunca toca la clave)
import { GoogleGenAI, Modality } from '@google/genai';
const ai = new GoogleGenAI({ apiKey: process.env.GEMINI_API_KEY });
const session = await ai.live.connect({
model: 'gemini-3.1-flash-live-preview',
config: {
responseModalities: [Modality.AUDIO],
speechConfig: {
voiceConfig: { prebuiltVoiceConfig: { voiceName: 'Aoede' } },
},
},
});
// Envía el audio del micrófono del navegador a la sesión
for await (const audioChunk of clientAudioStream) {
await session.sendRealtimeInput({ media: audioChunk });
}
// Envía el audio del modelo al navegador
for await (const response of session.receive()) {
if (response.data) {
serverSentEvent(browserResponseStream, response.data);
}
}Esa es la prueba de concepto. La versión de producción tiene lógica de reconexión, remuestreo de audio (Gemini quiere PCM mono de 16kHz, los navegadores dan 48kHz entrelazado), manejo de interrupciones y un fallback al modo de texto cuando no se puede establecer el WebSocket. Pero el protocolo central es genuinamente pequeño.
Qué es realmente posible
Quiero hablar de tres casos de uso que de repente se volvieron construibles en 2026 gracias a este modelo.
1. Un asistente de voz que realmente entiende las interrupciones. Todos los productos de voz de consumo anteriores a Gemini Live tenían el mismo patrón roto: hablas, procesa, habla de vuelta. Interrumpir a mitad de respuesta se ignora o causa un reinicio torpe del estado. Gemini Live maneja la interrupción con gracia: di "espera, en realidad no importa" mientras está en medio de una respuesta, y se detiene, reconoce el cambio y espera tu nueva instrucción. Esta es la mejora de UX más grande en interfaces de voz en cinco años.
2. Tutoría de idiomas en tiempo real. Construí un prototipo de 60 segundos donde tienes una conversación fluida en tu idioma objetivo. El modelo corrige tu pronunciación suavemente, cambia de registro según tu nivel y responde a una velocidad que coincide con la tuya. La latencia es lo suficientemente baja como para que la conversación tenga un ritmo natural: puedes hacer los retroalimentaciones ("ajá", "claro", "espera qué") en los que se basa una conversación real. Duolingo cuesta $7/mes por una aplicación de tarjetas de memoria glorificada y no hay ningún producto de tutoría de idiomas en el mercado que iguale lo que puedes construir en Gemini Live en un fin de semana.
3. Desvío de voz para soporte al cliente que no se siente como de 1995. Los IVR de árbol de voz ("presione 1 para facturación, presione 2 para soporte técnico") todavía están en todas partes en el soporte B2C porque las alternativas han sido peores. Gemini Live es el primer sistema que he usado en el que preferiría genuinamente la IA a un humano en consultas rutinarias: no me hace repetir mi número de cuenta tres veces, no me pone en espera y puede mantener todo el contexto conversacional.
El patrón en los tres: la tecnología de voz se volvió lo suficientemente rápida como para sentirse como una conversación. Ese es el cambio de umbral.
La historia del costo
La línea de "Gratuito en la API para Desarrolladores" en la tabla de precios es genuinamente cierta, pero es importante entender lo que cubre.
El nivel gratuito cubre la inferencia del modelo en sí. NO cubre:
- Ancho de banda para transmitir audio entre tu servidor y el navegador del cliente (depende de tu hosting)
- Tiempo de cómputo en tu servidor mientras una sesión está abierta (depende de tu tiempo de ejecución)
- Cualquier almacenamiento o grabación de audio, si guardas transcripciones
En la práctica, ejecutar una conversación de voz de 5 minutos me cuesta alrededor de 50 MB de ancho de banda y unos pocos milisegundos de cómputo en Cloudflare Worker. Eso es aproximadamente $0.00012 en costo real de infraestructura según los precios de Cloudflare; digamos que es insignificante.
Esto va a cambiar. El precio "sin costo" de Google en Gemini Live es una jugada para sembrar el mercado. El mismo modelo en AI Studio está limitado a interacciones cortas. Cuando el producto de consumo realmente escale, el precio subirá. Los desarrolladores independientes deberían lanzar funciones de voz AHORA, mientras el costo base es cero.
Lo que lancé encima
La página de /chat de GeminiOmni tiene un botón de modo de voz que cambia la misma interfaz conversacional a E/S de audio en Gemini Live. El usuario hace clic en el micrófono, obtiene una conversación gratuita de un minuto (sin registro), y se registra o no. La tasa de conversión en esta superficie es la mejor de cualquier herramienta que lanzamos: aproximadamente el 12% de los usuarios que prueban el modo de voz se registran para Pro, frente al 3% para el chat de texto.
La voz es un gancho que convierte. Incluso las personas que terminan no usando las funciones de voz se registran para "probarlo más tarde" a una tasa 4 veces mayor que la ruta solo texto. Si estás construyendo algo en el espacio de herramientas de IA, la voz es la función de adquisición de usuarios más barata en tu stack.
El tamaño de la implementación, para los curiosos: alrededor de 800 líneas de código en total para el modo de voz, incluyendo el puente WebSocket, el remuestreo de audio, la interfaz de React, los estados de error y el embudo de registro. Dos fines de semana de trabajo más una semana de pulido.
Qué cambia cuando Omni se lance
Si mi lectura de Gemini Omni es correcta, el modelo multimodal unificado absorberá parte de lo que Gemini Live hace hoy. Un único endpoint que genera video, imagen y audio de forma conjunta es una interfaz estrictamente más potente que el modo solo audio de Live.
Pero —y esto es importante— Live está construido para streaming bidireccional. No solo genera audio, sino que escucha y responde. Cualquier cosa que Omni lance en I/O, apostaría a que es un modelo de generación única primero, con funciones conversacionales que llegarán meses después. La tecnología de voz que tenemos hoy no desaparece; se complementa con capacidades adicionales. La ventana para construir productos de voz a costo $0 está abierta ahora mismo.
Sigue leyendo
- Lo que sabemos de Gemini Omni 48 horas antes de Google I/O
- Por qué Veo 3.1 Fast supera a Sora para trabajo de video independiente
- Voz en vivo con Gemini — pruébalo gratis
— Lena
