Google تطلق Gemini 3.1 Flash Live لوكلاء الذكاء الاصطناعي الصوتيين والحوار متعدد الوسائط

في 26 مارس 2026 فتحت Google الوصول التجريبي (preview) إلى Gemini 3.1 Flash Live، وهو نموذج جديد لوكلاء الذكاء الاصطناعي الصوتيين في الوقت الفعلي. وتراهن الشركة على إزالة التأخير الزائد من المحادثة، وفهم نبرة الصوت بشكل أفضل، والعمل مباشرة ليس مع الصوت فحسب، بل أيضًا مع الفيديو والنص والأدوات الخارجية.

لماذا يهم هذا الإطلاق

لم تكن المشكلة الرئيسية في منظومات الصوت القديمة جودة الإجابات، بل الفواصل الزمنية بين الردود. فكان النظام ينتظر أولًا حتى يسود الصمت، ثم يحوّل الكلام إلى نص، ثم يرسل الطلب إلى LLM، وبعد ذلك فقط يركّب الصوت. وتستهدف Google هذه السلسلة مباشرة، إذ تنقل معالجة الصوت إلى داخل النموذج نفسه. يعمل Gemini 3.1 Flash Live مع الفروق الصوتية الدقيقة مباشرة، لا عبر النص المفرّغ وحده، ولذلك يُفترض أن تبدو المحادثة أقرب إلى الإيقاع البشري المعتاد.

وتركّز Google بشكل خاص على الأداء في البيئات الصاخبة. فالنموذج يفصل الكلام المفيد عن الأصوات الخلفية، مثل ضجيج الشارع أو التلفاز أو أحاديث الآخرين القريبة، كما يتعرف بدقة أكبر على نبرة المحاور وإيقاعه وإشاراته العاطفية. وفي سيناريوهات الشركات لا يقل ذلك أهمية عن السرعة: فالوكيل الصوتي لا يكفي أن يجيب، بل عليه أن يفهم أن المستخدم منزعج أو مرتبك أو قاطع النظام في منتصف الجملة. وبالنسبة إلى المساعدات المحمولة ومراكز الاتصال، يُعد هذا من أكثر التحديثات عملية في عائلة Gemini.

ما الذي تتيحه Live API

من الناحية التقنية، توفّر Google للمطورين واجهة بث ثنائية الاتجاه تحتفظ بحالة الجلسة (stateful) فوق WebSockets. وهي ليست REST API تقليدية بطلبات وردود منفصلة، بل اتصال دائم يتبادل فيه العميل والنموذج البيانات في الاتجاهين. وبفضل ذلك يستطيع الوكيل الاستماع إلى المستخدم، ومتابعة السياق المرئي الوارد، واستدعاء الأدوات، وإعادة رد صوتي فورًا. كما تتوفر ميزة barge-in: إذا قاطع الشخص النموذج، يستطيع النظام إيقاف توليد الصوت واستقبال العبارة الجديدة دون تجمّد ملحوظ.

• الصوت الداخل: raw 16-bit PCM بتردد 16 kHz وبنظام little-endian
• الصوت الخارج: raw PCM دون خطوة TTS منفصلة
• السياق المرئي: إطارات JPEG أو PNG بمعدل 1 FPS تقريبًا
• الأدوات: function calling وtool use وإدارة الجلسات الطويلة وephemeral tokens

وبحسب بيانات Google، سجّل النموذج 90,8% في ComplexFuncBench Audio، وهو معيار لاستدعاء الدوال متعدد الخطوات عبر الصوت. وفي Audio MultiChallenge من Scale AI حقق 36,1% مع تفعيل وضع thinking، وهو اختبار يقيس التعليمات المعقدة والاستدلال بعيد المدى والفواصل والمقاطعات المعتادة في الكلام الحي.

وثمة تفصيل عملي آخر هو دعم أكثر من 90 لغة للتواصل متعدد الوسائط في الوقت الفعلي. أي أن Google تروّج لـ Flash Live لا كعرض توضيحي لمحادثات جميلة، بل كطبقة أساسية لسيناريوهات الإنتاج (production).

أين يمكن أن يفيد النموذج

تعرض Google بالفعل حالات استخدام تطبيقية لا سيناريوهات دعائية مجردة. ففي Stitch يمكن مناقشة التصميم بالصوت: يرى الوكيل اللوحة والشاشات المحددة، ويعلّق على القرارات، ويقترح بدائل. أما جهاز Ato المخصص لكبار السن فيعتمد على تعدد لغات النموذج لتحويل الأحاديث اليومية إلى تواصل أكثر طبيعية. وتستخدم فرقة Weekend نموذج Flash Live في صيغة ألعاب لعب الأدوار (RPG)، حيث لا يكفي أن يجيب المقدّم الذكي بسرعة، بل عليه أن يحافظ على الشخصية والإيقاع والأداء المسرحي دون انقطاعات بين العبارات.

ومن المهم أيضًا أن Google لا تُبقي النموذج داخل AI Studio وحده. فهو متاح للمطورين بصيغة preview عبر Gemini Live API، ولسيناريوهات الشركات ضمن Gemini Enterprise for Customer Experience، أما للمستخدمين العاديين فيجري دمجه بالفعل في Gemini Live وSearch Live. وتؤكد الشركة أن الإجابات في Gemini Live أصبحت أسرع، وأن خيط المحادثة يُحفظ لمدة أطول بنحو الضعف مقارنة بالسابق. وبالتوازي، تصل Search Live إلى أكثر من 200 دولة ومنطقة. وتضع Google على كل المخرجات الصوتية المولّدة علامة مائية SynthID لتسهيل اكتشاف الصوت المولّد بالذكاء الاصطناعي.

ماذا يعني ذلك

تحاول Google احتلال الطبقة التي يتواصل فيها الذكاء الاصطناعي عبر حوار متواصل لا عبر رسائل، ويتصرف فيها مباشرة من خلال الأدوات. وإذا حافظ Flash Live فعلًا في بيئة الإنتاج على زمن الاستجابة المنخفض والثبات في الضوضاء وجودة function calling، فسينتقل سوق الوكلاء الصوتيين سريعًا من «روبوتات الدردشة الناطقة» البسيطة إلى أنظمة يمكن دمجها في الدعم والواجهات والبحث والمساعدات اليومية.