Todo mundo no meu feed do Twitter está falando sobre o Gemini Omni. Eu entendo — o vazamento é empolgante, o Google I/O é na próxima semana, o enquadramento do modelo de vídeo é amigável para a mídia. Mas quero gastar 1.500 palavras em um modelo que foi lançado discretamente em abril e no qual quase ninguém está construindo ainda.
O Gemini 3.1 Flash Live é a coisa mais subestimada que o Google lançou em 2026. Se você é um desenvolvedor independente pensando em interfaces de voz, deve prestar atenção agora, antes que o anúncio do I/O o torne brevemente popular.
A apresentação de trinta segundos
O Gemini 3.1 Flash Live é um modelo de áudio para áudio em tempo real. Você transmite o áudio do microfone, recebe áudio de voz sintetizado, a latência é medida em centenas de milissegundos, e ele pode aceitar interrupções no meio da frase, como os humanos fazem.
Alguns detalhes importantes:
- Gratuito na API do Gemini Developer no momento em que escrevo (com um selo "sem custo" na página oficial de preços do Google). Usuários da Europa/Reino Unido/Suíça precisam de um plano pago, mas todos os outros recebem gratuitamente.
- Suporte a conversas com vários falantes — o modelo pode manter contexto em uma troca de ideias com múltiplas vozes.
- Modelo nativo de áudio, não um pipeline STT-para-LLM-para-TTS colado. A vantagem de latência e o comportamento de "interrupção natural" vêm disso.
- Disponibilidade pública desde o anúncio de abril do Google. Não é uma lista de espera de pré-visualização. Não é restrito a empresas. Está simplesmente lá.
Estou construindo silenciosamente o modo de voz do /chat sobre isso há duas semanas, e o resultado parece mais um assistente de voz da Pixar do que qualquer outra coisa que já lancei.
Por que ninguém está falando sobre isso
Três razões, nenhuma técnica.
O vazamento do Omni sugou todo o oxigênio. Razoável. Gemini Omni vai ser uma história muito maior para o consumidor quando o I/O acontecer. Mas para desenvolvedores independentes, o modelo de voz que está disponível HOJE por $0 é um alvo de desenvolvimento mais interessante do que o não lançado.
Interfaces de voz tiveram um ciclo de hype em 2023 que decepcionou na maior parte. Lembra do "Hey ChatGPT, fale comigo como a Scarlett Johansson"? As pessoas construíram aplicativos de voz, a latência era de 2 a 3 segundos, as personalidades eram estranhas, os casos de uso não se acumularam, e a atenção dos desenvolvedores seguiu em frente. Gemini Live é a primeira tecnologia de voz que usei que é genuinamente rápida o suficiente para parecer conversar com uma pessoa, mas o campo tem TEPT do ciclo de 2023.
A API é mais difícil que HTTP. Gemini Live usa um protocolo de streaming baseado em WebSocket com chunks de áudio bidirecionais. Se você está acostumado a "POST um prompt, GET uma resposta", há uma curva de aprendizado. A documentação é boa, mas não é uma linha única. Vou mostrar o código real abaixo — não é ruim, só não é o que a maioria dos desenvolvedores independentes está acostumada.
Como é o código
O loop de voz mínimo viável é mais curto do que você esperaria. Aqui está a forma do que roda por trás do modo de voz do /chat:
// Em uma rota de API no servidor (o navegador nunca toca na chave)
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' } },
},
},
});
// Pipe do áudio do microfone do navegador para a sessão
for await (const audioChunk of clientAudioStream) {
await session.sendRealtimeInput({ media: audioChunk });
}
// Pipe do áudio do modelo para o navegador
for await (const response of session.receive()) {
if (response.data) {
serverSentEvent(browserResponseStream, response.data);
}
}Essa é a prova de conceito. A versão de produção tem lógica de reconexão, reamostragem de áudio (Gemini quer PCM mono de 16kHz, navegadores fornecem 48kHz entrelaçado), tratamento de interrupção e um fallback para modo de texto quando o WebSocket não pode ser estabelecido. Mas o protocolo central é genuinamente pequeno.
O que é realmente possível
Quero falar sobre três casos de uso que se tornaram subitamente viáveis em 2026 por causa deste modelo.
1. Um assistente de voz que realmente entende interrupções. Todo produto de voz para consumidor antes do Gemini Live tinha o mesmo padrão quebrado: você fala, ele processa, ele responde. Interromper no meio da resposta é ignorado ou causa um reset de estado desajeitado. Gemini Live lida com interrupção com elegância — diga "espera, na verdade, deixa pra lá" enquanto ele está no meio de uma resposta, e ele para, reconhece a mudança e aguarda sua nova direção. Esta é a maior melhoria de UX em interfaces de voz em cinco anos.
2. Tutoria de idiomas em tempo real. Construí um protótipo de 60 segundos onde você tem uma conversa fluida no seu idioma alvo. O modelo corrige sua pronúncia suavemente, muda de registro com base no seu nível e responde em uma velocidade que corresponde à sua. A latência é baixa o suficiente para que a conversa tenha ritmo natural — você pode fazer os back-channelings ("uh-hum", "certo", "espera, o quê?") que uma conversa real exige. Duolingo custa $7/mês para um aplicativo de flashcards glorificado, e não há nenhum produto de tutor de idiomas no mercado que corresponda ao que você pode construir no Gemini Live em um fim de semana.
3. Desvio de voz para suporte ao cliente que não parece de 1995. URA de árvore de voz ("pressione 1 para cobrança, pressione 2 para suporte técnico") ainda está em todo lugar no suporte B2C porque as alternativas têm sido piores. Gemini Live é o primeiro sistema que usei onde eu genuinamente preferiria a IA a um humano em consultas rotineiras — ela não me faz repetir meu número de conta três vezes, não me coloca em espera e pode manter todo o contexto conversacional.
O padrão em todos os três: a tecnologia de voz ficou rápida o suficiente para parecer uma conversa. Essa é a mudança de limite.
A história do custo
A linha "Gratuito na API do Developer" na tabela de preços é genuinamente verdadeira, mas é importante entender o que ela cobre.
O nível gratuito cobre a inferência do modelo em si. Ele NÃO cobre:
- Largura de banda para streaming de áudio entre seu servidor e o navegador do cliente (depende da sua hospedagem)
- Tempo de computação em seu servidor enquanto uma sessão está aberta (depende do seu runtime)
- Qualquer armazenamento ou gravação de áudio, se você mantiver transcrições
Na prática, executar uma conversa de voz de 5 minutos me custa cerca de 50 MB de largura de banda e uma fração de milissegundo de computação no Cloudflare Worker. Isso é aproximadamente $0,00012 em custo real de infraestrutura nos preços da Cloudflare — praticamente insignificante.
Isso vai mudar. O preço "sem custo" do Google no Gemini Live é uma jogada de semeadura de mercado. O mesmo modelo no AI Studio é limitado a interações curtas. Quando o produto para consumidor realmente escalar, o preço vai subir. Construtores independentes devem lançar recursos de voz AGORA, enquanto o piso de custo é zero.
O que lancei por cima
A página /chat do GeminiOmni tem um botão de modo de voz que alterna a mesma interface conversacional para entrada/saída de áudio no Gemini Live. O usuário clica no microfone, ganha uma conversa gratuita de um minuto (sem cadastro), e ou se cadastra ou não. A taxa de conversão nessa superfície é a melhor de qualquer ferramenta que lançamos — cerca de 12% dos usuários que experimentam o modo de voz se cadastram no Pro, contra 3% para chat de texto.
Voz é um gancho que converte. Mesmo pessoas que acabam não usando recursos de voz se cadastram para "testar depois" a uma taxa 4x maior em comparação com o caminho só de texto. Se você está construindo qualquer coisa no espaço de ferramentas de IA, voz é o recurso de aquisição de usuários mais barato em sua stack.
A pegada de implementação, para os curiosos: cerca de 800 linhas de código no total para o modo de voz, incluindo a ponte WebSocket, reamostragem de áudio, a UI React, os estados de erro e o funil de cadastro. Dois fins de semana de trabalho mais uma semana de polimento.
O que muda quando o Omni for lançado
Se minha leitura sobre o Gemini Omni estiver correta, o modelo multimodal unificado vai absorver parte do que o Gemini Live faz hoje. Um único endpoint que gera vídeo, imagem e áudio conjuntamente é uma interface estritamente mais poderosa do que o modo somente áudio do Live.
Mas — e isso é importante — o Live é construído para streaming bidirecional. Não está apenas gerando áudio, está ouvindo e respondendo. Seja o que for que o Omni lance no I/O, aposto dinheiro que é um modelo de geração única primeiro, com recursos conversacionais seguindo meses depois. A tecnologia de voz que temos hoje não desaparece; ela é acompanhada por capacidades adicionais. A janela para construir produtos de voz com custo $0 está aberta agora.
Leia a seguir
- O que sabemos sobre o Gemini Omni 48 horas antes do Google I/O
- Por que o Veo 3.1 Fast supera o Sora para trabalhos de vídeo independentes
- Voz ao vivo com Gemini — experimente grátis
— Lena
