我的推特时间线上每个人都在谈论 Gemini Omni。我理解——泄露令人兴奋，Google I/O 下周举行，视频模型的框架也受媒体青睐。但我想把 1500 字的篇幅留给一个四月份悄悄发布、至今几乎无人基于其构建的模型。
Gemini 3.1 Flash Live 是谷歌 2026 年发布的最被低估的产品。如果你是一位独立开发者，正在考虑语音界面，那么你应该现在就关注它——趁它还没因为 I/O 的发布而短暂流行起来。
三十秒速览
Gemini 3.1 Flash Live 是一个实时的、音频到音频的模型。你输入麦克风音频流，它输出合成的语音音频流，延迟在几百毫秒以内，并且能像人类一样在句子中间接受打断。
几个重要的细节：
- 目前在 Gemini 开发者 API 中免费（谷歌官方定价页面上带有“免费”标识）。欧洲/英国/瑞士用户需要付费套餐，但其他地区用户均可免费使用。
- 支持多人对话——模型可以在多人的来回对话中保持上下文。
- 原生音频模型，而不是拼凑的 STT-LLM-TTS 管道。上述的低延迟和“自然打断”行为正源于此。
- 自 谷歌四月的公告 起公开可用。不是预览版排队。不是企业专享。直接用就行。
过去两周，我一直在悄悄地将 /chat 的语音模式构建在其上，其效果感觉比我交付过的任何东西都更像一个皮克斯风格的语音助手。
为什么没人谈论它
三个原因，与技术无关。
Omni 的泄露吸走了所有氧气。 可以理解。当 I/O 到来时，Gemini Omni 将成为一个更大的消费者故事。但对于独立开发者来说，那个今天即可使用、成本为 0 美元的语音模型，是比未发布模型更有趣的构建目标。
语音界面在 2023 年经历了一轮大多令人失望的炒作周期。 还记得“嘿 ChatGPT，像斯嘉丽·约翰逊那样跟我说话”吗？人们构建了语音应用，但延迟有 2-3 秒，个性设定令人不安，用例未能累积，开发者的兴趣也随之转移。Gemini Live 是我使用过的第一个感觉足够快、可以和人对话的语音技术，但这个领域对 2023 年的炒作周期存在PTSD。
API 比 HTTP 更难用。 Gemini Live 使用基于 WebSocket 的流式协议，处理双向音频块。如果你习惯了“POST 一个提示，GET 一个回复”，那么这里有个学习曲线。文档写得不错，但并非一行代码就能搞定。下面我会向你展示实际代码——不算难，只是大多数独立开发者不习惯这种方式。
代码长什么样
最小可行的语音循环代码比你想象的要短。以下是驱动 /chat 语音模式的代码骨架：
// 在服务端 API 路由中（浏览器永远接触不到密钥）
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' } },
},
},
});
// 将浏览器麦克风音频管道输入到会话中
for await (const audioChunk of clientAudioStream) {
await session.sendRealtimeInput({ media: audioChunk });
}
// 将模型音频管道输出到浏览器
for await (const response of session.receive()) {
if (response.data) {
serverSentEvent(browserResponseStream, response.data);
}
}这就是概念验证。生产版本还包括重连逻辑、音频重采样（Gemini 需要 16kHz 单声道 PCM，浏览器提供的是 48kHz 交错格式）、中断处理，以及在无法建立 WebSocket 时回退到文本模式。但核心协议确实很简洁。
实际能做什么
我想谈谈三个在 2026 年因为此模型而突然变得可构建的用例。
1. 真正能理解打断的语音助手。 在 Gemini Live 之前，每个消费级语音产品都有同样的糟糕模式：你说，它处理，它回答。在它回答过程中打断要么被忽略，要么导致笨拙的状态重置。Gemini Live 优雅地处理打断——当它正在回答时说“等等，算了”，它就会停下来，确认这个变化，然后等待你的新指令。这是五年来语音界面中最大的用户体验升级。
2. 实时语言辅导。 我用 60 秒就构建了一个原型，你可以用目标语言进行自由对话。模型会温和地纠正你的发音，根据你的水平调整语言风格，并以与你相匹配的速度回应。延迟足够低，对话能有自然的节奏——你可以进行真实对话所依赖的回应小词（“嗯哼”、“好的”、“等等什么？”）。Duolingo 每月收费 7 美元，本质上是升级版闪卡应用，而目前市场上没有任何语言辅导产品能与你花一个周末在 Gemini Live 上构建的东西相媲美。
3. 不像 1995 年那么糟糕的客服语音交互。 电话树 IVR（“账单请按1，技术支持请按2”）仍在 B2C 客服中无处不在，因为其他替代方案更糟糕。Gemini Live 是第一个让我在处理常规查询时真正更愿意选择 AI 而非人力的系统——它不会让我重复三次账号，不会让我等待，并且能记住整个对话上下文。
这三个用例的共同模式：语音技术变得足够快，感觉就像真正的对话。这是阈值上的变化。
成本故事
定价表上“开发者 API 中免费”这一行是真的，但理解其覆盖范围很重要。
免费层级覆盖了模型推理本身。它不覆盖：
- 在服务器和客户端浏览器之间传输音频流的带宽（取决于你的托管方式）
- 会话打开期间你服务器上的计算时间（取决于你的运行时）
- 任何音频存储或录音（如果你保留记录的话）
在实践中，运行一个5分钟的语音对话大约消耗我 50 MB 的带宽和一些毫秒的 Cloudflare Worker 计算时间。按 Cloudflare 的定价，这大约是 0.00012 美元的真实基础设施成本——可以说微不足道。
这将会改变。谷歌在 Gemini Live 上的“免费”定价是一种市场培育策略。AI Studio 上的同一个模型被限制为短交互。当消费产品真正规模化时，价格就会上涨。独立开发者应该在成本为零的现在就推出语音功能。
我在其上交付了什么
GeminiOmni 的 /chat 页面有一个语音模式切换开关，可以将同一个对话界面切换到由 Gemini Live 支持的音频 I/O。用户点击麦克风，获得一分钟的免费对话（无需注册），然后选择注册或不注册。这个界面的转化率是我们所有工具中最好的——大约 12% 尝试过语音模式的用户注册了 Pro，而文字聊天只有 3%。
语音是一个能转化为付费用户的钩子。即使最终不使用语音功能的用户，其以“稍后尝试”为目的进行注册的比率，也比纯文字路径高出 4 倍。如果你在 AI 工具领域构建任何东西，语音都是你堆栈中成本最低的用户获取功能。
对于好奇的人来说，实现所需的工作量：语音模式总共约 800 行代码，包括 WebSocket 桥接、音频重采样、React UI、错误状态和注册漏斗。两个周末加一周的打磨。
当 Omni 发布时会发生什么
如果我对 Gemini Omni 的解读 正确，那么统一的多模态模型将取代今天 Gemini Live 的部分功能。一个能联合生成视频、图像和音频的单一端点，其界面在功能上比 Live 的纯音频模式更强大。
但是——这一点很重要——Live 是为双向流式传输而构建的。它不仅仅是生成音频，它同时在倾听和回应。无论 Omni 在 I/O 上发布什么，我敢打赌它首先是一个一次性生成模型，而对话功能将在几个月后推出。我们今天拥有的语音技术不会消失；它会被新的能力所补充。以零成本构建语音产品的窗口现在正敞开着。
延伸阅读
— Lena
