Google lanza Gemini 3.1 Flash Live para agentes de voz con IA y conversación multimodal

El 26 de marzo de 2026, Google abrió el acceso en preview a Gemini 3.1 Flash Live, un nuevo modelo para agentes de voz con IA en tiempo real. La apuesta consiste en eliminar la latencia innecesaria en la conversación, entender mejor la entonación y trabajar a la vez no solo con audio, sino también con vídeo, texto y herramientas externas.

Por qué importa

El principal problema de las antiguas cadenas de voz no era la calidad de las respuestas, sino las pausas entre intervenciones. Primero el sistema esperaba el silencio, luego convertía el habla en texto, enviaba la consulta a un LLM y solo después sintetizaba la voz. Google ataca de lleno esta cadena y traslada el procesamiento de audio al interior del propio modelo.

Gemini 3.1 Flash Live trabaja directamente con los matices acústicos, y no solo a través de una transcripción, por lo que la conversación debería sentirse más cercana al ritmo humano habitual.

Google pone un énfasis aparte en el funcionamiento en entornos ruidosos. El modelo separa mejor el habla útil de sonidos de fondo como el tráfico, la televisión o conversaciones cercanas, y detecta con más precisión la entonación, el ritmo y las señales emocionales del interlocutor. En escenarios corporativos esto importa tanto como la velocidad: un agente de voz no debe limitarse a responder, sino entender que el usuario está molesto, confundido o ha interrumpido al sistema a mitad de frase. Para asistentes móviles y centros de contacto, es una de las actualizaciones más prácticas de la familia Gemini.

Qué puede hacer la Live API

Desde el punto de vista técnico, Google ofrece a los desarrolladores una interfaz de streaming bidireccional y con estado sobre WebSockets. No es una API REST convencional con solicitudes y respuestas separadas, sino una conexión permanente en la que cliente y modelo intercambian datos en ambos sentidos. Así, el agente puede escuchar al usuario, observar el contexto visual entrante, llamar a herramientas y devolver de inmediato una respuesta hablada.

También incluye barge-in: si la persona interrumpe al modelo, el sistema puede detener la generación de audio y aceptar la nueva intervención sin bloqueos apreciables.

• Audio de entrada: PCM sin procesar de 16 bits, 16 kHz, little-endian
• Audio de salida: PCM sin procesar, sin un paso TTS independiente
• Contexto visual: fotogramas JPEG o PNG a aproximadamente 1 FPS
• Herramientas: function calling, tool use, gestión de sesiones largas y ephemeral tokens

Según Google, el modelo obtuvo un 90,8 % en ComplexFuncBench Audio, un benchmark de llamadas a funciones de varios pasos mediante audio. En Audio MultiChallenge de Scale AI alcanza un 36,1 % con el modo thinking activado; esta prueba evalúa instrucciones complejas, razonamiento a largo plazo y las pausas e interrupciones típicas del habla real.

Otro detalle práctico es el soporte para más de 90 idiomas en comunicación multimodal en tiempo real. Es decir, Google presenta Flash Live no como una demo para conversaciones vistosas, sino como capa base para escenarios de producción.

Dónde encaja el modelo

Google ya muestra casos aplicados en lugar de escenarios promocionales abstractos. En Stitch se puede hablar de diseño por voz: el agente ve el lienzo y las pantallas seleccionadas, comenta las decisiones y propone variantes. El dispositivo Ato, pensado para personas mayores, se apoya en la capacidad multilingüe del modelo para convertir las conversaciones diarias en una comunicación más natural. Y el equipo de Weekend usa Flash Live para un formato de RPG en el que un presentador de IA no solo debe responder rápido, sino mantener el carácter, el ritmo y la puesta en escena teatral sin cortes entre réplicas.

Google tampoco deja el modelo solo dentro de AI Studio. Para desarrolladores está disponible en preview mediante la Gemini Live API; para entornos empresariales, en Gemini Enterprise for Customer Experience; y para usuarios comunes ya se integra en Gemini Live y Search Live. La compañía afirma que en Gemini Live las respuestas son más rápidas y el hilo de la conversación se mantiene aproximadamente el doble de tiempo que antes. En paralelo, Search Live llega a más de 200 países y territorios. Google marca todo el audio generado con una marca de agua SynthID para facilitar la detección de voces de IA.

Qué significa

Google intenta ocupar la capa en la que la IA se comunica no con mensajes, sino con un diálogo continuo, y actúa de inmediato mediante herramientas. Si Flash Live mantiene de verdad en producción la baja latencia, la robustez ante el ruido y la calidad del function calling, el mercado de agentes de voz pasará rápidamente de simples «chatbots parlantes» a sistemas que pueden integrarse en soporte, interfaces, búsqueda y asistentes cotidianos.